IBM Industrie 4.0: Von Daten zum Wissen

Die Rückrufquoten aller Automobilhersteller steigen, auch wenn die deutschen Fahrzeugbauer zu den besten der Welt gehören. Dieses Phänomen zeigt, dass der Optimierungsbedarf entlang den Entwicklungs- und Produktionsprozessen sowie der finalen Qualitätskontrollen eher zu- als abnimmt. Denn die technische Komplexität der Fahrzeuge wächst, die Industrie arbeitet in immer kürzeren Entwicklungszyklen und unter weiter zunehmendem Kostendruck.

Anbieter zum Thema

MPDV Mikrolab GmbH

Weidmüller Deutschland

KALTENBACH.SOLUTIONS GmbH

IBM Deutschland GmbH

IBM Deutschland GmbH Geschäftsbereich Lotus

mehr weniger

IBM Deutschland GmbH

weniger

Die technische Komplexität in der Automobilindustrie wächst und es wird in immer kürzeren Entwicklungszyklen gearbeitet. Dabei darf natürlich nichts teurer werden. Um die damit einhergehenden Probleme in den Griff zu bekommen, gewinnen Themen wie vorausschauende Wartung (Predictive Maintenance) und Qualitätssicherung, die bereits zum Zeitpunkt der Produktion stattfinden (PMQ Predicitve Maintenance & Quality) zunehmend an Bedeutung.

Durch den konsistenten PMQ-Einsatz im gesamten Fahrzeuglebenszyklus – von Engineering, über Produktion bis hin zu After-Sales – wird dafür gesorgt, dass die Fahrzeuge zuverlässiger und sicherer werden, die Rückrufquoten deutlich sinken und Fahrzeuge seltener in die Werkstätten müssen. Dabei kommen PMQ-Lösungen immer häufiger bereits bei der Produktentwicklung zum Einsatz – zum Beispiel bei der Analyse von komplexen Ursache-Wirkungszusammenhängen (Root-Cause-Analyse) in Vorserienmodellen und frühen Baureihen. Hier ermöglicht die frühzeitige Analyse von Sensor- und Telemetriedaten unter anderem, dass neue Modelle schneller in die Serienfertigung gehen können und dies bei gleichzeitiger Verringerung der Kinderkrankheiten. PMQ schlägt damit zwei Fliegen mit einer Klappe: Es verbessert die Produktqualität und senkt die Entwicklungskosten.

Von Daten zum Wissen

Um Maßnahmen zur Qualitätssicherung vornehmen zu können, ist es notwendig, Daten, die in den Produktionsprozessen anfallen, zu sammeln und auszuwerten. Der Knackpunkt bisher: Daten werden von den Maschinen und in den Prozessen zwar bereits seit längerem und in großem Umfang generiert, doch sie fristen meist ein ungenutztes und isoliertes Dasein im Speicher einzelner Maschinen, bis sie von neuen Daten überschrieben werden. Es besteht dringender Handlungsbedarf, diese Daten aus den Maschinen herauszuholen, im Kontext der Produktion zu korrelieren, um daraus Wissen zu generieren. Gewonnen werden damit vor allem neue Erkenntnisse über potenzielle Produktionsausfälle, sich anbahnende Qualitätsprobleme, zu Ausschuss oder möglichen Engpässen.

Im Kontext von Industrie 4.0 sprechen wir bei der Verknüpfung dieser Daten, die von den Maschinen geliefert werden, über eine vertikale Integration. Sie muss ergänzt werden um die horizontale Datenintegration sowie einen durchgängigen Modellierungsansatz. Denn nicht nur die Maschinen, sondern auch andere Systeme liefern zusätzliche Informationen, die für die Umsetzung von Industrie 4.0-Konzepten unerlässlich sind: Dazu gehören unter anderem Daten zu Umweltbedingungen, zur Produktionsplanung und Logistik, die oft auch jenseits der Grenzen des eigenen Unternehmens liegen können. Die Einbeziehung dieser Daten wird als horizontale Integration bezeichnet.

(ID:43519053)