Blog per Mail folgen

Damit Sie nie wieder Blog Posts von uns versäumen!

Schritt-für-Schritt-Anleitung zur Prozess-Optimierung

BI_HIW_119589543.png

Die Industrie hat sich schon seit jeher mit der Frage befasst, wie Produktion und Fertigung verbessert werden können. Zunächst standen Lösungen zur Erhöhung des Automationsgrades im Vordergrund. Im Zuge von Industrie 4.0 und fortschreitender Digitalisierung hat sich ein starker Zweig entwickelt, der mittels Business-Intelligence- und Big-Data- Methoden Kunden bei der Optimierung ihrer Prozesse unterstützt.

Die Digitale Transformation ergreift immer mehr Raum in der industriellen Produktion. Stärkere Digitalisierung und Vernetzung bis hinunter zu Sensoren und Aktoren sowie der zunehmende Software-Anteil in Maschinen sorgen für einen starken Wandel auf dem Shop-Floor. Dem müssen sich auch Dienstleistungs- und Beratungsunternehmen anpassen, die der Industrie bei der aktuellen Entwicklung beistehen – auf dem Weg Richtung Industrie 4.0.

Die acs ag hat sich den aktuellen Entwicklungen am Markt immer wieder angepasst. Den Anfang in Sachen Prozessoptimierung machte das datengetriebene Analyseprogramm „proFIT“. Später kooperierten wir mit einem Big-Data-Analyse-Anbieter, um unsere Kunden mit effizienten Methoden zu bedienen. Inzwischen haben wir eigene Big-Data-Spezialisten an Bord. Diese haben einen fünf Stufen umfassenden Projektplan entwickelt, der Schritt für Schritt dazu beiträgt, mit modernen, effizienten Tools und Analysemethoden die Qualität zu steigern, Engpässe zu beseitigen, die Ausbeute zu erhöhen sowie Energie und Rohstoffe einzusparen und generell die Kosten zu senken.

Schritt 1: Industrie-4.0-Readyness

Mit I4.0-Readyness sollen Kunden in die Lage versetzt werden, ein Industrie-4.0- Projekt, speziell die datengetriebene Analyse, durchzuführen. Dazu müssen verschiedene Aspekte geklärt werden:

  • Analyse des Kunden
    • Gibt es Bereitschaft, Verständnis und Nutzen erwartende Cases für derartige Projekte?
  • Analyse des Prozesses
    • Ist der zu analysierende Prozess standardisiert?
    • Wie hoch ist der Grad der Sensorik/Automatisierung?
  • Analyse der Datenbasis
    • Welche Daten stehen bereits in welcher Qualität zur Verfügung?
    • Kann man online auf die Daten zugreifen?
    • Kann man die Informationen aus den verschiedenen Datenquellen verknüpfen?

Dieses Vorgehen lehnt sich an den von der acatech beschriebenen Industrie 4.0 Maturity Index an.

Schritt 2: Schneller Prototyp

In dieser Phase des Projektes stellt der Kunde historische Daten aus der Produktion zur Verfügung, die von den Big-Data-Experten analysiert werden. Ziel ist es beim Kunden ein besseres Verständnis für die Technologie und Methodik zu entwickeln und ihm die Leistungsfähigkeit der Analyse- und Optimierungs-Methoden zu demonstrieren. Die Umsetzung dauert erfahrungsgemäss etwa drei Wochen.

Nach Abschluss erhält der Kunde eine Auswertung. Diese Kurzanalyse mit einem Fokus auf wenige wichtige Einflussfaktoren und einfache Zusammenhänge liefert bereits erste Hinweise und Hilfestellungen auf Basis der zur Verfügung gestellten Daten, wie die Produktion oder die Qualität verbessert werden kann.

Schritt 3: Offline-Analyse

Bei der Offline-Analyse soll ein definierter Use Case mit einer konkreten Zielsetzung modelliert werden. Gemeinsam mit dem Kunden wird festgelegt, welche Ressourcen hier berücksichtigt werden sollen und welche Ergebnisse angestrebt werden.

Nach Abschluss erhält der Kunde:

  • Ein Simulations-Tool: Die Lösung liegt auf den Servern von acs, der Kunde bekommt einen Online-Zugriff auf das für ihn entwickelte Datenanalyse-Modell, das aufzeigt, wie sich Änderungen an bestimmten Parametern auf die Produktion auswirken;
  • Dashboard: Hier finden sich interessante Visualisierungen, die aufgedeckte Korrelationen darstellen, beispielsweise mittels der „Parallel-Coordinates“-Methode;
  • Ein Training-on- the-Job;
  • Reports: PDFs mit Berichten über erzielbare Veränderungen;
  • Auswertung: Zusammen mit den Reports liefert die Auswertung Handlungsempfehlungen für weitere Projektschritte.

Schritt 4: Online-Integration

Das mit der Offline-Analyse entwickelte Modell wird in den Produktionsprozess beim Kunden implementiert. Von nun an werden dem Modell Online-Daten zugeführt und die Ergebnisse – zum Beispiel Vorhersagen über Zielgrössen (Qualität, Ausbeute und ähnliches) – dem Anwender angezeigt, beispielsweise auf dem Leitstand. Zur Online-Integration gehört auch eine Datenintegration: Daten aus der Anlage sowie aus zusätzlichen Datenquellen werden im MES, im ERP oder einer Daten-Cloud zusammengeführt und online verfügbar gemacht.

Schritt 4a: Manuelle Kontrolle

Eine in den Regelkreis implementierte Lösung (Closed Loop) ist nicht vorgesehen. Es bleibt also immer in der Hand des Anwenders, Anpassungen am bestehenden Modell vorzunehmen. Aus Sicherheitsgründen darf ein maschineller Automatismus beispielsweise keine neue Sollwerte festlegen, ohne dass die Anwender darüber informiert würden. Des Weiteren müssen Modelle manuell validiert und nachtrainiert werden. Das garantiert, dass auch unter veränderten Bedingungen – zum Beispiel Veränderungen an den Prozessunits oder Rezepturen – das Modell mit einer hoher Analyse- und Vorhersagequalität arbeitet.

Nach Abschluss erhält der Kunde:

  • Ein in seine Anlage integriertes Online-Simulations- Tool: In dieser Version wurden die Modelle und Daten aufgrund der Erkenntnisse bei der Online-Integration aktualisiert, das heisst zum Beispiel auf eine erhöhte Anzahl von Einflussparametern erweitert.

Schritt 4b: Automatisches Nachtrainieren

Auf Wunsch des Kunden können auch online integrierte Modelle installiert werden, die nicht manuell, sondern automatisch nachtrainiert werden.

Schritt 5: Optimierung

Das im Schritt 4 implementierte Modell wird so erweitert, dass es im Sinne eines Assistenzsystems verwendet werden kann, um Stellgrössen an Prozessen vorzuschlagen. Es bleibt jedoch dem Anwender überlassen, ob er die empfohlenen Massnahmen zur Nachsteuerung des Produktionsprozesses tatsächlich umsetzt. Ergebnis und Umsetzung (online, offline) sind projektspezifisch.

Fazit Anleitung zur Prozess-Optimierung

Projektpläne wie dieser wurden in Teilen schon mit früheren Konzepten umgesetzt. Industrie 4.0 schafft mit der zunehmenden Digitalisierung und dem Einsatz von Big Data Analytics eine neue technische Grundlage, die sowohl bei den Methoden als auch bei den Werkzeugen deutliche Fortschritte ermöglicht. Weit verbreitet sind in der Industrie inzwischen Big-Data- Anwendungen auf Basis von Microsofts Cloud-Plattform Azure. Dazu zählt beispieltsweise die Analytik-Plattform Dataiku.

Für Kunden entscheidend ist, dass sie einen klaren Entwicklungspfad aufgezeigt bekommen, wie sie ihre Prozesse optimieren können, und dass die Lösungen auch den Bedürfnissen und Fähigkeiten der Bediener entspricht, so dass der Umsetzung nichts im Wege steht. Ein Projektplan, der diesen Prämissen entspricht, gibt Kunden die Sicherheit, das angestrebte Ziel zu erreichen

Big Data Analytics