OEE-Analyse mit künstlicher Intelligenz

Der Datenstrom der Anlagenproduktivität spricht, aber wir Menschen hören nicht hin. Künstliche Intelligenz wird zukünftig in der Lage sein, das Signal im Rauschen zu identifizieren, also die Abweichung vom Normalzustand zu melden, ohne dass ein Fertigungsingenieur vorher explizit gesagt hat, was „normal“ ist. Der Algorithmus macht dem Menschen Vorschläge, wo die Optimierung anzusetzen ist.

Der Entwicklungspfad der OEE

Die OEE hat in Unternehmen eine Entwicklung genommen. Gestartet wurde mit einer Strichliste als Handaufschrieb. Die erste Entwicklungsstufe war die Nutzung von Microsoft Excel. Baut man ein OEE-Management schrittweise auf, haben die Mitarbeiter es sicher verstanden, können mit der Kennzahl argumentieren. Aber dann müssen auch die nächsten Schritte folgen. Eine Excel-Liste einmal pro Woche an alle Operations-Verantwortlichen versenden ist nicht 2018. Da geht deutlich mehr.

Wer oee.cloud im Einsatz hat, ist die weiteren Enwicklungsschritte gegangen: Die Daten liegen on-line vor und werden auf Andons über der Anlage und in Büros angezeigt. Neben Verfügbarkeits- und Qualitätsverlustursachen werden auch die Ursachen für Leistungsverluste erfasst. Die Störgrunderfassung ist digital und präzise, Grafiken zeigen die Störgrundverteilung und -verläufe an. Wenn die Anlage nicht die erwartete Leistung bringt, wird sofort ein Verantwortlicher per Mail, SMS oder Push-Notifikation informiert.

Wird jetzt noch mit den Erkenntnissen aus den Daten gezielt an Verbesserungen gearbeitet, haben wir ein Management der Anlagenproduktivität mit Methoden, die dem aktuelle Stand des Wissens und der Technik entsprechen.

Der OEE-Datenstrom spricht

Im OEE-Datenstrom, also der tatsächlichen Anlagengeschwindigkeit, der Vorgabegeschwindigkeit und den Ursachen für die Abweichung zwischen den beiden Daten, stecken eine Menge Aussagen, die bislang nicht gezielt für Prozessverbesserungen genutzt werden.

Welcher Produktionsverantwortliche kann folgende Fragen beantworten:

  • Rüstet die Frühschicht systematisch schneller als die Spätschicht?
  • Ist es besser, die Anlage lieber schneller mit mehr Kurzstillständen zu fahren als langsamer und dabei stabiler?
  • War die OEE für den Auftrag ABC gut oder wird er üblicherweise zu geringeren Kosten gefertigt?
  • Welche Dauer vom Ende des Umbaus bis zum Erreichen der Kammlinie der Produktion ist gut?
  • Welche Produkte verursachen besonders viel Kurzstillstände?

Und das sind nur 5 von sehr vielen Fragen, die heute in einem Fertigungsbetrieb niemand beantworten kann.

Künstliche Intelligenz im Analysecockpit

Das Team von oee.cloud arbeitet an oee.ai. Zukünftig wird der Fertigungsingenieur in einem Analysecockpit aktiv auf Anomalien im Datenstrom hingewiesen. Künstliche Intelligenz Algorithmen durchsuchen den Datenstrom nach Mustern und Abweichungen davon.

Bild: oee.ai Anomaliecockpit

Die Daten für die Auswertungen werden weiterhin durch den erprobten minimalinvasiven Sensor und Tablets erfasst, so dass für diese neue Ebene des OEE-Managements kein Eingriff in die Anlage nötig ist. Liegen die Daten in einer vernetzten Steuerung vor, können sie oee.ai natürlich auch direkt zugeführt werden.

Genutzt werden die anonymisierten Daten unternehmensübergreifend. So können die Algorithmen beispielweise für alle Betreiber von Abfüllanlagen gemeinsam trainiert werden. Denn das sehen wir schon heute: Ob Mineralwasser, Kaffee, Milch oder Brotaufstrich abgefüllt wird, macht für uns in den Datenmustern keinen Unterschied. Die OEE-Analyse von Werkzeugmaschinen ist die nächste Grenze, die es zu überwinden gilt.

Wenn Sie Interesse daran haben, bei den aktuellen Entwicklungsschritten des Einsatzes von künstlicher Intelligenz im OEE-Management auf dem Laufende zu bleiben, habe Sie die Möglichkeit, uns unter info@oee.cloud zu kontaktieren oder Sie melden sich unten zu unserem Newsletter an. Ebenso gilt dies, wenn Sie Teil unserer Private Beta Applikation werden wollen. Kontaktieren Sie uns gerne.