Use-Case Mit Maschinendaten zu effizienten Produktionsprozessen

Autor / Redakteur: Asdrúbal Pichardo* / Stefan Guggenberger

Wie datengetriebene Analysen nicht nur die Stillstandszeiten reduzieren, sondern den Maschinenführern auch einen Blick in die Zukunft gewähren, zeigt ein Use-Case mit 30 Produktionslinien an neun Standorten.

Firmen zum Thema

Durch KI-generierte Empfehlungen konnten die Maschinenstillstandszeiten bei einem Hersteller von Hygienepapieren um teilweise mehr als 50 Prozent gesenkt werden.
Durch KI-generierte Empfehlungen konnten die Maschinenstillstandszeiten bei einem Hersteller von Hygienepapieren um teilweise mehr als 50 Prozent gesenkt werden.
(Bild: Factory-Pal)

Manchmal ist ein Blick hinter den Hype nötig – Künstliche Intelligenz (KI) und Internet of Things (IoT) sind für die Industrie natürlich Buzzwords, die durch ihre Omnipräsenz dazu neigen, zur hohlen Phrase zu werden. Umso mehr lohnt es sich auf die rationale und technische Ebene zurückzukehren und zu fragen, wie lässt sich der digitale Fortschritt in sinnstiftende Resultate für die Industrie umwandeln? Wie lassen sich Produktionsprozesse effizienter gestalten? Und damit sind nicht einzelne, kleinteilige Prozesse gemeint, sondern die Gesamtanlageneffektivität also Overall-Equipment-Effectiveness (OEE). Schließlich ist diese das Maß der Dinge für die gesamte Produktion in einer Fabrik.

So optimiert eine Fertigungsanlage auch sein mag, sie besteht in der Regel aus zahlreichen verschiedenen Maschinen unterschiedlicher Hersteller und Produktionslinien. Das führt zu diversen Herausforderungen, bei denen KI und maschinelles Lernen (ML) unterstützen können, um ungenutzte Potentiale zu erschließen. Zum Beispiel beim Koordinieren unterschiedlicher Geschwindigkeiten der Maschinen einer Produktionslinie und der deutlichen Reduktion von ungeplanten Ausfallzeiten.

Wie die Gesamtanlageneffektivität mittels KI, ML und dem Faktor Mensch verbessert werden kann, zeigt ein Use-Case des Unternehmens Factory-Pal bei einem Hersteller von Hygienepapieren und Recyclingfasern. Der Anwendungsfall zeigt die komplexe Ausgangssituation und wie die Herausforderungen gelöst wurden. Factory-Pal bietet dabei KI-getriebene, maschinen-agnostische SaaS-Lösungen an. Die Software kann in der Praxis bis zu 600 Datenpunkte pro Sekunden verarbeiten und empfiehlt den Maschinenführern in Echtzeit optimale Maschineneinstellungen über eine Smartphone-App. Dabei werden die Daten über ein IoT-Gateway gesammelt, welches beim Kunden installiert ist, und schließlich in die Cloud übertragen.

Von komplexen Ausgangssituation nicht abschrecken lassen

Insgesamt sollten die Maschinen-Daten von 30 Produktionslinien in neun europäischen Fabriken in verwertbare Ergebnisse umgewandelt und zugleich die Gesamtanlageneffektivität gesteigert werden. Insbesondere im Zusammenspiel von Technik, Mensch und Software. Ein Problem besteht in solchen Fällen vor allem in der Datenerfassung – die schiere Menge und Komplexität der Daten macht eine Auswertung schwierig, zugleich schmälern Fehleinschätzungen und Inkonsistenzen das Vertrauen in die gesammelten Informationen. Um besagte Fehleinschätzungen zu verhindern, wurde die gesamte KI-Pipeline selbst mit einem Team von Spezialisten generiert. Diese Co-Creation erlaubt es, von Anfang an so eng wie möglich an den Bedürfnissen des Kunden zu bleiben.

Mittels Maschinendaten in die Zukunft schauen

Die Zusammenarbeit mit besagtem Papierhersteller machte schnell deutlich, dass bereits kleine und ungeplante Ausfallzeiten in der Fertigung zu erheblichen OEE-Rückgängen führen können. Es ist eine Herausforderung für die Fabriken, die Gründe für diese Ausfälle detailliert zu erfassen, zu analysieren, um dann schnell und mit den richtigen Maßnahmen darauf zu reagieren. Gelingen kann dies nur, wenn man proaktives Handeln der Mitarbeiter in der Produktion ermöglicht und die Indikatoren erkennt, bevor es zu einem Ausfall kommt. Für solche Fälle bietet es sich an, ein ML-Modell zu verwenden, das die zukünftige OEE vorhersagt, während andere Lösungen eher reaktiv agieren und weniger auf Echtzeitdaten basieren.

Bei diesem Anwendungsfall stellt allein die große Menge an Daten eine Herausforderung dar, die bei 30 Produktionslinien in neun europäischen Standorten anfallen.
Bei diesem Anwendungsfall stellt allein die große Menge an Daten eine Herausforderung dar, die bei 30 Produktionslinien in neun europäischen Standorten anfallen.
(Bild: Factory-Pal)

Für diesen Blick nach vorne kombiniert die Software Daten aus verschiedenen Datenquellen: Maschinendaten, die von den SPSen (Speicherprogrammierbare Steuerungen) in der Fertigung ausgelesen werden, Daten aus anderen Kundensystemen wie ERP und MES (z. B. Produktspezifikationen und Arbeitsaufträge) sowie Eingaben der Maschinenbediener (z. B. Grund für die Ablehnung einer Maschinenparameterempfehlung). Nach dem Einlesen und Übertragen der Daten werden sie in der Cloud von der generierten KI-Pipeline analysiert. Haben die Algorithmen Vorschläge zur Optimierung errechnet, werden diese an den zuständigen Maschinenführer geschickt, einfach per Nachricht auf eine App, die sowohl am PC, Smartphone als auch auf dem Tablet läuft. Durch die Anwendung der KI-generierten Empfehlungen konnten beim Kunden bisher signifikante OEE-Steigerungen von bis zu 30 Prozent über der initialen Baseline erzielt werden. Dies resultiert unter anderem aus stabileren Produktionsläufen, was sich durch reduzierte Maschinenstillstandszeiten von teilweise mehr als 50 Prozent zeigt.

Gesamtanlageneffektivität braucht den Faktor Mensch

Das Voranschreiten der technologischen Entwicklung scheint sich zu potenzieren. Umso wichtiger ist es, sich auf wesentliche Ziele zu fokussieren. Mittels Datenauswertung ist es bereits heute möglich in Echtzeit die Gesamtanlageneffektivität von Fertigungsunternehmen signifikant zu erhöhen. Das Ziel sollte also sein, Software zu bauen, die den Faktor Mensch in der industriellen Fertigung stärkt. Schließlich ist am Ende der Maschinenführer, der mit Hilfe von Echtzeitdaten zum Dirigenten über ein harmonisch orchestriertes Maschinenensemble werden soll. Hype hin oder her: Künstliche Intelligenz und maschinelles Lernen benötigen weiterhin auch den Menschen, um im industriellen Kontext einen echten Mehrwert zu stiften. Der Mensch wiederum kann sich darauf verlassen, dass die Instrumente, die ihm zur Verfügung stehen, immer effektiver werden. Oder um noch mal mit dem beschrieben Anwendungsfall zu bebildern – es wird zukünftig wohl nicht bei 600 Datenpunkten bleiben.

* Asdrúbal Pichardo arbeitet als CEO bei Factory-Pal.

(ID:47700100)