iProd

Mehrwert schaffen durch standardisierte Vernetzung. Die Vernetzung von Produktionsmaschinen mithilfe von Cloudtechnologie zu einem Industrial Internet of Things, kurz IIoT, schreitet bei uns voran. Im Fall der Westaflexwerk betrachten wir dazu insgesamt 5 Geschäftsbereiche mit voll-, teil-automatisierter Fertigung, sowie Montage-Arbeitsplätzen. Es ist eine grosse Chance, mit den vorhandenen Strukturen und Applikationen unsere unternehmens-internen Maschinen- und Sensordaten zu sammeln und auszuwerten, aber auch die Vernetzung untereinander, das heisst unternehmens-übergreifend, voranzutreiben. Grundvoraussetzung hierfür sind generell standardisierte Schnittstellen. Erst sie gewährleisten uns die reibungslose Interoperabilität unterschiedlicher Maschinen und Systeme. Für diese Datenanalyse fokussieren wir uns auf das Geschäftsfelder der Automobil-Zulieferung mit mittleren Serien und volantilen Abrufchargen. Diese haben zusätzlich eine Rohrnachbehandlung, welche im Zuge der Flexrohr-Fertigung angeschlosssen ist. Unter dem Schlagwort Industrie4.0 verstehen wir unter anderem die effiziente Interaktion unser Maschinen und Arbeitsplätze. Die besonderen Herausforderungen liegen in der Komplexität der Maschinenparameter, sowie dem Verlust von Erfahrungswissen durch Eintritt ins Rentenalter von Fachpersonal. In jedem Fall soll die Maschinenverfügbarkeit und Zuverlässigkeit im Mehrbediener- und Mehrschichtbetrieb durch das iProd Projekt stabilisiert werden. Mit der Datenauswertung grosser und ergänzend historischer Maschinendaten soll eine Mustererkennung mit Algorithmen zu einer verbesserten Prognose von Wartung und Ersatzteilversorgung gewährleistet sein. Dazu ist es notwendig ebenfalls die Grundlagen der Datenerhebung durch Maschinen-Sensoren zu prüfen, sowie die Zyklen der Datenabrufe und die Einbindung möglicher weiterer Datenquellen, wie exemplarisch die Warenwirtschaft (ERP). Nun gibt es einen signifikanten Unterschied zwischen einfachen und komplizierten einerseits und komplexen Problemen andererseits. Während Erste sich durch eine inhärente Linearität auszeichnen und daher mit regelbasierten Ursache-Wirkungs-Ansätzen sehr effektiv behandelt werden können, gilt dies leider nur eingeschränkt bis gar nicht für die zweite Kategorie. Komplexe Systeme sind im Kern nicht linear. Sie erfordern eine testgetriebene Methodik mit kurzen Feedback-Zyklen (vergleichbar mit einem agilen Workflow) um genau dieses Problem auf Projektebene anzugehen. Um jedoch Feedback für unsere Tests generieren zu können, benötigen wir Metriken und insbesondere Messdaten. Je besser unsere Datenbasis, desto höher ist die Qualität der daraus ableitbaren Schlussfolgerungen. Das bedeutet auch, dass mit steigendem Komplexitätsniveau einer Problemstellung der Bedarf an Daten exponentiell ansteigt.

Wir nutzen hier das Informationsmodell OPC UA mit seinen Spezifikationen zu MES und für CNC-Systeme. Insgesamt haben wir zunächst die Datenstruktur und Datenfelder zur Auswertung durch KI-Programmroutinen festgelegt, um notwendige Verlaufsdaten ergänzt und ganz wichtig, in der Bedienung der Machinenfahrer einfachst integriert. Dieser Innovationszyklus zieht sich wie ein roter Faden durch die einzelnen Projektschritte. So kann vom Maschinennutzer der Zustand seiner Maschine mittels Sensordaten überwacht werden und mit zu entwickelnden Algorithmus-Modellen, die bei bestimmten Werten Ausfallwahrscheinlichkeit vorausgesagt werden. Sein Mehrwert liegt somit auf der Hand: zum einen die Verringerung ungeplanter Maschinenausfälle und zum anderen eine Senkung der Wartungskosten und der damit verbundenen Stillstandszeiten. Dazu waren eine Programmierungs- und Schulungs-Phase notwendig, um an die ersten Datenreihen (Konnextivität) zu gelangen. Das machte es den Maschinenbedienern, als auch der Arbeitsvorbereitung leichter, Informationen zu sammeln, zu konsolidieren und Abteilungs-übergreifend zur Verfügung zu stellen. Mehrwerte, die hieraus geschaffen wurden, sind zum Beispiel Dashboards zum Monitoring unser Fertigungsmaschinen. Die umfangreichen Rohdaten werden im Sekundentakt ermittelt, sowie mit Laufkarten-Kopf und Fertigungs-Auftragsnummer verbunden. So war es möglich, zusätzlich nicht durch Sensoren vorgegebene Werte auch aus Textpassagen-Suche der Laufkarten auszulesen und in den Maschinendaten-Satz als Planwerte einzufügen. Was nebenbei dazu führte eine Hersteller-umfassende Plattform mit möglichst allen Anlagen, die diskriminierungsfrei konzipiert ist, aufzubauen. Perspektivisch müssen sich Benutzer nicht mehr auf den unzähligen Plattformen ihrer Maschinenhersteller anmelden und einloggen, wenn sie beispielsweise Hilfe zu einem Fehlercode benötigen. Eine solche gemeinschaftliche Einstiegsseite soll diesem Ziel dienen und die Akzeptanz, als auch Vertrauen der Anwender erhöhen. Gleichzeitig ist hiermit ein risikoarmer Einstieg, ohne Programmierung für die Anwender innnerhalb unser Plattformen garantiert. Es ist ein weitverbreiteter Irrglaube, dass diese Vorgehensweise auf Geräten mit niedriger Rechenleistung, wie etwa Einplatinencomputern (RaspberryPi) beschränkt sei. Ebenso, wie Deep Learning zwar ein Teilgebiet der Künstlichen Intelligenz ist, aber auch smart Sprachassistenten und speicherprogrammierbare Steuerungen (SPS) umfasst. Diese Zutaten sind in unserem Fall im Schaltschrank der Maschinen auf Steckschienen (Hutschiene) verbaut und beinhalten nicht nur Messwertfühler (Sensoren), sondern auch Stellwertgeber (Aktoren) um eine Situation nach Regeln zu beeinflussen. Das Ergebnis der nun begonnenen Zeitreihen-Analysen soll eben gerade diese Regeln durch Mustererkennung und Lernwiederholungen erkennen und optimieren. Dadurch werden die eingangs formulierten Fragestellungen iterativ beantwortet. Durch die Kombination dieser unterschiedlichen Aspekte wird es möglich, viele der technologischen Fortschritte aus der Softwareindustrie, mit denen die Mitarbeitenden letztlich vertraut geworden sind, von Computern, Smartphones usw auf Geräte, Maschinen, Gebäude, ja, so gut wie alles zu übertragen oder mit dem Internet-Protokoll zu vernetzen.