In den letzten Jahrzehnten konnten die Variabilität von Produkten, als auch die Qualität jener Produkte enorm gesteigert werden. Hinzu kommt die Optimierung der Prozesse, welche sowohl zeitliche, als auch kostenspezifische Einsparungen zur Folge haben. Da die Unternehmen nun an einem Punkt angekommen sind, an welchem sich weitere Verbesserung nicht ohne Weiteres vornehmen lassen, müssen sie andere Methoden nutzen um die Prozesse und Produkte zu verbessern.
Big Data sind hierbei die große Lösung. Durch gezielte Extraktion und Analyse von Daten können sich Unternehmen stetig weiter verbessern. Hier sind Beispiele dafür, welche Möglichkeiten es zur Verbesserung von Prozessen in der Produktion gibt.
Big Data in der Produktion: Verbesserung der Fertigungsprozesse
Durch die Analyse von Maschinendaten lassen sich Prozesse in der Fertigung optimieren und unterschiedliche Prozesse besser aufeinander abstimmen. Da in einer Fabrik nicht nur Maschinen, sondern auch Menschen zum Erfolg beitragen müssen in der Fertigung diese Faktoren eingesetzt werden. Hinzu kommt, dass eventuell manche Arbeiter einige Maschinen nicht bedienen können oder für bestimmte Maschinen lange Rüstzeiten einzuplanen sind. Diese Unmengen an Faktoren machen es für einen Analysten so gut wie unmöglich, optimierte Prozesse zu planen. Mithilfe von Big Data Anwendungen lassen sich die Faktoren miteinander verbinden und zu optimierten Fertigungsprozessen zusammenführen. Ein weiterer Punkt bei der Analyse von Maschinendaten ist die Effektivität und Qualität der Maschine. Durch Blick auf die einzelnen Eingangsfaktoren mittels Sensoren, lässt sich erkennen, wie stark jeder einzelne Faktor die Produktionsleistung beeinflusst.
Ein Beispiel hierfür ist ein europäischer Chemiehersteller. Mit dem Ziel der Verbesserung der Ausbeute, nutzte das Unternehmen Sensoren, welche jeden Eingangsfaktor aufzeichneten. Temperaturn, Menge oder Kühlmitteldrücke wurden gemessen und analysiert. Das Ergebnis des Tests war, dass besonders die Kohlendioxidströmungsraten einen großen Einfluss auf die Erträge hatten. Das Unternehmen nahm nur geringe Änderungen in den Parametern vor und konnte damit einen Rückgang der Rohstoffabfälle von 20% und der Energiekosten um 15% verzeichnen. Zusätzlich dazu wurde die Ausbeute enorm erhöht.[1]
Big Data in der Produktion: Qualitätskontrolle und –sicherung
Die Qualitätskontrolle und –sicherung kann sowohl operativ im Fertigungsprozess verbessert werden, als auch langfristig. Operativ ist dies vor allem mit dem Einsatz von Sensoren möglich. Durch häufiges Messen von Daten kann bereits frühzeitig im Produktionsprozess erkannt werden, ob Fehler in der Produktion vorliegen. Hierbei werden beispielsweise bestimmte Schrauben mithilfe von Schraubern auf ihre Verschraubung getestet, bevor das Produkt einen Takt weiterlaufen kann. Dadurch wird gewährleistet, dass Teile an wichtigen Stellen 100%ig richtig verbaut sind.
Um längerfristig die Qualität zu sichern und zu kontrollieren wird in der Praxis häufig Analyse- und Modellierungssoftware eingesetzt. Ziel hierbei ist es, die Prozesse zu simulieren und vor Anlauf in der Produktion zu testen. Dabei werden die Prozesse auf viele unterschiedlichen Faktoren getestet. Dies kann auch mit Virtual-Reality-Anwendungen oder digitalen Zwillingen erprobt werden. Hierbei können Fehlermuster und Schwachstellen an Produkten und Prozessen erkannt werden. Dadurch gelingt es die Rückrufe stark zu verringern. Weiterhin führt der Einsatz von Simulationsmodellen dazu, dass frühzeitig eine höhere Qualität sichergestellt wird und dass die Garantiekosten gesenkt werden können.
Ein Beispiel hierfür ist die Entwicklung von Flugzeugtriebwerken durch Rolls-Royce. In der Entwurfsphase eines neuen Modells werden Simulation von Triebwerken erstellt und getestet ob diese gut sind. Zusätzlich können Fehler und Schwachstellen gefunden werden, was letztendlich die Produktionskosten enorm senken kann.[2]
Zusätzlich zu der Testung von neuen Prozessen können auch bereits bestehende Prozesse simuliert werden. Hierbei können Änderungen an bestimmten Faktoren getestet werden und welche Auswirkungen diese Änderung auf den Prozess oder das Produkt hat. Hiermit können Unternehmen ihre Prozesse enorm optimieren.
Big Data in der Produktion: Wartung der Maschinen
Durch die Verfügbarkeit von Sensoren an nahezu jeder Maschine können die generierten Daten genutzt werden um den Zustand der Maschine in Echtzeit zu analysieren und entsprechende Maßnahmen zu treffen. Unterschieden wird in der Wartung zwischen „Predictive Maintenance“ und „Preventive Maintenance“.
Bei Preventive Maintenance, also der vorbeugenden Wartung, werden die Betriebsdaten der Maschine genutzt um Muster zu erkennen. Dies ermöglicht es, bevorstehende Fehler und den Wartungsbedarf rechtzeitig zu erkennen. Dadurch werden vor alle irreversible Ausfälle verhindert und die Lebensdauer einer Maschine drastisch erhöht.[3] Beispiel für die Nutzung von vorbeugender Wartung ist der Einsatz durch Intel. Intel führt Live-Streams aus den von den Werksausrüstungen generierten Daten. Mithilfe dieser Big Data und der Analyse, d.h. Mustererkennung und Visualisierung, können Fachkundige erkennen, wenn ein Ausfall bevorsteht. Somit können sie frühzeitig Maßnahmen ergreifen, um schwere Ausfälle zu verhindern. Durch die vorbeugende Wartung konnte Intel die Reaktionszeit von 4 Stunden auf 30 Sekunden senken. Durch die Nutzung von Big Data in der Wartung konnte Intel 2017 eine Einsparung von 100 Millionen Dollar verzeichnen.[4]
Predictive Maintenance (vorausschauende Wartung) ermittelt historische Maschinendaten und analysiert Muster, in welchen Abständen und abhängig von welchen Faktoren eine Maschine ausgefallen ist. Mithilfe von Prognosemodellen können nun Prognosen zu Wartungen in der Zukunft getroffen werden. Dies ist der Fall, wenn im Unternehmen nicht die Möglichkeit besteht Echtzeit-Analysen durchzuführen. Wird beispielsweise der Wartungsbedarf einer Maschine auf 1000 Einheiten geschätzt, so wird die Maschine, unabhängig von ihrem Zustand nach 1000 Einheiten gewartet.
Genutzt wird dies ebenfalls in der Konsumgüterbranche. Hierbei können bei Unterhaltselektronik Sensordaten über die Verbraucheraktivitäten an den Hersteller gesendet werden. Je nach Grad der Nutzung kann der Verbraucher frühzeitig über einen zukünftigen Zeitpunkt der Wartung informiert werden. Dies schafft sowohl einen besseren Kundenservice, als auch Einsparungen für Wartungs- und Garantiekosten für den Hersteller.[5]
Big Data in der Produktion: Kundenspezifische Produkte
Ein Paradebeispiel der Fertigung von kundenspezifischen Produkten auf Bestellung lässt sich in der Automobilindustrie finden. Jeder Hersteller fertigt heutzutage die Fahrzeuge nach dem Built-to-Order-Prinzip. Dieses ermöglicht es Unternehmen effizient Fahrzeuge zu fertigen und auf Lagerung von nicht benötigten Teilen zu verzichten. Hierzu müssen die Hersteller jedoch Zugriff auf alle Verkaufsdaten besitzen um präzise Analysen über alle möglichen Konfigurationen und deren Auftragsvolumen durchzuführen. Zusätzlich können durch Analysen von Verkaufszahlen und Produktdaten die Rentabilität jeder einzelnen Konfiguration ermittelt werden.
Management des Lieferkettenrisikos
Bei dem Bezug von Ware mittels JIT/ JIS-Prinzip müssen Lieferanten meist enge Zeitpläne einhalten. Entlang der Lieferkette kann es jedoch häufig zu ungeplanten Ausfällen kommen. Sperrungen auf der Autobahn, Unwetter oder Unfälle sind nur einige Beispiele hierfür. Um jedoch die Produktion weiterhin am Laufen zu halten müssen Unternehmen innerhalb kürzester Zeit unterschiedliche Analysen durchführen. Mithilfe der Analyseergebnisse können Notfallpläne erstellt werden oder auch Backup-Anbieter identifiziert werden. Als Folge dessen kann das Unternehmen Änderungen in Produktion vornehmen, wie z.B. die Änderung der Produktionsreihenfolge, oder auch Waren von den Backup-Anbietern beziehen. Das wichtigste hierbei ist, dass die Produktion nicht stehen bleibt, da sonst Unmengen an Kosten auftreten.
Datengetriebenes Unternehmenswachstum
Big Data eröffnen nicht nur der Fertigung in einer Fabrik enorme Möglichkeiten, sondern kann auch eingesetzt werden um globale Herausforderungen zu bewältigen. Durch die Analyse von historischen und externen Daten kann beispielsweise festgestellt werden, ob sich die Verlagerung der Produktion in ein anderes Land rentiert. Darüber hinaus können unterschiedlichen Standorte mit deren unterschiedlichen Standortfaktoren mit in die Prognose eingebracht werden.
Weiterhin kann Big Data dazu beitragen Trends zu neuen Produkten zu erkennen oder neue Märkte zu erschließen und zu erobern.[6]
After-Sales
Rückrufe von Produkten können enorme Kosten hervorrufen. Durch die Verwendung von intelligenten Analysetools, welche für die Analyse von Produktionsdaten genutzt werden, können Fertigungsprozesse und die Qualität der Ware verbessert werden. Durch die erhöhte Qualität sollten in der Regel geringere Rückrufquoten zu ereichen sein, wodurch das produzierende Unternehmen enorme Kosten sparen kann. Weiterhin werden bei den After-Sales auch Zusatzservices wie Wartungsarbeiten und Analysen durchgeführt.
Beispiel hierfür ist ebenfalls wieder Rolls-Royce mit der Herstellung von Flugzeugmotoren. In den Flugzeugmotoren sind zahlreiche Sensoren angebracht, welche konstant Daten liefern. Diese werden in Echtzeit analysiert und falls nötig, wenn Fehler oder Defekte zu vermuten sind, werden sofort Maßnahmen von den Fachkundigen zur Beseitigung des Problems ergriffen. Hierdurch gelingt es Rolls-Royce die Produktqualität zu steigern, Kosten zu senken und immer sichere Flüge und Produkte zu gewährleisten.[7]
Zusammenfassung
Dies sind jedoch nur einige von vielen verschiedenen Anwendungen, welche Big Data in der Fertigung nutzen können. Am stärksten werden Big Data in der Fertigung jedoch zur Optimierung der Fertigungsprozesse verwendet. Big Data Analysen sind hierbei in der Lage Verbindungen zwischen unterschiedlichen Faktoren herzustellen und letztendlich das beste Ergebnis daraus zu schlussfolgern.
Das Voraussetzung für die Nutzung von Big Data sind in den meisten Fällen Sensoren, welche kontinuierlich Daten aufzeichnen. Erst durch diese Sensordaten können Anwendungen wie Predictive und Preventive Maintenance ermöglicht werden. Durch die Sammlung der richtigen Daten und Fragestellungen lässt sich nahezu jedes Problem in der Fertigung lösen.
Big Data lassen sich jedoch nicht nur in der Fertigung anwenden. Für weitere Anwendungsmöglichkeiten besuchen sie auch „Big Data in der Logistik“ und „Big Data Anwendungen“.
Quellenangaben
[1] Vgl. Bekker, Alex (10.04.2018): „The experience of big data in manufacturing: 12 real-life use cases“, unter: https://www.scnsoft.com/blog/big-data-in-manufacturing-use-cases (01.12.2018).
[2] Vgl. Bekker, Alex (10.04.2018): „The experience of big data in manufacturing: 12 real-life use cases“, unter: https://www.scnsoft.com/blog/big-data-in-manufacturing-use-cases (01.12.2018).
[3] Vgl. Bódi, Katalin (02.07.2018): “10 big data use cases in manufacturing”, unter: https://www.actify.com/industry-topics/10-big-data-use-cases-manufacturing/ (01.12.2018).
[4] Vgl. Bekker, Alex (10.04.2018): „The experience of big data in manufacturing: 12 real-life use cases“, unter: https://www.scnsoft.com/blog/big-data-in-manufacturing-use-cases (01.12.2018).
[5] Vgl.Bódi, Katalin (02.07.2018): “10 big data use cases in manufacturing”, unter: https://www.actify.com/industry-topics/10-big-data-use-cases-manufacturing/ (01.12.2018).
[6] Vgl. Bekker, Alex (10.04.2018): „The experience of big data in manufacturing: 12 real-life use cases“, unter: https://www.scnsoft.com/blog/big-data-in-manufacturing-use-cases (01.12.2018).
[7] Vgl. Bekker, Alex (10.04.2018): „The experience of big data in manufacturing: 12 real-life use cases“, unter: https://www.scnsoft.com/blog/big-data-in-manufacturing-use-cases (01.12.2018).
