Montag, 19.01.2015
Produktionsausfall: Störungen sollen durch Big Data Datensammlungen im Projekt BigPro abgefedert werden.

Foto: betoon_Thinkstock_istock_Getty_Images

Produktionsausfall: Störungen sollen durch Datensammlungen im Projekt BigPro abgefedert werden.

BigPro hilft bei Produktionsausfällen

Wie Unternehmen Störungen in der Produktion vermeiden

Maschinen-Daten lassen sich auch nutzen, um Produktionsausfälle zu vermeiden. Das soll das Forschungsprojekt BigPro zeigen. Ziel ist, eine Plattform zu entwickeln, die Störungen vorhersagt und Aktionen zur Behebung vorschlägt.

Ein Produktionsausfall ist der worst case in der Maschinenhalle.Kosten fallen nicht nur für Reparatur und Ersatzteile an, oft kommen Nacht- oder Wochenendzuschläge, Demontage- und Frachtkosten hinzu.

Folgekosten entstehen durch Verzögerungen in der Fertigstellung der Produkte, gegebenenfalls kommen durch den Stillstand Schäden an nachgelagerten Maschinen hinzu. Qualitätsmängel bei einem Teil der Produkte sind ebenfalls möglich.

Jedes Unternehmen mag für sich eine Vorstellung der Größenordnung möglicher Schäden durch Störungen haben – eine Quantifizierung ist unternehmens- und fallabhängig. Die amerikanische Advance Technology Services ermittelte unter US-Automobilzulieferern durchschnittliche Kosten in Höhe von 22.000 USD pro Minute bei einem vollständigen Produktionsausfall. 

"Predictive maintenance“ gegen Produktionsausfälle.

Bislang werden mehrere Möglichkeiten praktiziert, um Produktionsausfälle auszuschließen. So können Unternehmen redundante Maschinen einsetzen, die im Falle eines Maschinenausfalls sich ergänzen. Die Nachteile – gebundenes Kapital, keine Auslastung – liegen auf der Hand. Auch Kooperationen mit Partnerunternehmen können einen Produktionsausfall im besten Falle etwas abfedern, nicht aber verhindern.

Wesentlich wirksamer ist die "predictive maintenance"."Ziel ist, anhand von Informationen über Maschinen und Anlagen einen Zeitraum zu ermitteln, in dem ein Maschinenausfall wahrscheinlicher wird, und den Wartungsplan der Maschine entsprechend aufzustellen", erläutert Felix Jordan, Wissenschaftler am FIR an der RWTH Aachen, das bereits etablierte Verfahren. "Dazu können beispielsweise eine Analyse des Geräuschbilds der Maschinen, Messungen von Lagerschwingungen oder der Stromverbrauch der Anlagen Hinweise auf sich anbahnende Ausfälle liefern."

Big-Data-Plattform soll Störungen voraussagen

Zwei wichtige Faktoren berücksichtigt "predictive maintenance" allerdings nicht. Der erste: In der Datenflut, die von modernen Produktionsanlagen generiert wird, liegt ein erhebliches Potential auch für die Vorhersage von Störungen, das bislang nicht umfassend genutzt wird. Zweitens bleibt der Faktor Mensch als möglicher Verursacher von Störungen unberücksichtigt.

Ein Forschungsprojekt, das das FIR an der RWTH Aachen gemeinsam mit IT- und Kommunikationstechnologie-Partnern und Anwendungsunternehmen durchführt, soll einen neuen Ansatz liefern.

Ziel des im September 2014 aufgelegten Projekts ist es, eine Big-Data-Plattform zur Vorhersage von Störungen zu entwickeln, die dann die Möglichkeit bietet, proaktiv zu reagieren und so Produktionsausfälle zu vermeiden. "Wir werden alle Daten, die im Produktionsumfeld erzeugt werden, erfassen, analysieren und in Beziehung setzen", erläutert Felix Jordan."Beim Eintritt einer Störung wird ein dazugehöriges Datenmuster gespeichert. Wenn in Zukunft eine ähnliche Datenkonstellation auftritt, erkennt und meldet das System sie."

Die Mitarbeiter können dann reagieren und einen Maschinenausfall noch abwehren. Doch damit nicht genug: Auch die Gegenmaßnahmen sollen in Form eines dynamischen Katalogs erfasst und laufend optimiert werden.

Schnelle Hilfe bei Produktionsausfall

"Die BigPro-Lösungslogik kann beispielsweise eingesetzt werden, um die Produktionsmitarbeiter bei drohenden Maschinenausfällen via E-Mail direkt zu informieren und ihnen Maßnahmen zur Störungsbehebung vorschlagen", erklärt der FIR-Wissenschaftler Felix Jordan.Schließlich planen die Wissenschafter, die Mitarbeiter auch als mögliche Störungsquelle in die Plattform einzubeziehen.

Dazu soll die Stimmung der Mitarbeiter anonym erfasst werden, um etwa die Auswirkungen von Müdigkeit oder Stress zur Vorhersage von Störungen zu nutzen. Anders als bei den von Maschinen und Anlagen erzeugten Daten, wird die Qualität der erfassten Daten in diesem Bereich erheblichen Schwankungen unterliegen.

2022 © Markt und Mittelstand · Alle Rechte vorbehalten.

Der Newsletter für Unternehmer – jeden Donnerstag in Ihr Postfach

NEWSLETTER KOSTENLOS ABONNIEREN