Inhaltsverzeichnis
1. Industrielle Fertigung: intelligente Fabrik dank vernetzter Sensoren
2. Arbeitsteilung in der industriellen Fertigung: von der Edge in die Cloud
3. Leistungsfähige Datenbanken für die industrielle Fertigung
4. Datengetriebene Erkenntnisse in der industriellen Fertigung
5. Predictive Maintenance Spitzenreiter bei den IIoT-Anwendungen in der industriellen Fertigung
6. Viele Daten gleich viele Möglichkeiten in der industriellen Fertigung?
Vollkommen zurecht beherrschen die Themen Digitalisierung, Smart Factory und Big Data die Agenden der Industrieunternehmen. Denn um mit den schnellen Entwicklungen einer immer digitaler werdenden Welt mitzukommen, führt das Thema auch in der Fertigung an niemandem mehr vorbei. Dabei hat nicht zuletzt auch die anhaltende Corona-Pandemie gezeigt, wie wichtig es ist, hier gut aufgestellt zu sein: 40% der Industrieunternehmen in Deutschland wollen laut einer IDC-Studie aus dem Jahr 2021 verstärkt im Bereich Industrial IoT (Industrial Internet of Things, IIoT) investieren. Ganz vorn dabei sind die Themen der Vernetzung von Maschinen, Werkzeugen und Produkten – oder kurz gesagt: die Digitalisierung der Fertigung. Die so gewonnenen Daten sollen genutzt werden, um Automatisierung und Analysen zu ermöglichen und um neue Geschäftsmodelle aufzubauen.
Industrielle Fertigung: intelligente Fabrik dank vernetzter Sensoren
Um diese Daten in gewünschter Menge und Qualität zu haben, bedarf es einer intelligenten Fabrik, der sogenannten Smart Factory. Mit einer Produktionsumgebung aus vernetzten Logistiksystemen und Fertigungsanlagen ist sie die Grundvoraussetzung des Industrial IoT, da sie die Infrastruktur zum Datenaustausch und damit die Anbindung an Cloud-Anwendungen ermöglicht. Konkret bedeutet das, dass jedes für die Produktion wichtige Element, jede Maschine, jeder Prozess mit entsprechenden Sensoren, Prozessoren und Funktechnik ausgestattet ist. Diese Sensoren können Daten über den Maschinenstatus, etwa Temperatur oder Leistungsaufnahme übermitteln. Von Gateways gebündelt, werden die Datenströme aus diesen Sensoren heraus gebündelt an die Cloud geliefert. Durch Edge Gateways ist zudem auch ein Einsatz ganz oder teilweise ohne Cloud möglich.
Arbeitsteilung in der industriellen Fertigung: von der Edge in die Cloud
Gab es vor einigen Jahren noch einen regelrechten Cloud-Boom, so ist es mittlerweile eher sinnvoll, auf eine gute Balance zwischen Edge und Cloud zu setzen. Vor allem die Datenverarbeitung on the Edge birgt enormes Potenzial, und das nicht nur als sinnvolle Ergänzungen und für die Arbeitsteilung. Laut Moor Insights & Strategy werden langfristig 99% der Daten on the Edge bleiben. Edge Devices sammeln, filtern und speichern Daten und können sogar Analysen direkt in der Fabrik (Analytics on the Edge) ermöglichen. Das spart Zeit und optimiert Ressourcen, denn zum Beispiel bei der Überwachung von schnellen Prozessen kann die Abfrage über die Cloud eventuell zu lange dauern; auch ist es ökonomischer die Mehrzahl der Analysen an der Edge zu machen und Sensor-/Maschinendaten nur selektiv in die Cloud zu schicken um die Learning-Modelle zu optimieren oder globale Visibilität an Trends zu haben mit aggregierten Daten. Dieser Mix von Cloud-Anwendungen ergänzt den Edge-Ansatz damit optimal.
Leistungsfähige Datenbanken für die industrielle Fertigung
Um hier jedes Potenzial voll auszuschöpfen, sind leistungsfähige Datenbanken notwendig, die gleichermaßen in der Edge und der Cloud arbeiten und speziell für die Smart Factory Use Cases konzipiert wurden. Kommen hier nicht auf die digitalen Prozesse optimierte Datenbanken zum Einsatz, bedarf es unnötiger Schnittstellen, die neben Sicherheitslücken auch wertvolle Bearbeitungszeit bedeuten. Um das zu verhindern, sollte das Datenbanksystem für das Industrial IoT geeignet sein. Das ist der Fall, wenn eine Datenbank „versteht“, was sie mit Machine Data und relationalen Daten machen kann. Mit anderen Worten: Sie sollte in der Lage sein, rasch Zeitreihendaten zu verarbeiten und zugunsten der einfachen Weiterbearbeitung sollte sie ein SQL Interface haben. Ersteres ist unabdingbar, denn die Smart Factory erzeugt in jeder Sekunde laufend Daten – die meistens unstrukturiert sind (wie etwa von Sensoren, Fotos, etc). Diese müssen nicht nur gespeichert, sondern auch in Echtzeit weiterverarbeitet werden, denn ihr Status altert rasant. Werden diese Daten auch langfristig in der Cloud gespeichert, ermöglichen sie zwei enorme Vorteile: Der erste ist eine Momentaufnahme der Smart Factory, die zum Beispiel für Digital-Twin-Konzepte benötigt wird. Der zweite Vorteil ist der Überblick über die langfristige Entwicklung der Smart Factory oder von mehreren Produktionsstätten – und mögliche Vorhersagen dank Machine Learning.
Datengetriebene Erkenntnisse in der industriellen Fertigung
Bis zu diesem Punkt klingt vieles sehr vielversprechend, aber auch etwas theoretisch. Doch welche konkreten Anwendungsbereiche für datengetriebene Erkenntnisse in der Industrieproduktion gibt es derzeit? Eine erste Möglichkeit ist das bereits erwähnte Digital-Twin-Konzept. Denn die Echtzeitdaten erlauben es, in der Cloud einen digitalen Zwilling einer Anlage aufzubauen. Diese Visualisierung des Shopfloors ermöglicht eine optimale Analyse und Steuerung und arbeitet zudem auch als Simulation. Unternehmen erproben damit beispielsweise andere Herstellungsparameter ohne Auswirkung auf die tatsächliche Fertigung. Auch lässt sich damit ein Replay einer früheren Situation nachspielen und daraus Schlüsse für Produktentwicklung und Prozessoptimierung ziehen. Besonders spannend ist auch der Einsatz in der Individualisierung der Massenproduktion. Fertigungsverfahren wie der datengesteuerte 3D-Druck (aber auch andere intelligente, flexible Produktionstechnologien) ermöglichen eine kundenindividuelle Massenproduktion, die auch bis zu einer Losgröße von 1 rentabel sein kann. Und wo wir gerade bei kleinen Losen sind, ist es auch ganz passend, über die nicht ganz so großen Geräte zu sprechen, an denen Sensoren zum Einsatz kommen können. Denn nicht nur Maschinen in Fabriken lassen sich damit ausrüsten, miniaturisierte IoT-Sensorboxen können auch von der Maschine bis zum LKW nahezu überall angebracht werden. Interessant wird es hier, wenn die Sensorboxen mit integrierten GPS-Modulen ausgestattet werden und eine Geolokalisierung möglich machen.
Predictive Maintenance Spitzenreiter bei den IIoT-Anwendungen in der industriellen Fertigung
Doch auch das Thema Verschleiß ist in der Fertigung äußerst wichtig. Es geht hierbei sowohl um optimierte Kostenplanung aber natürlich auch um das Thema Sicherheit. Dieses Predictive Maintenance ist im Grunde genommen nichts anders als Machine Learning, also die Auswertung der Maschinendaten mit lernfähigen Algorithmen. Damit lässt sich der Verschleiß von beweglichen Teilen genauso erkennen wie ein Abflachen der Qualität – und entsprechend frühzeitig handeln. Die Maintenance kann dann mit AR-Technologien vom Servicepersonal vor Ort durchgeführt werden oder sogar mit Remote Support via VR, um das technische Servicepersonal durch die Reparatur oder Maintenance zu leiten. Es ist daher nicht weiter verwunderlich, dass 27% der von der IDC befragten Unternehmen Predictive Maintenance im Einsatz haben und es daher einer der Spitzenreiter unter den IIoT-Anwendungen ist.
Zuletzt noch zwei Anwendungsbereiche, die schon als Basics bezeichnet werden können. Gemeint sind das Condition Monitoring auf der einen Seite und die Qualitätssicherung auf der anderen. Ersteres ist die Zustandsüberwachung. Besonders entscheidend für Maschinenhersteller und Anlagen, die ohne dauerhafte Überwachung durch Personal arbeiten: die Smart Factory sendet Daten über Produktionsfaktoren in die Cloud. Digitale Technologien erlauben dann eine Remote Control und alarmieren bei Problemen das Bereitschaftspersonal der Firma oder auch des Herstellers zum Beispiel über deren Smartphone. Produktionsdaten können aber auch bei der Qualitätssicherung helfen. Auf dieser bauen auch weite Teile des Predictive Maintenance auf, denn die Datenerhebung gibt hierfür den genauen Zeitpunkt an, wann ein Werkzeug ausgewechselt werden sollte. Und auch hier können historische Daten zu Rate gezogen werden, um Qualitätsprobleme im Nachhinein genauer zu analysieren. Gleichzeitig sind sie ein sehr zuverlässiger Blick in die Glaskugel, denn mit Machine-Learning-Ansätzen ermöglichen sie es, zukünftiges Verhalten vorherzusagen.
Viele Daten gleich viele Möglichkeiten in der industriellen Fertigung?
Die klassische Fertigung ist in ihrer Gänze oft eine einzige Blackbox. Rohstoffe werden zugeliefert und am Ende der Produktionslinie steht das fertige Produkt. Ist daran etwas fehlerhaft, beginnt die große Suche nach der falschen Einstellung oder dem kaputten Teil der Fertigung. Die Smart Factory öffnet diese Blackbox, bringt aber neben Transparenz auch eine größere Effizienz und Flexibilität in die Prozesse. Sie kann Datenströme optimieren und steigert damit den Wert aus den Daten für das jeweilige Unternehmen. Die Auswertung der Qualitätsdaten verringert zudem den Ausschuss und die Zustandsüberwachung senkt Ausfallzeiten. Neben der Verbesserung der wichtigsten Kennzahlen wie OEE oder NEE trägt eine funktionierende Smart Factory auch zu den Sustainability- und Safety-Zielen bei, die neben den operativen KPIs in der heutigen Zeit wichtiger Baustein der Firmenstrategien sind. Wirtschaftlicher Erfolg ist daher längst nicht nur eine Frage der Größe der Fertigung, sondern auch ihrer Digitalisierung. Neben Data Analytics bilden daher effiziente und leistungsfähige Datenbanken das Fundament einer intelligenten Fabrik. (jg)
Details zur Crate IoT Data Platform für die Diskrete Fertigung (engl.):
Kontakt:
Crate.io GmbH
Lobeckstraße 36–40
10969 Berlin
+49 30 120 895-580
office@crate.io
www.crate.io
Eva Schönleitner, CEO bei Crate.ioBild: Crate.io
Die Autorin
Eva Schönleitner ist CEO bei Crate.io, einem führenden Anbieter von Echtzeit-Datenbanklösungen für IIoT-Kunden und -Anwender. Sie studierte Chemie und Mathematik an der Kepler Universität in Linz und hat einen MBA von der Emory University in Atlanta, Georgia. Sie verbrachte 20 Jahre in den USA in Vertriebs-, Marketing- und Produktmanagement-Positionen von High-Tech-Unternehmen. Weitere internationale Erfahrungen sammelte sie in Zentral- und Osteuropa in leitenden Positionen. Von 2017 bis 2020 baute sie bei ABB im Rahmen der digitalen Strategie des Unternehmens globale digitale Partnerschaften auf.
