IoT – Bin ich schon drin?

Das Ziel ist klar, manchmal – manchmal auch nicht. Hauptsache irgendetwas mit „Industrie 4.0“, was und wie ist egal. So kommt einem so manche Strategie zur digitalen Transformation vor. Dabei bietet eine richtig umgesetzte Unternehmensausrichtung zur smarten Fabrik viel Potenzial und auf dem Weg dorthin schon so einige tief hängende Früchte. Also zugreifen! – Beispiel: vorausschauende Wartung.

In der „finalen“ Industrie 4.0 fertigen wir auf Kundenwunsch in Losgröße 1, die Maschinen und Materialien koordinieren sich dafür selbständig und wir haben die volle Transparenz und Flexibilität, die wir für eine smarte Produktion benötigen. Doch der Weg dorthin ist lang und steinig und das Ergebnis wird sicherlich nicht ganz so rosarot aussehen wie eingangs geschildert. Leider sind diese Unwägbarkeiten oftmals ein Grund dafür, dass entsprechende Projekte nicht, oder nur zögerlich angegangen werden.

Dabei können auf dem Weg in die Industrie 4.0 schon zahlreiche Vorteile realisiert und genutzt werden, die helfen, die Akzeptanz zu erhöhen und Investitionen schneller zu amortisieren. Ganz so, wie beim autonomen Autofahren. Schon heute helfen uns im „connected Car“ Sensoren die Spur zu halten und einzuparken. All das, was in einem Gesamtsystem zum autonomen Fahren benötigt wird.

Vier Phasen der Entwicklung

Teilen wir den Entwicklungsstand zu einer vollvernetzten, optimierten Produktion in vier Phasen auf und betrachten die zunehmenden Vorteile und den Nutzen auf diesem Weg.

Phase 1: Sichtbarkeit umsetzen

Phase 2: Transparenz schaffen

Phase 3: Prognosefähigkeit sicherstellen

Phase 4: Adaptierbarkeit nutzen

Abbildung 1: Nutzen auf dem Weg zur Industrie 4.0 (vgl. acatech) Abbildung 1: Nutzen auf dem Weg zur Industrie 4.0 (vgl. acatech), Quelle: Trebing + Himstedt

In der Phase eins geht es zunächst einmal darum, einen digitalen Schatten, also ein Abbild, der Produktion herzustellen. Dieses Abbild verschafft in erster Linie Sichtbarkeit, um zu überblicken, was gerade (in Echtzeit!) überhaupt passiert. Das können ganz kleine Teilprojekte sein. Zum Beispiel eine Anlage, die nicht nur an der Signallampe anzeigt, dass sie eine Störung hat. Stattdessen wird im Andon-Board oder Hallencockpit des Meisters die Maschine rot. Sofort wird am Arbeitsplatz des Meisters das Problem sichtbar – nicht erst, wenn er in der Werkshalle steht und die Ampel auch im Blick hat. Die Anbindung von Maschinensignalen für eine Zustandsüberwachung (Condition Monitoring) ist zu meist recht einfach. In der Regel reicht eine SPS und eine OPC-Verbindung aus, um die Signale abzugreifen. Im SAP-Umfeld bietet der SAP Plant Connectivity (SAP PCo) eine Möglichkeit der universellen Maschinenanbindung mit einem OPC UA Server. Ein anderes Beispiel wäre ein Dashboard, welches den Auftragsstatus anzeigt und den Fortschritt visualisiert. Gutteile werden unmittelbar elektronisch an das ERP zurückgemeldet und gleichzeitig visualisiert ein Bildschirm an der Anlage wie viel noch zur Auftragserfüllung oder zum Schichtziel fehlt. Auch im Qualitätsmanagement sind digitalisierte Prozesse hilfreich. So können Arbeitsschritte und Testergebnisse im Hintergrund vollautomatisch mitprotokolliert und überwacht werden. Sollten Werte außerhalb der Norm oder Arbeitsschritte nicht durchgeführt worden sein, wird ein Werkstück automatisch für die nächste Arbeitsstation gesperrt und es wird z. B. letztendlich kein Versandetikett für den Druck freigegeben. Damit kann kein fehlerhaftes Produkt versehentlich beim Kunden landen.

Im Beispiel der vorausschauenden Wartung wäre ein Remote Monitoring der Komponente, Maschine oder Anlage ein Einstiegsszenario. Realisiert wird dies mittels Sensoren, die die reine Verfügbarkeit anzeigen (Maschine läuft / läuft nicht) bzw. bereits relevante Parameter wie Temperatur oder Vibration überwachen und die Daten an eine zentrale Stelle senden.

Remote Monitoring von Maschinen mit SAP Predictive Maintenance Abbildung 2: Remote Monitoring von Maschinen mit SAP Predictive Maintenance, Quelle: Trebing + Himstedt

Überblick und Transparenz

Die zentrale Stelle leitet bereits die Phase zwei ein. Die gesendeten Sensordaten können sehr schnell zu Massendaten (Big Data) anwachsen. Um den Überblick zu behalten und Transparenz zu schaffen, muss ein zentraler Punkt der Wahrheit geschaffen werden. Das bedeutet nicht, unterschiedliche Datenbanken mit verschiedenen Interpretations­möglichkeiten zu haben, sondern quasi die nicht aggregierten (also nicht bereits zusammengefassten) Stammdaten, auf der alle weiteren Auswertungen basieren, zu verwenden. Alleine diese Tatsache wird im Unternehmen schon Doppelarbeit vermeiden und Entscheidungen beschleunigen, da kein Datenabgleich mehr notwendig ist. Die Geschwindigkeitsvorteile einer In-Memory-Datenbank wie der SAP HANA erlauben auch, auf die vorherige Aggregation von Daten zu verzichten. Dies führt ebenfalls zu schnelleren Entscheidungen, da nicht zunächst eine Nacht vorher eine „Datenlauf“ stattfinden muss. Die Auswertung der historischen Daten wird helfen zu verstehen, warum etwas passiert ist und z. B. durch einen kontinuierlichen Verbesserungsprozess (KVP) Fehler zukünftig zu vermeiden.

In unserem Predictive-Maintenance-Beispiel können die historischen Monitoring-Daten analysiert und visualisiert werden, um zu verstehen, warum eine Maschine ausgefallen ist. Steigt zum Beispiel eine Temperatur vor einem Ausfall stark an, können die Gründe dafür analysiert werden.

Temperaturverlauf bis zur Maschinenstörung zur Mustererkennung Abbildung 3: Temperaturverlauf bis zur Maschinenstörung zur Mustererkennung, Quelle: Trebing + Himstedt

Gegebenenfalls kann die Instandhaltung betroffene Teile zukünftig präventiv austauschen oder ab einer bestimmten (Durchschnitts-)Temperatur wird eine Alarmmeldung generiert. Lassen sich auf dieser Basis Muster erkennen, können aus dieser „Maschinenlernumgebung“ Verhaltensweisen analysiert und für zukünftig vergleichbare Situationen Vorhersagen getroffen werden. Also in etwa, bei dieser Temperatur und der Vibration ist in 80 % der Fälle die Maschine in drei Tagen ausgefallen. Und schon befinden wir uns in Phase drei, der Prognosefähigkeit.

Optimierte Planung durch Prognosefähigkeit

Durch Predictive Services sind wir in der Lage, mit bestimmter Wahrscheinlichkeit Vorhersagen über Zustandsänderungen in der Zukunft zu machen. Der Vorteil ist, dass man auf gewisse Situationen besser vorbereitet ist und dieser Kenntnisstand bereits in der Planung optimiert genutzt werden kann. Es passieren weniger Ausfallzeiten und die Wartung findet nur dann statt, wenn es sein soll / muss. Sie kann darüber hinaus in Zeiten passieren, die weniger oder gar nicht produktionsrelevant sind.

Ein Studie[1] hat gezeigt, dass durch den Einsatz von Predictive Maintenance die Wartungskosten um 30 % und die Ausfallzeiten um 70 % gesenkt werden konnten.

Studien zeigen Vorteile der vorausschauenden Wartung Abbildung 4: Studien zeigen Vorteile der vorausschauenden Wartung, Quelle: Trebing + Himstedt

Ein entscheidender Faktor ist hier die Mustererkennung. Für die Maschinenlernumgebung ist eine intelligente Sensorik und Vernetzung notwendig.

Entscheidungsbaum über historische Daten zur Mustererkennung Abbildung 5: Entscheidungsbaum über historische Daten zur Mustererkennung, Quelle: Trebing + Himstedt

Über die erfassten Daten (Big Data) kann dann mittels Analytics eine automatisierte Mustererkennung laufen. Oder man bedient sich entsprechender Analyse-Experten (Data Analyst) am Markt, um wiederkehrende Mustererkennung zu betreiben. In einer smart vernetzten Produktion mit intelligenten Maschinen ist es auch vorstellbar, dass Komponenten selbst – mit Hilfe eines digitalen Produktdatenblattes – gleich eigene Muster (Fingerprint) mitliefern, die z. B. zu bekannten Fehlern führen. SAP bietet mit dem Asset Intelligent Network (AIN) basierend auf der SAP HANA Cloud Platform (HCP) dafür bereits heute eine entsprechende Cloud-Datenbanklösung.

Big Data wird zu Smart Data

Dann sind wir schon fast in der finalen Industrie 4.0 Phase 4 angekommen. Die Sensoren melden die Daten, die Vernetzung transportiert die Daten an die richtige Stelle und mit intelligenten Algorithmen wird aus Big Data endlich Smart Data. Somit ist die Basis für eine autonome oder teilautonome Produktion gelegt. In unserem Beispiel kann der Instandhaltungsplan unter Einbezug der Sensoren und Mustererkennung und unter Berücksichtigung der Auftragslage in Echtzeit automatisch optimiert werden. Vor Ort wird dem Instandhalter dann auf dem Tablet oder in der Datenbrille die Arbeitsanweisung angezeigt und die Durchführung kontrolliert. Nach Abschluss der Arbeiten meldet sich die Anlage wieder selbständig zum Dienst!

Viele Unternehmen sind somit schon drin, auf dem richtigen Weg zur smarten Fabrik und wissen es vielleicht noch gar nicht. Wenn man eine Vision hat, ist es auch gar nicht mehr schwierig die richtigen Entscheidungen heute zu treffen, um die Vision in kleinen Schritten umzusetzen und schon jetzt davon zu profitieren. Groß denken, klein starten! Wichtig ist: gehen Sie jetzt den nächsten kleinen Schritt, bevor Ihr Wettbewerber es macht. Frei nach dem Motto: „Ein kleiner Schritt für Ihr Unternehmen, aber ein großer Schritt für die smarte Zukunft.“

Weitere Informationen zu Predictive Maintenance & Service mit SAP unter www.t-h.de/pdms

[1] Studie des Weltwirtschaftsforums und des Beratungsunternehmens Accenture

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.