Viele Hersteller von Manufacturing Execution-Systems (MES) entwickeln ihre Lösungen aktuell in Richtung Manufacturing Operations Management (MOM) weiter. Denn im Zusammenspiel etwa mit ERP- und BI-Software, mit IoT- und KI-Applikationen ermöglichen MOM-Systemverbünde vielfältige Smart-Factory-Szenarien: Planung, Steuerung, Ausführung, Auswertung, Prognose und Optimierung der Produktion und Logistik. Ein MOM-System lässt sich als Hub integrieren, der ERP- und Maschinendaten aufnimmt. Die Arbeiten der Mitarbeiter, Software, Maschinen und Roboter werden transparent in Datenketten dokumentiert, oder erfasste Echtzeit-Daten mit Business Intelligence oder künstlicher Intelligenz analysiert, um daraus Handlungsempfehlungen abzuleiten. Daten und Dashboards helfen, Produktionen weiter zu optimieren.
Integrierte Fertigungsdaten
Für das MOM werden ERP-, IoT- und MES-Daten zusammengefasst, ausgewertet und verarbeitet. Das beschränkt sich nicht nur auf Daten der Anwendungsprogramme, sondern umfasst weitere integrierte Systeme etwa mit Sensoren- und Maschinendaten. Dabei wird häufig auf Logfiles von Maschinen zurückgegriffen, was gerade bei modernen Anlagen oft standardmäßig möglich ist – und sich bei älteren durch Retrofit nachrüsten lässt. Dabei sind IoT-integrierte Sensoren mit ihren Prozessdaten, Servicedaten und Ereignisdaten der Schlüssel zu Echtzeit-Applikationen. Bei der Sensorkommunikation gilt IO-Link als Standard für Datentransfers. IO-Link-Sensoren transportieren im Kommunikationsprotokoll zusätzliche Informationen und speichern Einstellungen zu Parametern, um ihren Austausch etwa im Fall von Beschädigungen zu erleichtern. Ihre Nachfolger können während des laufenden Betriebs alle gespeicherten Informationen übernehmen. In den Dashboards werden die ausgewerteten Daten übersichtlich visualisiert. So ergebt sich ein Bild, an welcher Schraube gedreht werden kann, um die Produktion und generell die OEE (Overall Equipment Effectiveness) zu verbessern. Prognosen zur ‚Mean Time to Repair‘ oder ‚Mean Time to Failure‘ bei den Maschine sind nach wenigen Klicks ersichtlich. Das aktuelle Wissen rund um Maschinenverfügbarkeiten hilft den Verantwortlichen, ihre Fertigung effizient zu steuern. Durch eine zusätzliche Integration von Asset Tracking lassen sich die Analysen ausweiten. Mit Bewegungsprofilen von Assets kann ausgewertet werden, ob die Metriken der Produktion erfüllt werden und mit welchen Stellschrauben sich Prozesse verbessern lassen. So stehen für die Analyse der OEE weitreichendere Datenbestände bereit. Mit diesen Daten lassen sich beispielsweise folgende Effekte erzielen:
- Fortlaufende Optimierung von Produktion und Logistik,
- Engpässe erkennen und vermeiden,
- Auslastung und Kapazitäten erhöhen,
- Ausschuss reduzieren,
- Materialverbrauch und Kosten senken.
Data Mining in der Praxis
In einem realen Szenario setzte ein Fertigungsunternehmen aus Japan das Ziel, die Produktivität zu erhöhen. Als Betreiber von 26 Fabriken weltweit, fünf Verarbeitungsanlagen sowie neun Forschungs- und Entwicklungszentren waren wirksame Instrumente gefragt, um historische Daten zu analysieren und Entwicklungen sowie Schwächen zu prognostizieren. Dazu wurden große Datenmengen aus den Produktionslinien strukturiert erfasst. Der eingesetzte Maschinenpark erzeugte Daten, die sich mit den meisten Analysetools nicht analysieren lassen, um sie geschäftlich zu nutzen. Dabei waren diese unstrukturierten und brachliegenden Daten aus Sicht der Produktivitätssteigerung und -optimierung sehr vielversprechend. Um das Potenzial in diesen Daten zu erschließen, rollte der japanische Fertiger Data-Mining-Lösungen in folgenden Bereichen aus: Qualitätsanalyse der hergestellten Produkte in Abhängigkeit von den Maschinenparametern, Fehleranalyse und Ursachen, die zu Ausfällen und Fehlern führen, Fehlervorhersagen, Planung und Terminierung optimaler Produktionsprozesse.
Belastbare Aussagen
Der Hersteller setzte zum Beispiel eine Ausschuss-Kalkulation auf der Grundlage verschiedener Maschinenmodelle auf. Auch die Dauer der Stillstandzeiten konnte für jeden Monat und jede Maschine in Abhängigkeit von verschiedenen Typen vorhergesagt werden. Die Prognosen wurden durch Validierung der Modelle auf der Grundlage historischer Daten spezifiziert. Dabei wurden auch Parameter wie Maschinengeschwindigkeit, Schichtsysteme, Teams und Material einbezogen. Für jede Maschine wurden unterschiedliche Methoden angewandt – für Produktionsmaschinen wurden die Daten pro Schicht aggregiert, für Verpackungsmaschinen pro Minute. Die Lösung wurde mit der Sprache R und der R Studio-Plattform entwickelt. Das Gesamtsystem ermöglichte es dem Unternehmen, Verluste zu reduzieren und die Produktionsprozesse auf kurze Stillstandzeiten zu trimmen. Die Big Data-Analysen ermöglichen es dem Unternehmen, fundierte Entscheidungen zu treffen, die sich erheblich auf die Kosten, Ausfallzeiten und somit Produktivität auswirken.
