21. JANUAR 2018

zurück

kommentieren drucken  

Mehrwerte durch Sensoren und Konnektivität


Eine richtig umgesetzte Unternehmensausrichtung zur smarten Fabrik bietet viel Potenzial – zum Beispiel bei der vorausschauenden Wartung.
Mehrseitiger Artikel:
  1 2 3  

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 sein oder Arbeitsschritte nicht durchgeführt worden sein, wird ein Werkstück automatisch für die nächste Arbeitsstation gesperrt und zum Beispiel letztendlich kein Versandetikett für den Druck freigegeben. Damit kann kein fehlerhaftes Produkt versehentlich beim Kunden landen.

Einstiegsszenario

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.

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, sondern quasi die nicht aggregierten (also nicht bereits zusammengefassten) Stammdaten, auf der alle weiteren Auswertungen basieren. 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 zum Beispiel durch einen kontinuierlichen Verbesserungsprozess (KVP) Fehler zukünftig zu vermeiden.

Den Maschinenausfall verstehen

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.

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 Prozent der Fälle die Maschine in drei Tagen ausgefallen. Und schon befinden wir uns in Phase drei, der Prognosefähigkeit.


Mehrseitiger Artikel:
  1 2 3  
Datum:
10.04.2017
Unternehmen:
Bilder:
Trebing + Himstedt
Trebing + Himstedt
Trebing + Himstedt
Trebing + Himstedt
Trebing + Himstedt

kommentieren drucken  


ANZEIGE

 


i-Quadrat 2/2017

  Jetzt Newsletter
abonnieren!


Aktuelle Ausgaben