Betriebsstörungen in der Glaskugel vorhersehen

Transparenz ist der elementare Bestandteil einer effizienten Fertigungsumgebung. Sie durchleuchtet vergangene und aktuelle Abläufe, zeigt Potenziale auf und hilft Industriebetrieben dadurch bei der Optimierung ihrer Wertschöpfung. Mit der Digitalisierungswelle in die Fertigung steigen allerdings auch die Anforderungen an eine effiziente Verarbeitung der Datenmengen, die daraus gewonnen werden – viele davon idealerweise in Echtzeit. Diese Datenmengen in Kombination mit neuen Erkenntnissen rund um die Themen ‚künstliche Intelligenz‘ und ‚Machine Learning‘ erlauben zunehmend den viel zitierten Blick in die Glaskugel mit entsprechenden zuverlässigen Vorhersagen.

Data Analytics in der Produktion

Eine Funktionalität, die zeitgemäße MES-Lösungen schon lange bieten, bekommt im Zuge der oben erwähnten Digitalisierungswelle und der Etablierung des IIoT eine ganz neue Bedeutung: Predictive Maintenance, die vorausschauende Instandhaltung. Das IIoT liefert datentechnisch ein sehr genaues Bild des Ist-Zustandes. Algorithmen, Big-Data-Anwendungen und KI erkennen gewisse Muster in diesen Informationen. So kommt es zu Vorhersagen über zu erwartende Zustände und Trends. Laut Deloitte erzeugen Geschäftstätigkeiten also die Daten, „die durch Analyse wieder zu handlungsrelevanten Erkenntnissen, neuen Entscheidungen und vielleicht sogar zu neuen Geschäftstätigkeiten“ führen können.

Aussagekräftige MES-Daten

Der im Predictive-Analytics-Forschungsprojekt involvierte Universitätsprofessor Dr. Alfred Taudes, Wirtschaftsuniversität Wien, Department für Informationsverarbeitung und Prozessmanagement, Institut für Produktionsmanagement, kennt die Stärken von Predictive Analytics: „Mittels Predictive Analytics können Fertigungsunternehmen heute durch Sensoren generierten Datenmengen sinnvoll für eine bessere Planung einsetzen. Eine genauere Prognose des Ausschussanteils etwa führt zu verbesserter Kapazitätsauslastung, Termintreue und geringeren Lagerständen.“ Wie MES-Daten sinnvoll im Rahmen von Predictive Analytics eingesetzt werden können, beschreibt Taudes so: „Die in der Vergangenheit im MES erfolgten Aufzeichnungen zu Ausschuss, Maschinenausfall, Störungen und Produktqualität im jeweiligen Umfeld, etwa Maschine, Personal, Umwelt, Material, Auftrag und Zeit, geben unter Einsatz geeigneter Methoden Aufschluss über Konstellationen, in denen diese Probleme gehäuft auftreten. Diese Muster werden bei der Vorhersage der Qualitätsmetriken bei künftigen Planungen angewandt.“ Die meisten Daten seien also bereits vorhanden, so Taudes weiter, es fehle lediglich an einer passenden Analyse und bedienergerechten Integration in den Planungsprozess. Neben den Prozessdaten könnten beim Qualitätsmangement auch textuelle oder visuelle Informationen relevant sein. „Hier stehen wir erst am Anfang der Analyse, insbesondere die Integration heterogener Datenbestände ist ein aktives Forschungsgebiet.“

Ausschüsse und Arbeitsplatzstörungen

Thomas Krainz vom MES-Hersteller Industrie Informatik ergänzt: „Erfolgsentscheidend ist am Ende die Anpassung all dieser Technologien und Funktionen an die jeweilige Datensituation und vor allem die Erwartungshaltung der Kunden. Künstliche Intelligenz und Predictive Analytics sind keine Wunderheiler. Sie sind weder besser noch intelligenter in ihren Aufgaben als ein Mensch. Ihr Vorteil liegt in der Nachbildung von menschlichem Know-how – und das bei hoher Geschwindigkeit und außerdem rund um die Uhr. Daraus leiten sich viele Möglichkeiten ab.“ Konkret gemeint sind damit Prognosen zu relativen Ausschüssen und Arbeitsplatzstörungen in Folgeschichten sowie zu den verschiedenen Qualitätsstatus nach Fertigungsschritten. Alleine mit diesen Informationen könne man verborgene Einsparungspotenziale aufdecken und die Effizienz am Shopfloor massiv optimieren, so Krainz.