Echtzeitanalyse: Mit SAP Analytics Cloud Maschinendaten auswerten und Potenziale nutzen

Echtzeitanalyse: Reichlich Optimierungspotenzial liegt in der Produktion trotz Lean Production und der weitgehenden Automatisierung von Anlagen noch brach. Um dieses Potenzial bestmöglich auszuschöpfen, ist eine Transparenz in den Shopfloor-Prozessen nötig, die nur entsteht, wenn Maschinendaten lückenlos digital erfasst, korreliert und feingranular nahezu in Echtzeit analysiert werden.

Echtzeitanalyse ist essentiell

Dass intelligente Datenauswertungen unverzichtbar sind, um langfristig wettbewerbsfähig zu bleiben und Wettbewerbsvorteile zu erzielen, zeigt auch die „Studie Big-Data-Analytik: Datenbasierte Optimierung produzierender Unternehmen“ des Fraunhofer Instituts für Produktionstechnik und Automatisierung (IPA).

Die erforderlichen Daten für die Echtzeitanalyse liefern unter anderem die Maschinen und Anlagen im Shopfloor, die mit einer IT-Schnittstelle ausgestattet und damit IIoT-fähig sowie Industrie-4.0-geeignet sind. Interessant sind insbesondere produktbezogene Daten wie Fertig-, Gut- und Ausschussmengen sowie Durchlauf- und Taktzeiten. Auch Prozessdaten wie Stand-, Betriebs-, Produktions- und Rüstzeiten sowie geplante und ungeplante Stillstände können Anhaltspunkte für die Optimierung liefern.

Aus der enormen Datenmenge, die produktionsnahe Systeme erzeugen – Stichwort Big Data –, lassen sich Erkenntnisse gewinnen, um durch daten- und faktenbasierte Entscheidungen die Prozesse kontinuierlich zu verbessern und Produktivität sowie Effizienz in der Produktionsplanung zu steigern.

Zum Beispiel lässt sich anhand von Prozessdaten, die sich auf die Betriebszustände beziehen, die Verfügbarkeit und die Zuverlässigkeit einer Anlage berechnen. Das ist ein wichtiger Indikator für die Maschineneffizienz. Genauso wichtig ist es, aus den Betriebszuständen die Effizienzverluste mit Blick auf Verfügbarkeit, Durchsatz oder Qualität abzuleiten und daraus die Overall Equipment Effectiveness (OEE) zu ermitteln. Die OEE, eine zentrale Kennzahl im Rahmen des Total-Productive-Maintenance-Konzepts (TMP), bildet eine Grundlage zur kontinuierlichen Verbesserung und Anpassung der Produktion. In der Regel orientiert sich die Ermittlung der Betriebszustände an Industriestandards wie der SEMI-E10- und der SEMI-E79-Norm.

Skalierbare Analyseplattform gefragt

Unerlässlich für Big-Data-Analysen ist der Einsatz einer modernen und skalierbaren Selfservice-Analyseplattform. Dabei sollte das Analysewerkzeug vielfältige Filter- und Drill-down-Funktionen für Auswertungen in beliebiger Detailtiefe bieten, um Maschinendaten und -kennzahlen wie die OEE in Dashboards kompakt und übersichtlich visualisieren zu können.

Möglich sollten Diagramme, Grafiken oder Tabellen mit einstellbarer Farbgebung sein: beispielsweise ein Wasserfalldiagramm, das Maschinenzustände gemäß SEMI-E10 verteilt in unterschiedlichen Farben darstellt und so Verbesserungspotenziale sichtbar macht oder ein Tachodiagramm für die OEE-Kennzahl.

Voraussetzung für Predictive Maintenance und KI

Im besten Fall stellt eine solche Plattform auch Was-wäre-wenn-Analysen für Simulationen sowie Funktionen für Predictive Analytics, künstliche Intelligenz (KI) und maschinelles Lernen (ML) bereit. Diese Funktionen machen es möglich, die Lebensdauer einer Anlage ohne Abstriche in puncto Herstellungsqualität und Produktivität zu verlängern oder Wartungsintervalle präziser an die Produktion anzupassen.

Dies schafft die Voraussetzung für Predictive Maintenance, bei der die Wartung einer Maschine veranlasst wird, noch ehe sie Ausschuss produziert oder ungeplant ausfällt. Das erhöht die Verfügbarkeit der Anlagen und ihre Produktivität, gleichzeitig reduziert es das Risiko eines teuren Produktionsstopps. Im Idealfall bietet das Analysetool sogar integrierte Funktionen, die die Produktionsplanung vereinfachen und effizienter machen. All das ist zum Beispiel mit der SAC möglich, die als SaaS-Lösung eine Reihe von Vorteilen bietet, etwa die Skalierbarkeit bei datenintensiven Analysen von IIoT-Szenarien im Shopfloor. Auch kann der Anwender seine Abfragen und Analysen jederzeit und überall durchführen und einsehen – am Desktop-PC oder mobil per Smartphone oder Tablet. Weitere Pluspunkte sind vierteljährliche Releasezyklen, ständige Updates und die DSGVO-konforme Verarbeitung sämtlicher Daten.

Echtzeitanalyse SAC läuft nicht nur mit SAP-Software

Die SAC lässt sich an eine Vielzahl von Cloud- und On-Premise-Lösungen anbinden: an SAP-Software und an Nicht-SAP-Lösungen, darunter auch Manufacturing-Execution-Systeme (MES) verschiedenster Hersteller. Abfragen und Analysen können somit zentral in einer einzigen Lösung durchgeführt werden und bringen zuverlässigere Ergebnisse.

Die Anbindung der Quellsysteme erfolgt entweder per Datenimportverbindung – hier werden Daten in die Cloud repliziert – oder über eine Live-Datenverbindung (Cross-Origin Resource Sharing), die es gegenwärtig für SAP BW, SAP BW/4HANA, SAP S/4HANA und die SAP-HANA-Datenbank gibt. Der Vorteil einer Live-Datenverbindung ist, dass sie den Echtzeitzugriff beispielsweise auf die in einem SAP BW verdichteten und vereinheitlichten Produktionsdaten aus einem MES und aus SAP ERP beziehungsweise aus SAP S/4HANA erlaubt (Single Source of Truth). Das BI-Tool lässt sich auch direkt mit SAP S/4HANA verbinden. Störungen oder Abweichungen einer Maschine werden dadurch sofort identifiziert und passende Maßnahmen lassen sich unverzüglich einleiten.

Einführung nicht trivial

Die einfache Darstellung soll nicht darüber hinwegtäuschen, dass die mit der Einführung der SAC und der Maschinendatenanalyse verbundenen Anforderungen komplex sind und umfassendes Know-how erfordern. Daher empfiehlt es sich für Unternehmen, einen Partner ins Boot zu holen, der die nötige Erfahrung und Kompetenz mitbringt, um als Trusted Advisor zur Seite stehen zu können.

Der Autor Roland Steinhilber leitet den Geschäfts­bereich Business Analytics bei WSW Software.

Lesen Sie auch: Diese Software schiebt Wache in Echtzeit