Eine der Hauptaufgaben von Produktionsverantwortlichen besteht darin, einen nahtlosen Produktionsfluss und eine smarte Steuerung von Anlagen und Abläufen bei gleichbleibend hohem Qualitäts- und Effizienzniveau zu garantieren. Unternehmen stellen dies branchenübergreifend durch digitale Echtzeit-Überwachung sicher. Digitale Abbilder von Prozessen und Geräten in Produktionsumgebungen, sogenannte digitale Zwillinge, können insbesondere in den Anwendungsbereichen Anlagen- und Linienüberwachung, Wartung und integrative Qualitätskontrolle einen großen Mehrwert bieten.

Optimierung in Produktion und Instandhaltung

In der Produktionsplanung und -steuerung besteht die Herausforderung darin, die Produktionslinien und Zuläufe im Shopfloor sicherzustellen, Rüstzeiten zu optimieren und Anlaufsimulationen möglichst digital gestützt durchzuführen. Grundlage dafür sind Erkenntnisse in Form von Daten aus der laufenden Produktion. Diese Daten lassen sich durch die Anbindung von Maschinen oder durch nachträgliches Aufrüsten der Anlagen mit Sensoren, dem sogenannten Retro-Fitting, erheben. Anschließend müssen sie zu einem validen Data-Lake konsolidiert und verarbeitet werden, um den Produktionsprozess transparent darzustellen und auf Basis dessen optimieren zu können.

In der Wartung und Instandhaltung soll der Digital Twin Ausfallzeiten von Maschinen oder ganzen Linien reduzieren. Mittlerweile muss nicht nur die lokale Wartung, sondern auch der Remote-Zugriff sichergestellt sein. Zudem setzt die Industrie immer mehr auf die vorausschauende Wartung, also Predictive Maintenance. Laut einer BearingPoint-Umfrage von Anfang 2021 setzen sich branchenübergreifend 75 Prozent der Unternehmen aktiv mit dem Thema auseinander. Predictive Maintenance soll mögliche Störungen erkennen, bevor sie zu Problemen führen. Eine typische Lösung dafür ist ein intelligentes, auf den erhobenen Produktionsdaten basierendes Warnsystem, das zum Beispiel einen Alarm auslöst, wenn Maschinen oder Sensoren vom gelernten Normverhalten abweichen. Unternehmen profitieren von einer flexiblen, bedarfsgerechten Wartung anstelle starrer Service-Modelle.

Mit KI und ML ein digitales Abbild der Produktionsprozesse erlernen

Ein Unternehmen, das Predictive Maintenance bereits erfolgreich einsetzt, ist der amerikanische Halbleiterhersteller Globalfoundries. Er nutzt seit kurzem am Standort Dresden eine smarte Sensorik bei der Überwachung der Reinstwasserventile. Die Ventile sind produktionskritisch und wurden bislang mit großem Aufwand von Mitarbeitenden analog überwacht. Globalfoundries erfasst nun an den Ventilen Audio- daten, um dann mit Machine-Learning-Methoden ein Datenmodell zu erstellen. Dieses ermöglicht – in Kombination mit kontinuierlich erfassten Sensordaten – eine Bewertung des Ist-Zustands der Ventile, die sogenannte „Health Condition“, sowie eine Prognose hinsichtlich zu erwartender Zustandsveränderungen. Über ein Dashboard können Fachleute diese Informationen einsehen und entsprechende Wartungsmaßnahmen einleiten. Zusätzlich lassen sich detaillierte Verläufe historischer und aktueller Parameter anzeigen sowie Grenzwerte für eine Alarmierung definieren. Dies ermöglicht eine frühzeitige Fehlererkennung sowie bedarfsgerechte Wartungsplanung und verhindert dadurch Ausfallzeiten, reduziert Wartungskosten und steigert die Zuverlässigkeit und Lebensdauer der Anlage signifikant.

Anpassen von IoT-Systemen

Was Unternehmen wissen sollten: Es gibt kein fertiges System, das alle Anforderungen eines solchen Smart-Factory-Projekts aus dem Stand erfüllen kann. IoT-Systeme in der Produktion haben immer Anpassungsbedarf, denn jede Fertigungslinie unterscheidet sich bezüglich der eingesetzten Maschinenparks und damit einhergehenden Steuerungen, Daten und Protokolle. Anforderungen an die Dashboard-Visualisierung unterscheiden sich in der Regel ebenso wie die zu integrierenden IT- und OT-Systeme und Geschäftsprozesse. Damit trotzdem ein schneller Projektstart gelingt, ist es sinnvoll, typische Funktionen in vorgefertigten Modulen und Assets zu kapseln und von den kunden- und anlagenspezifischen Aspekten zu trennen. Beispiele für solche Module sind etwa Anomalieerkennung, AR/VR-gestützte Wartungsszenarien oder Blockchain-basierte Herstellungsnachweise.