Im Zuge von Industrie 4.0 herrscht bei Fertigungsunternehmen Druck, auch interne Prozesse effizienter zu gestalten. Vorausschauendes Planen der idealen Intervalle zum Wechsel von Maschinenkomponenten hilft beispielsweise, die Qualität der Produkte zu verbessen und Kosten zu sparen. Eine Möglichkeit hierfür ist, Industrieanlagen zu vernetzen, die Produktionsdaten mittels Sensorik zu erfassen und sie anschließend mit mathematischen Methoden auszuwerten. Auf ein solches Predictive-Analytics-Verfahren setzt der Automobilzulieferer Felss Systems. Das Besondere dabei: Die Software basiert entgegen bisheriger Standards auf indirekten Messungen mit entsprechend intelligenter Auswertung der Daten.
Autozulieferer setzt auf IT-Vorhersagemodell zur Verbesserung der Qualität
Der Spezialist für Kaltumformung aus Baden-Württemberg hat klassische Prüfintervalle in seinem Werk im baden-württembergischen Königsbach-Stein durch einen sogenannten Scoring-Prozess mithilfe eines Vorhersagemodells auf Basis von IBM SPSS in einer Docker-Umgebung ersetzt. Docker ist eine auf Open-Source-basierende Methode zur Isolation von Anwendungen in Containern. Die auf einem Rechner genutzten Ressourcen werden über die Container getrennt und verwaltet. Das Konzept lässt sich mit der Virtualisierung vergleichen. Es vereinfacht laut des Anbieters X-Integrate die Bereitung von Software und macht sie unabhängig von der Plattform, da sich die Container leicht transportieren und installieren lassen.
Predictive-Analytics-Verfahren ist je nach Kundenwunsch flexibel skalierbar
„Wichtig war uns bei der Entwicklung des Überwachungssystems die Skalierbarkeit an die jeweilige Kundensituation. Dies ist durch die trainierbare Scoring-Software möglich. Durch das neue Vorhersagemodul können wir unseren Kunden die Sicherheit bieten, dass keine schadhaften Bauteile in die Folgeproduktionsprozesse gelangen, beziehungsweise in Autos verbaut werden“, erläutert Dr. Matthias Kluge, Leiter für Werkzeug- und Umformtechnik bei Felss Systems, die damaligen Anforderungen. Daher entschied sich der Zulieferer für Docker, um die Statistik- und Analyse-Software SPSS von IBM in Kombination mit dem vom Kölner IT-Spezialisten für Business-Integration-Software, X-Integrate, entwickelten mathematischen Modell auf verschiedene Container zu verteilen.
Das „Dockerisieren“ der Softwarekomponenten ermöglicht, die gesamte Scoring-Lösung auf einem Edge-Gateway zu implementieren und lokal an den Maschinen einer Fertigungsstraße installieren. Unter Berücksichtigung diverser betriebsrelevanter Messwerte, zum Beispiel Druck- und Kraftwerten, können präzise Vorhersagen über die Qualität eines gefertigten Bauteils und den Zustand der Werkzeuge getroffen werden. Durch mathematische Verfahren und neuronale Netze werden dabei jene Teile einer Maschine und eines Werkzeugs indirekt geprüft, die erfahrungsgemäß ein Qualitätsproblem aufweisen könnten.
Scoring ermöglicht Anpassung des Arbeitsprozesses in Echtzeit
Die Anwendung des Scoring-Prozesses führt bei Felss zu einer hohen Treffsicherheit der nächst nötigen Wartung. Noch bevor es im Fertigungsprozess zu Komplikationen oder Ausfällen kommt, erhält der Betreiber der Maschine eine visuelle Benachrichtigung an der betroffenen Anlage. Durch die neue, präzisere Kontrollmöglichkeit kann er Arbeitsschritte in Echtzeit anpassen. Zudem kann der Zulieferer nun gezielter vorhersagen, wann für die einzelnen Maschinen in einer Produktionskette ein Werkzeugwechsel oder die Anpassung der Maschinenparameter oder des Maschinenprofils notwendig ist.
Somit können Felss-Kunden wiederum betroffene Maschinen abschalten oder warten, lange bevor der kritische Punkt überschritten wird. Innerhalb der Fertigungsstraße sinken damit der Ausschuss der Produkte und die Wahrscheinlichkeit eines ungeplanten Maschinenstopps. Auch die Qualitätskontrolle der Bauteile wird durch das Predictive-Analytics-Verfahren erheblich effizienter, so das Credo vonseiten Felss. Personalintensive Prüfungsprozesse der Qualität werden von der Datenmessung über die Berichterstattung bis hin zur Anpassung des Maschinenprofils automatisch erledigt und zur weiteren Optimierung des Vorhersagemodells dokumentiert.
