Mit einzelnen Punkten starten
Werden diese Visionen zu Beginn entsprechender Projekte erst einmal relativiert, können die Beteiligten in der Regel konkret und praktisch über einzelne Produktionspunkte sprechen, deren Analyse als Startpunkt genutzt werden soll. Moderne Sensoren können dazu bedarfsgestützt ergänzt werden – gegebenenfalls auch ohne Eingriff in bestehende IT-Lösungen, Netzwerke oder Produktionsanlagen. Die entsprechenden Daten werden dazu in einer gemieteten bzw. in einer im Rahmen eines PMQ-as-a-Service bereitgestellten Umgebung aufgenommen und mit prädiktiven Methoden analysiert. Diese Ergebnisse werden wiederholt mit den Mitarbeitern vor Ort bewertet.
Aus der Praxis
Ein Beispiel: In der Fertigung eines mittelständischen Unternehmens werden verschiedene Metallteile durch Nietvorgänge zusammengefügt. An jeder Station im Produktionsverlauf wird dabei mit mehreren Nietdöppern gefertigt, wobei der Ausfall nur eines Nietdöppers in einer einzelnen Station zu einer Unterbrechung des gesamten Prozesses führt. Zudem führt unerkannter erhöhter Verschleiß eines Nietdöppers zu erhöhtem Ausschuss. Für die Verfügbarkeit der Gesamtanlage und die Qualität des gesamten Prozesses ist es daher von Vorteil, die einzelnen Nietdöpper mittels einer Predictive-Maintenance-Lösung zu analysieren, um Verschleiß und Ausfälle vorherzusagen. Dass das möglich ist, konnte bereits im Rahmen einer explorativen, prototypischen Analyse nachgewiesen werden. Zudem wurde – auch ohne vollständige Erfassung des gesamten Produktionsprozesses – die Einsatzfähigkeit und der Nutzen einer PMQ-Lösung validiert. Durch den Einsatz von Datenanalysen und eines Machine-Learning-Ansatzes war es möglich, Veränderungen im Nietvorgang zu erkennen und deren Folgen zu prognostizieren.
Beispiel Getränkeindustrie
Ein weiteres Beispiel stammt aus der Getränkeindustrie: Dort werden Bierflaschen im sogenannten Gegendruckverfahren befüllt. Stimmen der Vorspanndruck in der Flasche und der Abfülldruck nicht überein, führt dies zu Überschäumen und zu Unterfüllungen der einzelnen Flaschen und letztlich zu ungeplanten Stillstandzeiten bei den Maschinen und entsprechenden Reinigungsarbeiten. Da der Innendruck pro Flasche technisch bedingt nicht gemessen werden kann, werden Prädiktoren aus Umgebungsvariablen ermittelt – u.a. die Menge des verwendeten CO2, die Anzahl abgefüllter Flaschen und die Gesamtmenge der abgefüllten Sorte. Anschließend werden mithilfe eines prädiktiven Modells Korrelationen für positive und negative Fälle generiert. Nach dem Training dieses Modells können über einen ‚Healthscore‘ Zustandsbeschreibungen und Vorhersagen über mögliche Ausfälle getroffen werden.