hir [Newsfeed, Customer Experience, Marketing & Vertrieb, Field Service & Maintenance, Business Analytics & IoT, Business Analytics, Cybersecurity, New Work, Security, Governance & Compliance, Digital Business, Homeoffice, Internet of Things, Kunden- & Serviceportal, Machine Learning, Planning & Forecasting, Cloud Computing, IT-Strategie, Managed Services]

LESEZEIT: 5 MINUTEN

Industrie 4.0: Produktion im betriebswirtschaftlichen Optimum

Dec 8, 2020 12:19:41 PM

Die Vision einer intelligenten und vernetzten Produktion im Sinne des Industrie 4.0 Gedankens lässt sich klar ausdrücken: Planung und Abläufe können optimiert, Prozesse und Kommunikation effizient gestaltet und mittels Technologie in intelligente Automatismen überführt werden. Mehrwerte stellen sich insbesondere durch Kostenreduktion im Betrieb und höhere Produktivität ein.

Die Vision von Industrie 4.0

Diese Vision ist aber sicherlich nicht für jedes Unternehmen ein greifbares Szenario. Zu groß ist die Lücke zwischen IST-Zustand und Vision, zu groß sind der Investitionsbedarf und die Unsicherheiten darüber, wann und wie sich die Anstrengungen auszahlen. Blickt man auf die aktuellen Maschinenparks in mittelständischen Unternehmen, so zeigt sich ein heterogenes Bild:

Von der neu installierten Hightech-Anlage bis zur längst abgeschriebenen, aber immer noch sauber laufenden Stanzanlage ist alles in Betrieb. In den meisten Fällen können in einem Unternehmen unterschiedliche Maschinen vorgefunden werden, etwa was das Alter und den Stand der Technik betrifft. Wie soll „Industrie 4.0“ also sinnvoller Weise angegangen werden?

Industrie-4_0-1

Industrie 4.0 - Szenarien und Mehrwerte

Ist eine Ausgangslage unübersichtlich und komplex, hilft es meist, sich kurz auf grundlegende, einfache Dinge zu konzentrieren. Aus Produktionsperspektive wird das finale Ziel sämtlicher Digitalisierungsmaßnahmen immer die Erhöhung der Produktivität sein. Anschließend kann man mit der schlichten Wahrheit fortfahren, dass eine Maschine nur dann einen Ertrag erwirtschaftet, wenn sie läuft. Wenn sie steht, erwirtschaftet sie nichts. Wenn sie aufgrund eines Fehlers ungeplant ausfällt, bleibt der unproduktive Zustand erhalten, bis der Fehler erkannt und behoben wurde.

Condition Monitoring

Um Laufzeiten und Stillstände digital zu erfassen und dann analysieren zu können, müssen Maschinen nicht zwangsläufig mit einem Netzwerkanschluss ausgestattet sein. Im einfachsten Fall bedarf es zunächst nur einer Signalleuchte (rot/gelb/grün), deren Farbsignale von einem externen Sensor erfasst werden. Diese Informationen werden dann in Echtzeit über ein Dashboard bzw. eine App direkt an den Maschinenbediener oder Instandhalter weitergegeben. Diese sind dann, unabhängig davon, wo sie sich gerade befinden, sofort über eine etwaige Störung informiert und können entsprechend reagieren – was Stillstände effektiv reduziert. Das hat natürlich dann den größten Effekt, wenn sich ein Maschinenbediener in einer großen Halle befindet und für viele Maschinen zuständig ist.

Damit bewegt man sich schon in einem Industrie 4.0 Szenario, das unter den Begriff Condition Monitoring fällt. Darüber hinaus lässt sich auf dieser Grundlage analysieren, über welche Zeiträume eine Maschine unproduktiv war und welcher Output deswegen fehlt. Mit geringem Aufwand können Stillstände so in Euro ausgedrückt und eine erste Abschätzung getätigt werden, was eine digitale Transformation einer Anlage erbringen kann. Kommunikation zwischen Mensch und Maschine ist bereits in diesem einfachen Szenario ein wichtiger Ansatzpunkt für Produktionsoptimierungen.

Predictive Maintenance

Ausgehend von diesem Szenario, werden mit weiteren Digitalisierungsgraden in der Fertigung auch komplexere Analysen möglich: Werden etwa umfassend Daten über die Steuerung ausgelesen, kann nicht nur kontrolliert werden, ob eine Maschine läuft oder nicht – sondern etwa auch, welcher Fehler zu einem Stillstand geführt hat und wie lang die Reaktionszeit darauf war. In einer weitergehenden Betrachtung können dann auch Fehlertendenzen analysiert werden.

Wenn ein Sensor eine Häufung von Werten über einem Schwellenwert registriert, kann das auch am Sensor selbst liegen. So zum Beispiel, wenn eine Anlage stark vibriert oder der Sensor an der Anlage zu heiß wird. Deshalb muss eine gewisse Toleranz festgelegt werden, beispielsweise x Fehler pro Tag. Wenn nun aber die Fehlerhäufigkeit im Zeitablauf zunimmt, kann dem Betreiber oder dem Anlagenbauer die Information zugespielt werden, dass sich an der Maschine wahrscheinlich ein Defekt anbahnt. So kann proaktiv und vorausschauend eingegriffen werden, möglicherweise sogar an einer genau bestimmten Komponente. Dies ermöglicht eine weitere und individuelle Optimierung des Wartungszeitpunkts. Letzteres bedingt eine gewisse Logik bzw. verdichtete Daten. Eine reine Fehlerhäufigkeit ohne Interpretation ist nicht hinreichend, um den aus Fertigungsperspektive optimalen Zeitpunkt für eine Wartung zu bestimmen. Damit ist man beim Thema Predictive Maintenance, also der vorrausschauenden Wartung – ein zentraler Aspekt von Industrie 4.0. Mit diesem Ansatz werden auf Basis von Vergangenheitsinformationen und Machine Learning Algorithmen verlässliche Prognosen über explizite Ausfälle abgeleitet.

Industrie-4_0-predictive_maintenance

In vielen mittelständischen Unternehmen ist eine solche Logik jedoch nicht einfach so ohne Weiteres abbildbar – schlicht weg, weil die dafür nötigen (vergangenheitsbezogenen) Datenmengen für das Füttern der Machine Learning Algorithmen fehlen. Eine gewisse Abhilfe bieten hier „Supervised Learning"-Techniken. Diese implizieren, dass der Mensch in den Maschinenlernprozess eingreift und seine Erfahrung mit einbringt – bspw. indem er Datensätze qualifiziert.

Der Gedanke von Predictive Maintenance ist dabei nicht nur auf eine einzelne Maschine, sondern immer auch auf den Gesamtkontext einer Produktion(slinie) zu beziehen. Soll der optimale Zeitpunkt für eine Wartung ermittelt werden, müssen Wechselwirkungen mit vor- oder nachgelagerten Produktionsschritten betrachtet werden: Kommt es durch den wartungsbedingten Stillstand einer Maschine zu Störungen auf der gesamten Linie? Wann fallen diese Störungen am wenigsten ins Gewicht? Gibt es zu einem Zeitpunkt alternative Maschinen? Um all das zu kalkulieren, bedarf es der Datenerfassung über die ganze Produktionslinie.

Die Integration von ERP-Daten

Darüber hinaus muss der optimale Wartungszeitpunkt auch in einem geschäftlichen Kontext gesehen werden: Hat ein produktionstechnisch ermittelter optimaler Wartungszeitpunkt Auswirkungen auf einen kritischen Auftrag? Ist ein unter Produktionsgesichtspunkten nicht optimaler Wartungszeitpunkt letztendlich vielleicht doch der beste, nämlich wenn die Auftragssituation mitberücksichtigt wird? Um dies beurteilen zu können, müssen Fertigungs- und ERP-Daten in komplexen Szenarien kombiniert werden.

Damit öffnen sich auch jenseits der Wartung große Fenster für Optimierungen und Produktivitätssteigerungen:

  • Werden Status- und Auftragsinformation von Anlagen ans ERP zurückgespielt, hat man jederzeit einen Überblick über die IST-Situation – man sieht bspw. auf welchen Anlagen wann freie Kapazitäten verfügbar sind, kann dies automatisch mit dem Auftragsbacklog im ERP matchen und so unproduktive Zeiten minimieren.
  • Aufträge können unter Berücksichtigung von zugesagten Lieferterminen automatisch so aneinandergereiht werden, dass Rüstzeiten minimiert werden.

Wo auch immer der Schuh in konkreten Fall drückt – es werden sich Ansätze zur Automatisierung und Optimierung finden lassen.

Und wenn derartige Produktivitätsgewinne realisiert werden, dann lassen sich unter Umständen auch Aufträge mit Losgröße 1 zu vertretbaren Kosten produzieren – insbesondere dann, wenn Konfigurationen von einem Kunden-Frontend ohne zusätzlichen Aufwand und Anpassungen direkt in die Produktion gegeben werden können.

Schließlich lassen sich mit einem solchen Setup auch neue Geschäftsmodelle wie Pay-per-Use umsetzen: Mit einer funktionierenden Predictive Maintenance Lösung kann dem Kunden die Nutzung eines Produkts hinreichend verlässlich garantiert werden, dass nicht Produkt selbst, sondern sein Output-as-a-Service angeboten werden kann. Die Integration von ERP-Daten ermöglicht die automatisierte Abrechnung in Abhängigkeit von der tatsächlichen Nutzung.

Zusammenfassung:

Zusammenfassend kann gesagt werden, dass es für produzierende Unternehmen grundsätzlich Sinn macht, sich mit Industrie 4.0 zu beschäftigen, da sich an vielen Stellen Produktivitätsgewinne realisieren lassen. Dabei muss und sollte das nicht immer gleich mit großem Aufwand bzw. großem Investment verbunden sein. Wirtschaftlicher Nutzen lässt sich in einem ersten Schritt auch oft mit kleineren, smarten Ansätzen erzielen – insbesondere dann, wenn auch ERP Daten in entsprechende Szenarien genutzt werden.

 

CTA-Impact Smart Factory

KOSTENLOSE WEBSESSIONS, SPANNENDE EVENTS UND INFORMATIVE SEMINARE

JETZT ENTDECKEN UND KOSTENLOS ANMELDEN

meistgelesen