Die Overall Equipment Effectiveness (OEE) ist für Industrieunternehmen eine der wichtigsten Kennzahlen. Sie misst anhand der drei Größen Verfügbarkeit, Qualität und Ausstoß die Gesamteffektivität ihrer Anlagen und Maschinen – und gibt damit Auskunft über die Leistungsfähigkeit ihrer Produktionsprozesse. Die Maximierung dieser Kennzahl ist daher ein wichtiges Unternehmensziel. „Data-Analytics-Lösungen bieten ihnen dafür hervorragende Möglichkeiten“, erklärt Chris Plüss, beim Schweizer Data-Science-Spezialisten LeanBI für Strategic Market Development verantwortlich. „Sie erfassen Daten von Maschinen und Anlagen, werten sie mit Machine-Learning-Algorithmen aus und treffen Vorhersagen, die es Industrieunternehmen erlauben, durch rechtzeitige Eingriffe und kontinuierliche Verbesserungen die OEE zu optimieren.“ Dazu deckt Data-Analytics-Software alle drei Größen der Kennzahl ab:
Vorausschauend agieren
- Predictive-Maintenance-Anwendungen prognostizieren den Verschleiß von Maschinen- und Anlagenteilen. Unternehmen können erkennen, wenn sich ein Verschleiß bereits vor der geplanten Wartung anbahnt und können durch rechtzeitige Instandhaltung den Stillstand von Maschinen und Produktionsstraßen verhindern.
- Predictive-Quality-Anwendungen prognostizieren Störungen, die sich negativ auf die Produktqualität auswirken. Durch das Verändern von Prozessparametern oder Maschineneinstellungen können Unternehmen die Entstehung von Ausschuss vermeiden.
- Predictive-Performance-Anwendungen nutzen die von Predictive Maintenance und Predictive Quality erkannten Anomalien. Mit ihnen werden die Machine-Learning-Algorithmen laufend weitertrainiert und optimiert, was Fertigungsunternehmen eine kontinuierliche Verbesserung der Performance ermöglicht.
Alte Maschinen nachrüsten
„Eine große Herausforderung bei der Realisierung solcher Anwendungen sind die Altsysteme von Industrieunternehmen. In einer Produktionsanlage und der angeschlossenen Intralogistik haben die Maschinen eine Lebensdauer von 20, 30 oder sogar mehr Jahren“, erläutert Plüss. „Viele vorhandene Systeme besitzen deshalb nicht die Sensorik neuer Maschinengenerationen für die Erfassung von Daten. Dennoch möchten die Unternehmen sie natürlich weiter betreiben, solange es technisch und wirtschaftlich sinnvoll ist.“ Das können sie auch, denn in den meisten Fällen lassen sich Altsysteme durch digitalen Retrofit mit Sensoren nachrüsten, um die erforderlichen Daten zu erfassen und an die IT-Systeme weiterzuleiten. Dazu zählen, neben Vibrations-, Temperatur- und Strom-Mess-Technik, auch neue optische und akustische Sensoren. Diese beiden Sensortypen eignen sich besonders gut dafür, Predictive Maintenance, Predictive Quality und Predictive Perfomance zu betreiben.
Frameworks aus einem Guss
„Für den Retrofit ihrer Maschinen und die Implementierung der Anwendungen stehen Industrieunternehmen bewährte technische Frameworks aus einem Guss zur Verfügung“, erklärt Plüss. „Sie beinhalten ein Set an Sensorik sowie Datenverarbeitung und Datenanalytik mit verschiedenen vortrainierten Machine-Learning-Modellen und sorgen damit für niedrige Projektkosten und geringe Risiken.“
