Big Data in der Fertigung: Einsatz von Analytics in der Produktion

In den letzten Jahrzehnten haben sich Hersteller auf Lean- und Six-Sigma-Initiativen verlassen, um Effizienz, Qualität und die Gesamtproduktivität zu verbessern.

Mit dem Aufkommen von Industrie 4.0 sind Unternehmen heute jedoch mit mehr Werkzeugen und mehr Daten denn je ausgestattet, um diese Ziele zu verfolgen. Neue Technologien generieren riesige Datenmengen, die als Big Data bezeichnet werden, und liefern Erkenntnisse, die heute einen Paradigmenwechsel in der Fertigung vorantreiben.

Diese Chance bringt natürlich ihre eigenen Herausforderungen mit sich, die, wenn sie nicht effektiv bewältigt werden, die Fähigkeit eines Unternehmens beeinträchtigen können, das Potenzial dieser Daten zu nutzen.

In diesem Artikel untersuchen wir, wie Unternehmen Big Data nutzen, um die Fertigungsprozesse neu zu gestalten, und behandeln dabei Themen wie:

• Was ist Big Data
• Wie Hersteller Big Data erfassen
• Die Rolle von Analytics in Big Data
• Anwendungen von Big Data in der Fertigung

Laden Sie ein kostenloses eBook herunter über: Cost of Poor Quality: The Hidden Truth About Your Ultimate Quality Metric

Was ist Big Data in der Fertigung?

In der Fertigung ist Big Data ein Begriff für die riesigen Datenmengen, die in Produktionsumgebungen generiert werden, einschließlich Daten von Maschinensensoren, Produktionsprozessen und anderen Systemen. Big Data kann äußerst komplex und variabel sein und wird oft mit hoher Geschwindigkeit generiert und bereitgestellt. Unternehmen können diese Daten für Anwendungen nutzen wie:

• Optimierung von Produktionsprozessen
• Steigerung der betrieblichen Effizienz
• Qualitätskontrolle
• Vorausschauende Wartung
• Lieferkettenmanagement

Wie Hersteller Big Data erfassen

Big Data in der Fertigung kann bei jedem Schritt des Produktionsprozesses erfasst werden, wie etwa Daten von Anlagen, Geräten und sogar von den Bedienern selbst.

Dank einer Kombination verschiedener Technologien können Hersteller mehr Daten denn je sammeln:

• Sensoren des Industrial Internet of Things (IIoT), die an Maschinen eingesetzt werden, um Daten zu Parametern der Produktionsausrüstung wie Maschinenleistung, Umgebungsbedingungen und Energieverbrauch zu erfassen
• Manufacturing Execution Systems (MES), die Echtzeitdaten zu Produktionsprozessen, Qualitätskennzahlen und anderen Messgrößen erfassen
• Enterprise-Resource-Planning-Software (ERP), die Daten aus mehreren Abteilungen im gesamten Unternehmen zu Materialien, Produktionsplänen und Kundenaufträgen integriert
• Industrielle Steuerungssysteme wie Supervisory Control and Data Acquisition (SCADA)-Systeme und speicherprogrammierbare Steuerungen (SPS) zur Überwachung des Produktionsprozesses

Die Rolle von Analytics in der Big-Data-Manufacturing

Big Data in der Fertigung wird oft in Terabyte gemessen, sodass der Versuch, einen Sinn aus den Daten zu ziehen, dem Versuch gleicht, aus einem Feuerwehrschlauch zu trinken. Diese einfache Tatsache rückt Analytics in den Mittelpunkt der Fähigkeit eines Unternehmens, Kapital aus den in diesen Datensätzen verborgenen Erkenntnissen zu schlagen.

Auch dies ist ein Bereich, in dem neue Technologien völlig neue Horizonte bei der Produktionsoptimierung eröffnen. Drei der verbreitetsten sind:

• Cloud-Plattformen: Die Cloud bietet skalierbaren, sicheren Speicher, der es Unternehmen ermöglicht, Big Data zu speichern, darauf zuzugreifen und zu analysieren, ohne kapitalintensive Server vor Ort zu benötigen.
• Erweiterte Analytik: Werkzeuge wie statistische Analysen, Prognosen und prädiktive Modellierung ermöglichen es Unternehmen, historische Daten aus der Fertigung zu aggregieren und komplexe Auswertungen durchzuführen, um Produktionsprozesse zu optimieren.
• Künstliche Intelligenz (KI): KI- oder Systeme für maschinelles Lernen nutzen erweiterte Analytik, um Beziehungen, Muster und Anomalien in großen Datensätzen zu identifizieren. Darüber hinaus geht KI noch einen Schritt weiter und bietet die Fähigkeit, unstrukturierte Daten zu verarbeiten, im Laufe der Zeit aus sich selbst zu lernen und auf Basis der Daten autonome Entscheidungen zu treffen.

Eine weitere kritische Herausforderung bei der effektiven Nutzung von Big Data ist der anhaltende Mangel an Data Scientists. Das Bureau of Labor Statistics führt Data Science als einen der am schnellsten wachsenden Berufe auf, für den bis 2031 ein Wachstum von 36 % erwartet wird. Da es sich bei Data Science um ein relativ neues Feld handelt, entsteht ein Lieferkettenproblem hinsichtlich der Fachkompetenz, die für erweiterte Analysen oder KI-Algorithmen mit prädiktiver Analyse erforderlich ist.

Anwendungen von Big Data in der Fertigung

Das schiere Informationsvolumen von Big Data in Kombination mit Fortschritten in der Data Science hat zu einer sprunghaften Zunahme von Anwendungen für Big Data in Produktionsumgebungen geführt.

Im Folgenden untersuchen wir einige der Wege, wie Hersteller Big Data nutzen, um die kontinuierliche Verbesserung zu unterstützen, darunter für:

• Produktionsoptimierung
• Prozessverbesserung
• Werkzeugoptimierung
• Gesteigerter Ausstoß
• Vorausschauende Wartung
• Qualitätskontrolle
• Lieferkettenmanagement
• Arbeitsschutz und Gesundheit der Mitarbeiter

Produktionsoptimierung

Die Produktionsoptimierung ist ein entscheidender Bereich, in dem Unternehmen Big Data nutzen möchten, um die betriebliche Effizienz zu steigern. In diesem Kontext können historische und andere Daten analysiert werden, um:

• Die Genauigkeit von Nachfrageprognosen zu verbessern, um eine effiziente Produktionsplanung und Ressourcennutzung zu fördern
• Die Kapazität zu maximieren und gleichzeitig Unregelmäßigkeiten in den Produktionsplänen auszugleichen, die zu bestimmten Zeiten zu Überlastung und zu anderen Zeiten zu Unterauslastung führen
• Das Bestandsmanagement zu optimieren, um Kosten, überschüssige Bestände und verzögerte Aufträge zu reduzieren

Prozessverbesserung

Big Data sorgt für einen grundlegenden Wandel in der Art und Weise, wie Hersteller ihre Prozesse überwachen und anpassen, und hilft ihnen dabei, ihre Abläufe zu optimieren, die Effizienz zu steigern und die Kosten zu senken.

IIoT-Sensoren liefern beispielsweise einen kontinuierlichen Datenstrom, den Werke für die Echtzeitüberwachung von Maschinen und Fertigungsprozessen nutzen können. Dadurch können Standorte Ineffizienzen in ihren Prozessen genau identifizieren und datengestützte Entscheidungen treffen, um die Produktion zu steigern und Ausfallzeiten zu minimieren.

So hatte beispielsweise ein Automobilhersteller mit einer hohen Rate an Prüfausfällen an einer Achsmontagelinie zu kämpfen. Was sie anfangs nicht wussten: Es handelte sich nicht um einen Produktionsfehler, sondern um ein Problem mit dem Prüfkreis in einem bestimmten Achsträger. Durch den Einsatz von IIoT in Kombination mit KI war der Hersteller in der Lage:

• Anhand der Daten zu ermitteln, welcher Achsträger das Problem verursacht hat
• Kriterien für das Herausnehmen des Trägers aus der Fertigung festzulegen, zum Beispiel wenn der Träger drei von fünf Tests nicht besteht
• Die Instandhaltung über das Reparaturproblem zu informieren und eine wahrscheinliche Grundursache zu nennen

Werkzeugoptimierung

Normaler Verschleiß von Werkzeugen kann zu Problemen im Fertigungsprozess führen, sei es durch einen vollständigen Werkzeugausfall oder einfach durch eine suboptimale Leistung. Betrachten Sie beispielsweise die Auswirkungen einer Lehre, deren Messwerte sich über einen gewissen Zeitraum allmählich verschieben.

Eine ordnungsgemäße Instandhaltung und laufende Überwachung sind von entscheidender Bedeutung, um sicherzustellen, dass Werkzeuge wie erforderlich funktionieren. Big Data bietet dabei die Möglichkeit:

• Werkzeugparameter wie Temperatur, Druck und Vibration zu überwachen, um Muster und Anomalien zu erkennen, die auf eine schlechte Leistung oder einen bevorstehenden Ausfall hinweisen
• Die Werkzeuglebensdauer auf Basis historischer und Leistungsdaten vorherzusagen, um optimale Austauschintervalle zu bestimmen, die ungeplante Ausfallzeiten minimieren
• Ausfalldaten zu analysieren, um die Grundursache von Ausfällen sowie geeignete Korrekturmaßnahmen zu ermitteln

Gesteigerter Ausstoß

Big-Data-Analysen können Erkenntnisse liefern, die Hersteller nutzen können, um ihren Ausstoß zu erhöhen, selbst in Unternehmen, die bereits auf einem hohen Niveau arbeiten.

Ein von McKinsey genannter Chemiekonzern nutzte beispielsweise KI, um die relativen Auswirkungen von Eingangsgrößen wie Kühlmitteldruck, Temperatur und Kohlendioxidfluss auf den Ausstoß zu bewerten. Basierend auf dieser Analyse senkte das Unternehmen den Materialabfall um 20 % und den Energieverbrauch um 15 %, was zu einer allgemeinen Steigerung des Ausstoßes beitrug.

Vorausschauende Instandhaltung

Big Data in Kombination mit in Produktionsanlagen integrierten IIoT-Sensoren hilft Herstellern dabei, einen proaktiveren Ansatz für die Instandhaltung zu verfolgen, der ungeplante Ausfallzeiten reduziert.

Beispielsweise können IIoT-Sensordaten mit anderen Datenquellen wie historischen Leistungsdaten, Umgebungsbedingungen und Instandhaltungsdaten kombiniert werden. Auf diese Daten lassen sich dann fortschrittliche Datenanalysen und maschinelles Lernen anwenden, um:

• Zu erkennen, wann ein Ausfall eines Betriebsmittels wahrscheinlich ist
• Festzustellen, welche Art von Instandhaltung erforderlich ist
• Die Grundursache von Anlagenstillständen zu ermitteln, um die Problemlösung zu beschleunigen
• Die verbleibende Nutzungsdauer von Betriebsmitteln vorherzusagen
• Den besten Zeitpunkt für die Durchführung der Instandhaltung auf Basis des Anlagendustands zu bestimmen, anstatt nach einem festen Zeitplan oder als Reaktion auf Probleme

Qualitätskontrolle

Hersteller können Big Data nutzen, um die Qualitätskontrolle durch den Einsatz verschiedener Informationen aus Sensoren, Inspektionen, Produktionsdaten, Kundenfeedback und mehr zu verbessern.

Durch die effektive Nutzung von Qualitätsdaten können Hersteller Frühindikatoren für potenzielle Qualitätsprobleme erkennen und zudem:

• Historische Daten für eine effektivere Ursachenanalyse nutzen
• Qualitätskennzahlen in Echtzeit überwachen, um Qualitätsprobleme schneller zu identifizieren und zu beheben
• Beziehungen zwischen verschiedenen Prozessparametern und Qualitätsleistungsergebnissen vergleichen, um eine effektivere Ursachenanalyse und Korrekturmaßnahmen zu ermöglichen
• Prädiktive Modelle auf Basis historischer Daten und Leistungskennzahlen entwickeln, um potenzielle Defekte vorherzusagen und zu verhindern, bevor sie auftreten
• Die Lieferantenleistung im Kontext anderer Qualitätsdaten analysieren, um potenzielle Probleme vorherzusagen, Unterbrechungen der Lieferkette zu vermeiden und den Lieferantenauswahlprozess zu verbessern

Als Beispiel nutzen viele Automobilhersteller Layered Process Audits, um tägliche Überprüfungen der Fertigungseingänge durchzuführen, Prozesse zu standardisieren und Defekte zu reduzieren. Hersteller können diese Daten anschließend in Business-Intelligence-Plattformen wie PowerBI oder Tableau integrieren, um erweiterte Analysen durchzuführen und prädiktive Einblicke für eine datengestützte Entscheidungsfindung zu gewinnen.

Ihre Daten für sich arbeiten lassen

Die digitale Transformation in der Fertigung hat dazu geführt, dass immer mehr Unternehmen zwar datenreich, aber erkenntnisarm sind. Diese Organisationen verfügen oft über riesige Mengen an strukturierten und unstrukturierten Daten, haben jedoch nur begrenzte Möglichkeiten, diese zur Verbesserung ihrer Abläufe zu nutzen.

Die Fähigkeit, mithilfe erweiterter Analysen verwertbare Erkenntnisse zu gewinnen, entwickelt sich rasant zu einem entscheidenden Alleinstellungsmerkmal unter den führenden Herstellern. Wer sich unsicher ist, wo er anfangen soll, sollte mit einem konkreten Ziel beginnen, Daten zum relevanten Prozess sammeln und dann fortschrittliche Tools zur Lösung des Problems einsetzen.