Manufacturing Intelligence: Von .xls zu .ai

Trotz aller Diskussion um Digitalisierung und Industrie 4.0. Die Produktion ist datenreich aber informationsarm. Nicht selten wird ein gefühltes Mindestmaß an Produktivitätsdaten über eine unpräzise Handaufschreibung erfasst. Die Potentiale einer modernen “Manufacturing Intelligence” werden nicht genutzt. Dabei ist es gar nicht so schwierig.

Selbst alte Steuerungen erfassen einen Basisumfang an Daten, der Aufschluss über Status und Potentiale der Produktivität liefert. Moderne Anlagen bieten naturgemäß noch viel mehr Möglichkeiten, aber mehr ist auch nicht automatisch besser. Die Nachricht ist: Daten sind da und das Problem der fehlenden Konnektivität der Anlagen ist gelöst. Es gibt inzwischen für nahezu jede Anlage die Möglichkeit, automatisch und mit sehr überschaubaren Kosten an Daten zu kommen. Die Zeit für Handaufschriebe ist vorbei.

Was eine konnektierte Anlage dann erzeugt, sind im IT-Sprech Zeitreihendaten. Dabei werden in einer speziellen Datenbank in kleinen Zeitinkrementen die Prozessparameter für die jeweilige Zeiteinheit abgespeichert. Das können beispielsweise Stückzahl, Prozent Vorschub oder Ausschuss sein.

Mit nur wenigen Messparametern kann dann in Echtzeit die OEE ausgewiesen werden. Ist diese technische und informatorische Grundlage gelegt, kann die Infrastruktur ergänzt werden. Um den Datenstrom mit weiteren Informationen anzureichern, würde man diesen “annotieren”. Welcher Fertigungsauftrag gehört zu diesem Zeitinkrement?, was war der Grund für den Stillstand? Diese informatorische Ergänzung kann durch weitere IT-Systeme, wie im Beispiel, durch Sensoren der Maschine oder auch durch den Menschen geschehen.

Die dadurch entstehende “angereicherte” Zeitreihe ist dann wiederum Grundlage für eine Analyse durch Algorithmen. Durch die Art der Datenspeicherung sind dabei schnelle Zugriffe und Analysen in Echtzeit möglich. Ob es sich dabei um statistische Algorithmen oder künstliche Intelligenz handelt, ist dabei von der Fragestellung abhängig. Beides ist möglich. Auch ob Fragestellungen aus der Vergangenheit beantwortet werden sollen – beispielsweise das Auffinden von Häufungen bestimmter Störungen im Datenstrom – oder ob eine Aussage für die Zukunft gemacht werden soll – beispielsweise wann mit der nächsten Störung zu rechnen ist – ist nicht limitiert. Die Technologie lässt alle Anwendungsszenarien zu.

Bild: Schematischer Ablauf einer modernen KI-Datenanalyse

Für manche Fragestellungen muss ein Algorithmus erst trainiert werden. In diesen Fällen ist die Fragestellung klar dem Feld der künstlichen Intelligenz zuzuordnen. Auch muss sich für den Einsatz der Algorithmen verständlicherweise erst eine Zeitreihe aufbauen. Diese Zeit des Datensammelns ist von den verarbeiteten Daten abhängig und kann von wenigen Wochen bis zu vielen Monaten dauern. Erst, wenn eine ausreichende Historie vorhanden ist, kann ein KI-Algorithmus verlässliche Aussagen liefern.

In Berichten und auf Andon-Boards können die Informationen schon direkt nach der Installation und Konfiguration angezeigt werden. Ist der beschriebene Weg komplett gegangen, ist der Schritt zu Push-Notifikationen bei Anomalien nur noch kurz. So können dann beispielsweise Störungen noch während des Auftretens an Verantwortliche kommuniziert werden. Die Reaktionsgeschwindigkeit steigt, die Produktivität auch.

Das ist moderne “Manufacturing Intelligence”: Auf Basis von Echtzeitdaten die Anlagenproduktivität analysieren, Informationen den spezifischen Mitarbeitern zur Verfügung stellen und durch gezielte Maßnahmen die OEE steigern. Kontaktieren Sie uns gerne.