INNOVATIVE INDUSTRIE
40 NEW BUSINESS • INNOVATIONS | OKTOBER 2018
Fotos: GW Cosmetics, Pixabay
bis zur Planungsebene erfassen, speichern und verarbeiten
sowie dank eines kombinierten Predictive Maintenance- und
Wertstromansatzes die Produktivität der Anlage erhöhen und
gleichzeitig Ausfälle minimieren. Die Basis lieferten hierfür
Machine-Learning-Methoden und innovative IoT-Technologien.
„Trotz unvollständiger Daten konnten neue Vorhersagetools
entwickelt werden, um instandhaltungsrelevante Produktivitätskennzahlen
zu prognostizieren“, zeigt sich die Projektleiterin
Tanja Nemeth von Fraunhofer Austria zufrieden und erklärt
weiter: „Wie auch in unserem konkreten Anwendungsfall
haben viele KMU das Problem, dass die Datenqualität
und die Menge an verfügbaren Daten zum Teil sehr gering
sind. Diese sind aber zentrale Erfolgsfaktoren der Industrie
4.0.“ Aufgrund dieser Problemstellung wurde die Referenzanlage
in einem ersten Schritt um ausgewählte Hardware-
und Softwarekomponenten erweitert. Mithilfe der Sensoren
an der Anlage konnten so vorab identi zierte Datenlecks geschlossen
werden.
Begleitend entwickelten die Forscher des portugiesischen
INEGI-Instituts ein neues Analyse-Tool für einen dynamischen
Wertstromansatz. Das Tool ist dabei in der Lage, historische
Daten, Echtzeit-Maschinendaten sowie auch prognostizierte
instandhaltungsrelevante Kennzahlen anzuzeigen. So
erhalten sowohl die Werksmitarbeiter als auch die Produktionsleitung
von GW Cosmetics über die Echtzeitvisualisierung
permanent Feedback über den Zustand der Anlage und deren
Produktivität. Die Overall Equipment Effectiveness (OEE) wird
auf der Basis von kontinuierlich vorhandenen Qualitätsmessdaten
und dem zukünftigen Produktionsprogramm mit einer
Genauigkeit von 84 Prozent vorhergesagt und so minimiert.
BEST-PRACTICE-MODELL FÜR KMU
„Wir konnten in dem Forschungsprojekt beispielhaft an einem
österreichischen KMU aus der Kosmetikindustrie aufzeigen,
dass trotz mangelnder Datenqualität, heterogener
Datenquellen und -strukturen ein bedeutender Nutzen aus
vorausschauenden Instandhaltungsansätzen für Unternehmen
generiert werden kann“, schlussfolgert Nemeth.
Konkreter Nutzen durch die prognostizierte Gesamtanlageneffektivität
zeigt sich etwa in einer Steigerung der Planungssicherheit
und -stabilität für Produktionsbetriebe. Die Produktionsplanung
kann somit aktiv auf zukünftige Schwankungen
der Gesamtanlageneffektivität reagieren, indem diese bei
der Einlastung von Produktionsaufträgen und bei der Vergabe
von Lieferterminen berücksichtigt werden. Auch die Stillstandszeit
durch bevorstehende Maschinenstörungen kann
mithilfe des Prognosemodells weitgehend reduziert werden.
Wird etwa eine geringere Gesamtanlageneffektivität prognostiziert,
so ist mit einer höheren Zahl an Störfällen zu rechnen.
Dementsprechend können personelle Kapazitäten in der
Instandhaltung in Bereitschaft gestellt werden, um die Reaktionszeit
auf Störungen entscheidend zu verkürzen. „Durch
die fachliche Kompetenz und den einschlägigen Erfahrungsschatz
der Projektpartner konnten zielgerichtete Ergebnisse
erarbeitet werden, die maßgeschneidert auf die Bedürfnisse
der GW Cosmetics abgestimmt waren und somit die Basis für
eine Ef zienzsteigerung in der Produktion bildeten. Zudem
konnten durch das Projekt wesentliche Erkenntnisse gewonnen
werden, um auch in Zukunft die Digitalisierung des Unternehmens
voranzutreiben“, so Wächter abschließend. MW
www.fraunhofer.at