Overall Equipment Effectiveness optimieren: Neue Sensoren für alte Systeme

Anbieter zum Thema

PSI Software SE | Business Unit Discrete Manufacturing

MEGLA GmbH

Data-Analytics-Lösungen bieten optimale Möglichkeiten zur Optimierung der Kennzahl Overall Equipment Effectiveness. Industrieunternehmen benötigen hierfür jedoch nicht unbedingt moderne Maschinen mit eingebauter Sensorik. Sie können ihre Altsysteme mit geeigneten Sensoren nachrüsten.

Die Overall Equipment Effectiveness (OEE) ist für Industrie­unternehmen wohl die bedeutendste Kennzahl überhaupt. Sie misst anhand der drei Größen Verfügbarkeit, Qualität und Ausstoß die Gesamteffektivität ihrer Anlagen und Maschinen – und gibt damit Auskunft über die Leistungsfähigkeit ihrer Produktionsprozesse. Die Maximierung dieser Kennzahl zählt deshalb logischerweise zu den wichtigsten Zielen der Unternehmen.

Overall Equipment Effectiveness: Wie wird sie gemessen?

Sie messen ihre OEE in der Regel mit Manufacturing-Execution-Systemen (MES), mit denen sie ihre Produktion steuern, kontrollieren und dokumentieren. Zeigen die Systeme eine Fehlentwicklung der OEE auf, können Unternehmen durch das Herunterbrechen der Spitzenkennzahl über die darunter liegenden Ebenen beispielsweise ermitteln, welche Maschine an welchem Standort dafür verantwortlich ist. Das gibt ihnen die Möglichkeit, gezielt nach der Ursache der Fehlentwicklung zu suchen und diese Ursache durch entsprechende Maßnahmen zu beseitigen.

Im laufenden Betrieb rechtzeitig eingreifen

So hilfreich MES bei der Optimierung der OEE sind, so begrenzt sind sie aber auch. Industriebetriebe können damit zwar unerwünschte Entwicklungen im Nachhinein erkennen und für die Zukunft ausschließen; sie können diese Entwicklungen aber nicht von vornherein verhindern und so dafür sorgen, dass die OEE erst gar nicht aus dem Ruder läuft. Diese Möglichkeit geben ihnen erst moderne Data-Analytics-Lösungen. Sie machen dort weiter, wo die Funktionalität der MES aufhört.

Solche Lösungen werten Daten von Maschinen und Anlagen mit Machine-Learning-Algorithmen aus und treffen Vorhersagen, die es Industrieunternehmen ermöglichen, im laufenden Betrieb rechtzeitig einzugreifen. Aber nicht nur das. Sie können die Erkenntnisse, die ihnen die Systeme liefern auch dazu nutzen, ihre OEE durch kontinuierliche Verbesserungen beständig zu optimieren. Die drei Anwendungstypen Predictive Maintenance, Predictive Quality und Predictive Performance decken dabei alle drei Größen der OEE ab: Verfügbarkeit, Qualität und Ausstoß.

Verschleiß von Anlagenteilen detektieren

Predictive-Maintenance-Anwendungen helfen Unternehmen dabei, ungeplante Stillstände zu verhindern und geplante Stillstände zu verkürzen. Wartungsarbeiten an Maschinen und Anlagen finden üblicherweise in festgelegten Zyklen statt, was dazu führen kann, dass eine Wartung zu spät kommt. Verschleißt ein Teil vor der geplanten Wartung kann das zum Stillstand einer Maschine und sogar der kompletten Produktionsstraße führen. In typischen Montagelinien wie etwa im Automobil- oder Fahrradbau sind die Produktionsstationen seriell geschaltet. Steht auch nur ein winziger Teil der Anlage, kann in der gesamten Linie nicht montiert werden.

Predictive-Maintenance-Anwendungen erfassen Daten beispielsweise von Schwingungssensoren, die an kritischen Bauteilen wie Elektromotoren oder Antriebswellen angebracht sind, und werten sie mit einer Machine-Learning-Engine aus. Dadurch sind sie in der Lage, ungewöhnliche Aktivitäten in der Anlage zu beobachten und berechnen, die zu einer Beeinträchtigung führen könnten. Das ermöglicht Unternehmen, den Verschleiß von Anlagenteilen zu erkennen, bevor er zu einem Stillstand führt und diese Teile in einem geplanten Wartungszyklus zu ersetzen. Da sie außerdem lediglich noch die detektierten Bauteile prüfen, reparieren oder ersetzen müssen, können sie die geplanten Wartungen schneller durchführen.

Störungen bei der Oberflächenveredelung erkennen

Predictive-Quality-Anwendungen dienen der Minimierung von Ausschuss. Auf Basis von Sensordaten prognostizieren beispielsweise die Verschleißzeiten von Werkzeugen, die zur Bearbeitung von Oberflächen eingesetzt werden. Erkennen sie eine Störung bei der Oberflächenveredelung, können Unternehmen auf der Grundlage von Prognosemodellen in Echtzeit proaktive Entscheidungen treffen. Dasselbe gilt für den Fall, dass etwa das Ventil einer Anlage zu verstopfen droht oder sich der Elektromotor einer Maschine plötzlich ungewöhnlich verhält. Durch sofortiges Eingreifen, beispielsweise das Verändern von Prozessparametern oder Maschineneinstellungen, können Unternehmen oft große Schäden verhindern.

Predictive Quality ermöglicht es ihnen aber nicht nur, Ausschuss zu verhindern, sondern auch, die Qualität ihrer Produkte fortlaufend zu optimieren. Indem sie die Erkenntnisse über Abweichungen, die sich im Herstellungsprozess negativ auf die Qualität auswirken, in die Prozess-Parametrierung übernehmen, können sie die Qualitätsrate kostengünstig erhöhen.

Overall Equipment Effectiveness: Altsysteme nachträglich mit Sensoren ausstatten

Predictive-Performance-Anwendungen nutzen die von Predictive Maintenance und Predictive Quality erkannten Anomalien. Mit ihnen werden die Machine-Learning-Algorithmen laufend weitertrainiert und optimiert, was Fertigungsunternehmen eine kontinuierliche Verbesserung der Performance ermöglicht.

Eine große Herausforderung bei der Realisierung solcher Anwendungen sind die Altsysteme von Industrieunternehmen. In einer Produktionsanlage und der angeschlossenen Intralogistik haben die Maschinen eine Lebensdauer von 20 oder noch mehr Jahren. Viele vorhandene Systeme besitzen deshalb nicht die Sensorik neuer Maschinengenerationen für die Erfassung von Daten. Dennoch möchten die Unternehmen sie natürlich weiter betreiben, solange es technisch und wirtschaftlich sinnvoll ist.

Das können sie auch, denn in den meisten Fällen lassen sich Altsysteme durch digitalen Retrofit mit Sensoren nachrüsten, um die erforderlichen Daten zu erfassen und an die IT-Systeme weiterzuleiten. Neben konventioneller Vibrations-, Temperatur- und Strom-Mess-Technik zählen dazu auch neue optische und akustische Sensoren. Diese beiden Sensortypen eignen sich besonders gut dafür, Predictive Maintenance, Predictive Quality und Predictive Perfomance zu betreiben.

Bewährte Frameworks stehen zur Verfügung

Für den Retrofit ihrer Maschinen und die Implementierung der Anwendungen stehen Industrieunternehmen bewährte technische Frameworks aus einem Guss zur Verfügung. Sie beinhalten ein Set an Sensorik sowie Datenverarbeitung und Datenanalytik mit verschiedenen vortrainierten Machine-Learning-Modellen in einer IoT-Umgebung und in der Cloud. Abhängig von Faktoren wie Antwortzeiten, Netzwerkverfügbarkeit, Kosten und Sicherheitsanforderungen können damit Lösungen in Netzwerken aufgebaut werden, die von den Produktionen komplett separiert oder in die geschlossenen Produktionsumgebungen integriert sind. So oder so sorgen die Frameworks für niedrige Projektkosten und geringe Risiken.

Der Autor Chris Plüss ist verantwortlich für Strategic Market Development bei LeanBI.

Lesen Sie auch: DN Solutions: Automation und Digitalisierung im Werkzeugmaschinenbau