Maschinendaten für Hersteller – Wichtige Kennzahlen, die Sie im Blick behalten sollten

Die zunehmende Verbreitung des Internets der Dinge (IoT) hat die Hersteller mit einer Datenflut überschwemmt, die sie mit herkömmlichen Methoden der Informationstechnologie kaum bewältigen können.

Da Fabriken immer technologieintensiver werden, ist es für Hersteller unerlässlich geworden, Wege zu finden, diese Maschinendaten zu erfassen und zu analysieren, um wettbewerbsfähig zu bleiben.

Das bedeutet, dass sich Hersteller auf die wichtigsten Kennzahlen konzentrieren müssen, die sich auf ihren Betrieb auswirken, damit sie die Produktion in ihrer gesamten Fertigung überwachen und optimieren können.

Bevor wir jedoch darauf eingehen, hier eine kurze Zusammenfassung der Grundlagen.

Durch die weitgehende Automatisierung der mechanisierten Bereiche eines Fertigungsbetriebs strömt eine Fülle von Daten aus den in der Fabrik installierten Maschinen und Geräten.

Einfacher ausgedrückt sind maschinengenerierte Daten genau das – Daten, die von den Geräten an der Fertigungslinie und in anderen Bereichen der Fabrik stammen. Jede Aktion und jede Entscheidung, die eine Maschine ohne direkte menschliche Eingabe trifft, wird in einem System oder einer Datenbank protokolliert, wodurch maschinengenerierte Daten entstehen.

Dies stellt eine Abkehr von den herkömmlichen Methoden dar, die sich stark auf proprietäre Software stützten, um die unterschiedlichen, uneinheitlichen Daten von Fabrikgeräten zu erfassen und zu sortieren. Die heutige Datenflut erfordert jedoch einen höheren Verarbeitungsaufwand, um den Teams, die den Betrieb steuern, verwertbare Erkenntnisse zu liefern.

Hier sind einige Beispiele für maschinengenerierte Daten, wie sie in einer typischen Produktionsstätte anfallen.

Je komplexer die Fertigungsprozesse werden, desto komplexer werden auch die Geräte, die in der Fertigung benötigt werden. Folglich liefern diese Maschinen bei der Ausübung ihrer verschiedenen Funktionen unterschiedliche Arten von Daten.

Daher lassen sich maschinengenerierte Daten grob in folgende Kategorien einteilen:

• Sensordaten: Da Maschinen während ihrer geplanten Betriebszeit nahezu ununterbrochen laufen, durchlaufen sie verschiedene Funktionen und Prozesse, die wertvolle Daten liefern. Sensoren in den Maschinen erfassen Druck, Temperatur, Luftfeuchtigkeit, Vibrationen, Beschleunigung und sogar Leistungswerte. Diese Art der Maschinendatenerfassung spielt eine zentrale Rolle dabei, den Zustand der Anlagen anhand Gesamtanlageneffektivität (OEE) im Blick zu behalten , und liefert wichtige Informationen für Entscheidungen zur vorausschauenden Instandhaltung und Fehlerbehebung.

• Protokolldaten: Einige Maschinen nutzen Datenbanken, in denen verschiedene Arten von Daten protokolliert werden, die für die Analyse der Leistung und anderer wichtiger Faktoren in der Fertigung von entscheidender Bedeutung sind. Darüber hinaus können verschiedene Anwendungen, Webserver und Dateisysteme, die in Fertigungsprozessen zum Einsatz kommen, ideale Quellen für diese maschinengenerierten Daten sein.

• Netzwerkdaten: Eine mit vernetzten Maschinen und intelligenten Geräten ausgestattete Fertigungshalle generiert eine Vielzahl von Netzwerkdaten, da diese Geräte im Laufe der Produktion miteinander kommunizieren. Die Maschinen interagieren nicht nur drahtlos über edge devices, sondern können dies auch über kabelgebundene Verbindungen in lokalen Netzwerken tun. Daher erleichtert die Analyse der Maschinendaten die Überwachung der Integrität des Netzwerks, über das diese Daten übertragen werden.

Sehen Sie sich unser On-Demand-Webinar an: Verschaffen Sie sich mit Maschinenüberwachung einen ganzheitlichen Überblick über Ihre Betriebsabläufe Maschinenüberwachung

Unternehmen, die digitale Technologien in ihre Betriebsabläufe integrieren, sind besser in der Lage, Prozesse zu optimieren und so einen reibungslosen Produktionsablauf sowie kontinuierliche Verbesserungen zu gewährleisten. Inwieweit ein Unternehmen in der Lage ist, kontinuierlicher Verbesserungsprozess voranzutreiben, kontinuierlicher Verbesserungsprozess davon kontinuierlicher Verbesserungsprozess , wie und wo es Maßnahmen zur Erfassung von Maschinendaten umsetzt.

Bevor Sie mit der Datenerfassung beginnen, sollten Sie unbedingt Ihre Geschäftsprozesse genau unter die Lupe nehmen, um Ihre derzeitigen Kapazitäten zur Erfassung von Maschinendaten zu ermitteln und mögliche Lücken in der Datenerfassung aufzudecken.

Anschließend können Sie verschiedene, speziell auf Ihren Betrieb zugeschnittene Lösungen einführen, um die für die Optimierung erforderlichen Daten zu erheben.

Hier sind einige Beispiele für wichtige Quellen zur Erfassung von Maschinendaten:

• Maschinen in der Fertigung: Gerade die Maschinen in der Fertigung sind eine hervorragende Quelle für wertvolle Daten. Moderne Maschinen sind mit verschiedenen Sensoren ausgestattet, die unterschiedliche Arten von Daten liefern. Diese Daten geben Aufschluss über den Status der jeweiligen Maschine und ermöglichen es den Bedienern, bei Bedarf fundierte Entscheidungen zu treffen. Darüber hinaus verfügen einige Werke über Edge-Computing-Lösungen, die diese Daten analysieren, sodass beim Prozess der Maschinenoptimierung kein menschliches Eingreifen mehr erforderlich ist.

• Vernetzte Systeme: Maschinen in der Fertigung liefern nicht immer ein vollständiges Bild. Durch den Einsatz vernetzter Fabriksysteme können Sie daher externe Anwendungen integrieren und so einen ganzheitlicheren Überblick über die von Maschinen und Industrieanlagen erzeugten Daten gewinnen.

• Menschliche Mitwirkung: Werkzeugmaschinen und vernetzte Systeme können bei der Erfassung wichtiger Daten nur begrenzt helfen. In vielen Fällen sind Bediener vor Ort erforderlich, die bestimmte Daten manuell eingeben, um den Daten mehr Kontext zu verleihen und so fundierte Entscheidungen zu erleichtern.

Vor diesem Hintergrund finden Sie hier einige wichtige Kennzahlen aus der Fertigung, die Sie im Auge behalten sollten:

• Produktionsvolumen: Dies ist die Menge an Produkten, die Ihr Werk vom Band laufen lassen kann.

• Maschinenbetriebszeit und -stillstandszeit: Auch als Laufzeit bezeichnet, ist dies die tatsächliche Zeit, in der eine Maschine in einem bestimmten Zeitraum in Betrieb ist. Diese Kennzahl verdeutlicht die Zeit, die durch Stillstände, Ausfälle oder Schichtwechsel verloren geht.

• Durchsatz: Die Menge an Produkten, die eine Maschine in einem bestimmten Zeitraum produziert. Diese Kennzahl kann auch auf die gesamte Produktionslinie angewendet werden, um deren Effizienz zu überprüfen.

• Gesamtanlageneffektivität (OEE): Als Produktivitätskennzahl Gesamtanlageneffektivität (OEE) den Anteil der Zeit Gesamtanlageneffektivität (OEE) , in der eine Maschine mit maximaler Leistung arbeitet. Die Kennzahl ergibt sich aus der Verfügbarkeit, der Leistung und der Qualität der Maschine.

• Erstausbeute: Die Erstausbeute ist der Anteil der Produkte, die das Band verlassen, keine Mängel aufweisen und die Spezifikationen erfüllen, ohne dass Nachbesserungsarbeiten erforderlich sind.

• Mittlere Betriebsdauer zwischen Ausfällen ( MTBF): Die MTBF gibt an, wie viel Betriebszeit in einem Fertigungsbetrieb durch Geräteausfälle verloren geht. Als solche ist sie auch ein Indikator für die Zuverlässigkeit einer Maschine.

• Durchschnittliche Ausfallzeit: Diese als MDT bezeichnete Kennzahl gibt einen umfassenden Überblick über die für Reparatur- und Wartungsarbeiten benötigte Zeit. Sie umfasst alle Verzögerungen, die durch die Lieferzeit von Ersatzteilen sowie durch die Arbeitszeit der Techniker entstehen.

• Energiekosten pro Einheit: Dies sind die Kosten für Strom, Dampf, Öl oder Gas, die zur Herstellung einer bestimmten Produkteinheit im Werk erforderlich sind.

Sobald Sie die wichtigsten maschinengenerierten Daten erfasst haben, die Sie nachverfolgen möchten, besteht der nächste entscheidende Schritt darin, diese Daten in aussagekräftige Werte umzuwandeln. Es reicht nicht aus, lediglich über maschinengenerierte Daten zu verfügen. Untersuchungen zeigen, dass Datenseen in der Branche zwar immer mehr zur Selbstverständlichkeit werden, Wissenschaftler jedoch nach wie vor 80 % ihrer Zeit damit verbringen, Daten in Tabellenkalkulationen zu bereinigen, anstatt Analysen durchzuführen und Algorithmen zu verfeinern. Ineffiziente Datenseen führen dazu, dass Hersteller in die Falle tappen, zwar über eine Fülle von Daten, aber nur über wenige Informationen zu verfügen.

„Data-rich, information-poor“ (DRIP) ist ein Phänomen, bei dem Unternehmen zwar über eine Fülle von Daten verfügen, es ihnen jedoch an den notwendigen Prozessen mangelt, um diese Daten zu nutzen und Wettbewerbsvorteile zu schaffen. Leider ist DRIP mittlerweile zum Leitbild vieler Hersteller geworden, die massiv in Technologie investiert haben: Ihre Daten quellen über, doch es fehlt ihnen an den Kapazitäten, um mit diesen Daten mehr anzufangen, als sie als PDF-Dateien auszudrucken und ein paar Diagramme und Grafiken zu erstellen.

Um der DRIP-Falle zu entkommen, müssen Hersteller maschinengenerierte Daten durch menschliche Eingaben ergänzen und Angaben dazu machen, wo, wie und von wem die Daten erhoben wurden. Unter Datenkontextualisierung versteht man den Vorgang, bei dem maschinengenerierte Daten durch menschliche Eingaben ergänzt werden, um aus Daten Informationen zu gewinnen. Dies ermöglicht es Ihrem Unternehmen, aussagekräftige und umsetzbare Erkenntnisse zu gewinnen, und ist ein grundlegender Schritt auf dem Weg zu vorausschauenden und anpassungsfähigen Fertigungssystemen.

Durch die Kombination verschiedener Datenquellen und -typen versorgt die Datenkontextualisierung Mitarbeiter an vorderster Front mit Echtzeitinformationen und umsetzbaren Erkenntnissen, sodass sie direkt vor Ort zeitnahe und wirkungsvolle Entscheidungen treffen können. Dies bedeutet nicht nur Verbesserungen bei Effizienz, Qualität und Produktivität, sondern auch ein neues Maß an Agilität, das Unternehmen dabei helfen kann, schnell und nachhaltig zu wachsen.

Wenn Sie erfahren möchten, wie Sie Ihre maschinengenerierten Daten in einen Kontext setzen und in echte Werte umwandeln können, hören Sie sich unser Webinar zum Thema Datenkontextualisierung und -implementierung an.