Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
Eine der Hauptaufgaben von Produktionsverantwortlichen besteht darin einen nahtlosen Produktionsfluss und eine smarte Steuerung von Anlagen und Abläufen bei gleichbleibend hohem Qualitätsund Effizienzniveau zu garantieren Unternehmen stellen dies branchenübergreifend durch digitale Echtzeit-Überwachung sicher Digitale Abbilder von Prozessen und Geräten in Produktionsumgebungen sogenannte digitale Zwillinge können insbesondere in den Anwendungsbereichen Anlagenund Linienüberwachung Wartung und integrative Qualitätskontrolle einen großen Mehrwert bieten Optimierung in Produktion und Instandhaltung In der Produktionsplanung und -steuerung besteht die Herausforderung darin die Produktionslinien und Zuläufe im Shopfloor sicherzustellen Rüstzeiten zu optimieren und Anlaufsimulationen möglichst digital gestützt durchzuführen Grundlage dafür sind Erkenntnisse in Form von Daten aus der laufenden Produktion Diese Daten lassen sich durch die Anbindung von Maschinen oder durch nachträgliches Aufrüsten der Anlagen mit Sensoren dem sogenannten Retro-Fitting erheben Anschließend müssen sie zu einem validen Data-Lake konsolidiert und verarbeitet werden um den Produktionsprozess transparent darzustellen und auf Basis dessen optimieren zu können In der Wartung und Instandhaltung soll der Digital Twin Ausfallzeiten von Maschinen oder ganzen Linien reduzieren Mittlerweile muss nicht nur die lokale Wartung sondern auch der Remote-Zugriff sichergestellt sein Zudem setzt die Industrie immer mehr auf die vorausschauende Wartung also Predictive Maintenance Laut einer BearingPoint-Umfrage von Anfang 2021 setzen sich branchenübergreifend 75 Prozent der Unternehmen aktiv mit dem Thema auseinander Predictive Maintenance soll mögliche Störungen erkennen bevor sie zu Problemen führen Eine typische Lösung dafür ist ein intelligentes auf den erhobenen Produktionsdaten basierendes Warnsystem das zum Beispiel einen Alarm auslöst wenn Maschinen oder Sensoren vom gelernten Normverhalten abweichen Unternehmen profitieren von einer flexiblen bedarfsgerechten Wartung anstelle starrer Service-Modelle Ein Unternehmen das Predictive Maintenance bereits erfolgreich einsetzt ist der amerikanische Halbleiterhersteller Globalfoundries Er nutzt seit kurzem am Standort Dresden eine smarte Sensorik bei der Überwachung der Reinstwasserventile Die Ventile sind produktionskritisch und wurden bislang mit großem Aufwand von Mitarbeitenden analog überwacht Globalfoundries erfasst nun an den Ventilen Audiodaten um dann mit Machine-Learning-Methoden ein Datenmodell zu erstellen Dieses ermöglicht – in Kombination mit kontinuierlich erfassten Sensordaten – eine Bewertung des Ist-Zustands der Ventile die sogenannte „Health Condition“ sowie eine Prognose hinsichtlich zu erwartender Zustandsveränderungen Über ein Dashboard können Fachleute diese Informationen einsehen und entsprechende Wartungsmaßnahmen einleiten Zusätzlich lassen sich detaillierte Verläufe historischer und aktueller Parameter anzeigen sowie Grenzwerte für eine Alarmierung definieren Dies ermöglicht eine frühzeitige Fehlererkennung sowie bedarfsgerechte Wartungsplanung und verhindert dadurch Ausfallzeiten reduziert Wartungskosten und steigert die Zuverlässigkeit und Lebensdauer der Anlage signifikant Anpassen von IoT-Systemen Was Unternehmen wissen sollten Es gibt kein fertiges System das alle Anforderungen eines solchen Smart-Factory-Projekts aus dem Stand erfüllen kann IoT-Systeme in der Produktion haben immer Anpassungsbedarf denn jede Fertigungslinie unterscheidet sich bezüglich der eingesetzten Maschinenparks und damit einhergehenden Steuerungen Daten und Protokolle Anforderungen an die Dashboard-Visualisierung unterscheiden sich in der Regel ebenso wie die zu integrierenden ITund OT-Systeme und Geschäftsprozesse Damit trotzdem ein schneller Projektstart gelingt ist es sinnvoll typische Funktionen in vorgefertigten Modulen und Assets zu kapseln und von den kundenund anlagenspezifischen Aspekten zu trennen Beispiele für solche Module sind etwa Anomalieerkennung AR VRgestützte Wartungsszenarien oder Blockchainbasierte Herstellungsnachweise Trotz Modularisierung und Individualisierung müssen Lösungen im Kern flexibel gestaltet und so implementiert werden dass sie skalierbar sind Das heißt Ein Einstieg muss kostengünstig mit wenigen Anlagen möglich sein und schnell Mehrwerte aufzeigen Gleichzeitig muss die Skalierung auf mehrere Linien und Produktionsstandorte machbar sein Fünf Phasen bis zum Digital Twin Die Entwicklung eines lückenlosen Monitorings von Produktionsanlagen und Fertigungslinien ist ein schrittweiser Prozess Ziel ist ein vollständiges digitales Abbild oder Modell aller Produktionsanlagen und -prozesse also ein Digital Twin der physikalischen Anlagen und Abläufe Auf dem Weg 13 Predictive Maintenance und Machine Learning | Schwerpunkt www industrialproduction de