Der Fertigungsprozess in einer Fabrik unterliegt ständigem Wandel. Das oberste Ziel ist, einen möglichst reibungslosen Ablauf der Produktion zu gewährleisten, um damit maximale Ausbringung zu erzeugen. Im Idealfall laufen alle Maschinen störungsfrei.
Die Realität sieht etwas anders aus; der Produktionsleiter sieht sich in der Fertigungshalle immer wieder mit Problemen im Ablauf der Produktion konfrontiert. Störungen, verschlissene Ersatzteile, fehlende Komponenten, die die Leistung der Maschinen drosseln, oder im schlimmsten Fall zum Stillstand bringen.
Möchte man aktiv die Produktion verbessern, führt der Weg oft über eine Fragestellung, wie ein bestimmter Teilprozess so verändert werden kann, um möglichst großen Nutzen für den störungsarmen Ablauf zu erzielen.
Im digitalisierten Fertigungsprozess ist die Entwicklung von Use Cases daher ein wichtiger Bestandteil des Managements, begleitet durch Softwareentwicklung.
Um einen Use Case zu entwickeln, ist es wichtig, sich zunächst einen Überblick über die Anforderungen an das System zu verschaffen. Dies schließt auch die Identifizierung der Akteure ein, die mit dem System interagieren.
Die Umsetzung des Use Cases kann auf verschiedene Art und Weise erfolgen. Erstellt man nun einen digitalen Zwilling der Anlage, oder bedient man sich des Machine Learning, oder Algorithmen zur Erkennung von Störungen mittels KI.
Je nach Geldbeutel und Zeitbudget können alle diese Tools durchaus Sinn ergeben.
Ein digitaler Zwilling ist eine digitale Repräsentation eines realen Objekts, das eine detaillierte und präzise Darstellung des Zustands und der Zusammensetzung des Objekts ermöglicht. Der digitale Zwilling kann in einem Fertigungsunternehmen eine wichtige Rolle spielen, da er eine zuverlässige Grundlage für die Analyse der Produktionsanlagen und der Produkte liefert. Er dient als virtueller Prototyp, um die Fertigungsprozesse zu verstehen und zu optimieren. Durch Simulation bestimmter Szenarien ist der digitale Zwilling bei der Erstellung des Use Cases ein wertvolles Instrument. Allerdings sind für dessen Entwicklung detailliertes Prozess-Know-how und Kennzahlen von hoher Datenqualität nötig, um eine möglichst genaue Kopie zu erschaffen. Kommt der digitale Zwilling nahezu an die 100%ige Abbildung der Realität der Maschine, simuliert man verschiedenste Szenarien, lotet Grenzen aus und trifft so fundierte Vorhersagen zu Maschinenverhalten. Zudem kann man mittels Kombination mehrerer Maschinen Voraussagen über das Reaktionsverhalten von Anlagen ermitteln.
Die Verwendung von Applikationen für Machine Learning und Algorithmen zur Erkennung von Störungen in komplex verketteten Anlagen sind sehr nützliche Werkzeuge, um die Fertigungsprozesse zu optimieren. Diese Tools können dazu beitragen, die Zuverlässigkeit und Leistung der Anlagen zu verbessern, indem sie die Daten validieren, die Prozesse überwachen und Störungen frühzeitig erkennen. Diese Tools bieten einige Vorteile gegenüber dem digitalen Zwilling. Zum einen können sie viel schneller und effizienter als ein digitaler Zwilling Daten verarbeiten und analysieren. Zum anderen können sie dazu beitragen, bestimmte Probleme in einer Produktionsumgebung zu identifizieren und zu lösen, indem sie potenzielle Probleme frühzeitig erkennen und über Anomalie Erkennung die Daten validieren. Auch können sie dabei helfen, die Prozesse zu optimieren, indem sie die Produktionsanlagen online überwachen und die notwendigen Änderungen vornehmen. Zudem lernen die Algorithmen und Applikationen aus den vorhandenen Rohdaten. Meistens können mit 20 % der Rohdaten bereits zu 80 % treffende Aussagen eines geforderten Use Cases generiert werden. Voraussetzung hierzu ist eine hohe Datenqualität sowie die Verwendung der für den Use Case relevanten Daten.
Beide Verfahrensweisen haben ihre Berechtigung. Man muss abwägen, was für die Erstellung eines speziellen Use Cases passt. Oft spielen die Faktoren Geld und Zeit eine entscheidende Rolle. Zu Beginn wird man sich daher eher dem Machine Learning oder dem Einsatz von KI-Algorithmen zuwenden, um mittels Auswahl des passenden Algorithmus und Modellierung der Fragestellung, schnell gute Ergebnisse zu erzielen.
Lässt man diese Faktoren außer Acht, ist der digitale Zwilling eine solide Grundlage, um seine Fertigungsprozesse zu optimieren. Voraussetzung ist, dass für die Abbildung der Realität und Überprüfung des korrekten Verhaltens durch Validierung, deutlich mehr Ressourcen notwendig werden.
Beide Verfahrensweisen benötigen umfangreiches Prozesswissen, um erfolgreich umgesetzt zu werden, sonst versanden schnell hohe Geldbeträge und am Ende kommt man mit keiner der Möglichkeiten zu einem zufriedenstellenden Ergebnis.
Die Firma Quantis setzt mit ihrer IIOT-Plattform auf Machine Learning und KI. Das Wissen hat sich aus jahrzehntelanger Prozesserfahrung in der Getränkeabfüllindustrie entwickelt. Die aus digitalen Zwillingen und deren Simulationen entstandenen Erfahrungen führten zu den heute äußerst erfolgreich verwendeten Algorithmen und Applikationen.
Auch wenn das Know-how für einen digitalen Zwilling eher seitens des OEM angesiedelt ist, ist Quantis in der Lage qualitativ hochwertige digitale Zwillinge zu erstellen, wenn der Kunde dies wünscht.
Comentários