The increased adoption of the Internet of Things (IoT) has bombarded manufacturers with a flood of data that they can hardly handle with traditional information technology methods.

And as factories become more tech-intensive, it has become imperative for manufacturers to find ways of tracking and analyzing this machine data in order to remain competitive.

This means manufacturers need to zero in on the key metrics that affect their operations, allowing them to monitor and optimize production across their shop floor.

But before we can get into that, here’s a quick recap of the basics.

Was sind maschinengenerierte Daten?

Mit der schieren Automatisierung der mechanisierten Bereiche eines Fertigungsbetriebs sickert eine Fülle von Daten aus den in der Fabrik installierten Maschinen und Geräten.

Einfacher ausgedrückt, sind maschinengenerierte Daten genau das - Daten, die von den Geräten an der Produktionslinie und in anderen Fabrikbereichen stammen. Jede Aktion und Entscheidung, die von einer Maschine ohne direkte menschliche Eingaben getroffen wird, wird in einem System oder einer Datenbank protokolliert, wodurch maschinengenerierte Daten entstehen.

Dies ist eine Abkehr von den traditionellen Methoden, die sich stark auf proprietäre Software zur Protokollierung und Sortierung verschiedener uneinheitlicher Daten von Fabrikgeräten verließen. Die aktuelle Datenflut erfordert jedoch mehr Verarbeitung, um den Teams, die den Betrieb steuern, verwertbare Erkenntnisse zu liefern.

Hier sind einige der verschiedenen Arten von maschinell erzeugten Daten, die in einem typischen Produktionsbetrieb anfallen.

Arten von Maschinendaten

Mit der zunehmenden Komplexität der Produktionsabläufe werden auch die Geräte, die in der Fabrikhalle benötigt werden, immer komplexer. Folglich produzieren diese Maschinen in ihren verschiedenen Funktionen unterschiedliche Arten von Daten.

Daher können maschinell erstellte Daten grob in diese Typen eingeteilt werden:

  • Sensordaten: Da die Maschinen während ihrer geplanten Laufzeit fast ununterbrochen laufen, durchlaufen sie verschiedene Funktionen und Prozesse, die wertvolle Daten liefern. Sensoren in den Maschinen erfassen Druck, Temperatur, Feuchtigkeit, Vibrationen, Beschleunigung und sogar den Stromverbrauch. Diese Art der Maschinendatenerfassung spielt eine zentrale Rolle, wenn es darum geht, den Zustand der Maschinen über die Gesamtanlageneffektivität (Gesamtanlageneffektivität (OEE)) im Auge zu behalten und Entscheidungen über die vorausschauende Wartung und Fehlerbehebung zu treffen.

  • Daten protokollieren: Einige Maschinen verwenden Datenbanken und protokollieren verschiedene Arten von Daten, die für die Analyse der Leistung und anderer kritischer Elemente in der Fabrikhalle wichtig sind. Darüber hinaus können verschiedene Anwendungen, Webserver und Dateisysteme, die in Fertigungsprozesse eingebunden sind, ideale Quellen für diese maschinengenerierten Daten sein.

  • Netzwerkdaten: Eine mit vernetzten Maschinen und intelligenten Geräten ausgestattete Fabrikhalle erzeugt eine Vielzahl von Netzwerkdaten, da diese Geräte im Laufe der Produktion miteinander kommunizieren. Die Maschinen interagieren nicht nur drahtlos über edge devices, sondern auch über kabelgebundene Verbindungen über lokale Netzwerke. Die Analyse von Maschinendaten macht es daher einfacher, die Integrität des Netzwerks, über das die Maschinendaten übertragen werden, im Auge zu behalten.

Implementierung der maschinellen Datenerfassung

Hersteller, die digitale Technologien in ihren Betrieben einsetzen, sind besser in der Lage, ihre Prozesse zu optimieren und sicherzustellen, dass die Produktion reibungslos abläuft und sich mit der Zeit verbessert. Das Ausmaß, in dem ein Unternehmen in der Lage ist, kontinuierlicher Verbesserungsprozess voranzutreiben, hängt davon ab, wie und von wo aus es die Maschinendatenerfassung einsetzt.

Bevor Sie mit der Datenerfassung beginnen, sollten Sie unbedingt Ihre Geschäftsprozesse durchforsten, um Ihre aktuelle Kapazität zur Erfassung von Maschinendaten zu ermitteln und mögliche Lücken in der Datenerfassung zu identifizieren.

Anschließend können Sie verschiedene, auf Ihren Betrieb zugeschnittene Lösungen einführen, um die notwendigen Daten für Verbesserungen zu erhalten.

Hier finden Sie einige Beispiele für wichtige Quellen für die Sammlung von Maschinendaten:

  • Maschinen im Betrieb: Die Maschinen in der Fabrikhalle sind eine großartige Quelle für wertvolle Daten. Moderne Maschinen sind mit verschiedenen Sensoren ausgestattet, die verschiedene Arten von Daten übermitteln. Diese Daten liefern aktuelle Informationen über den Status der jeweiligen Maschine, so dass die Bediener bei Bedarf fundierte Entscheidungen treffen können. Darüber hinaus verfügen einige Fabriken über Edge Computing, das diese Daten analysiert, so dass der Mensch bei der Maschinenoptimierung nicht mehr eingreifen muss.

  • Vernetzte Systeme: Die Maschinen im Betrieb geben nicht immer ein vollständiges Bild ab. Daher können Sie mit vernetzten Fabriksystemen externe Anwendungen integrieren, um einen ganzheitlicheren Blick auf die von Maschinen und Industrieanlagen erzeugten Daten zu erhalten.

  • Menschlicher Einsatz: Werkzeugmaschinen und vernetzte Systeme können nur so viel tun, wie sie brauchen, um wichtige Daten zu sammeln. In vielen Fällen müssen die Bediener vor Ort einige Daten manuell eingeben, um den Daten mehr Kontext zu geben, damit Sie leichter fundierte Entscheidungen treffen können.

Wesentliche Maschinenmetriken, die Sie im Auge behalten sollten

In Anbetracht der oben genannten Punkte sollten Sie einige wichtige Produktionskennzahlen im Auge behalten:

  • Produktionsvolumen: Das ist die Menge an Produkten, die Ihr Werk vom Band laufen lassen kann.

  • Betriebs- und Ausfallzeit der Maschine: Auch bekannt als Betriebszeit, ist dies die tatsächliche Zeit, die eine Maschine in einem bestimmten Zeitraum arbeitet. Diese Kennzahl gibt Aufschluss über die Zeit, die bei Stillständen, Pannen oder Schichtwechseln verloren geht.

  • Durchsatz: Die Produktmenge, die eine Maschine in einem bestimmten Zeitraum ausstößt. Diese Kennzahl kann auch auf die gesamte Produktionslinie angewendet werden, um ihre Effizienz zu überprüfen.

  • Gesamtanlageneffektivität (Gesamtanlageneffektivität (OEE)): Ein Maß für die Produktivität. Gesamtanlageneffektivität (OEE) beschreibt den Anteil der Zeit, in der eine Maschine mit Spitzenleistung arbeitet. Diese Kennzahl ist ein Produkt aus Maschinenverfügbarkeit, Leistung und Qualität.

  • Ausbeute beim ersten Durchlauf: Dies ist der Anteil der Produkte, die die Linie verlassen, die keine Fehler aufweisen und den Spezifikationen entsprechen, ohne dass Nachbesserungen erforderlich sind.

  • Mittlere Zeit zwischen Ausfällen: MTBF zeigt einem Fertigungsbetrieb die Betriebszeit an, die durch einen Geräteausfall verloren geht. Sie ist somit auch ein Indikator für die Zuverlässigkeit einer Maschine.

  • Mittlere Ausfallzeit: Diese Kennzahl wird als MDT bezeichnet und ist ein umfassender Indikator für die Zeit, die für Reparaturen und Wartung benötigt wird. Sie beinhaltet alle Verzögerungen, die durch das Eintreffen von Ersatzteilen entstehen, sowie die Zeit, die durch die Unfähigkeit eines Technikers verloren geht.

  • Energiekosten pro Einheit: Dies sind die Kosten für Strom, Dampf, Öl oder Gas, die zur Herstellung einer bestimmten Produkteinheit in der Fabrik benötigt werden.

Verwandeln Sie Daten in Erkenntnisse mit Kontextualisierung

Sobald Sie die wichtigsten maschinengenerierten Daten gesammelt haben, die Sie verfolgen müssen, besteht der nächste entscheidende Schritt darin, diese Daten in Werte umzuwandeln. Es reicht nicht aus, nur maschinell erzeugte Daten zu haben. Untersuchungen zeigen, dass Data Lakes in der Branche zwar immer mehr Verbreitung finden, Wissenschaftler aber immer noch 80 % ihrer Zeit mit der Bereinigung von Daten in einer Tabellenkalkulation verbringen, anstatt Analysen durchzuführen und Algorithmen zu verfeinern. Ineffiziente Data Lakes führen die Hersteller in die Falle des Datenreichtums, aber des Informationsmangels.

Datenreich, informationsarm (DRIP) ist ein Syndrom, bei dem Unternehmen reich an Daten sind, ihnen aber die Prozesse fehlen, um diese Daten zu nutzen und Wettbewerbsvorteile zu schaffen. Leider ist DRIP zu einer Beschreibung vieler Hersteller geworden, die viel in Technologie investiert haben: Ihre Daten quellen über, aber es fehlt ihnen die Bandbreite, um mit diesen Daten etwas anderes zu tun, als sie in PDFs auszudrucken und ein paar Tabellen und Grafiken zu erstellen.

Um aus der DRIP-Falle herauszukommen, müssen Hersteller maschinell erzeugte Daten mit menschlichen Eingaben anreichern und das Wo, Wie und Wer der Datenerfassung angeben. Datenkontextualisierung bedeutet, dass maschinell erzeugte Daten mit menschlichen Eingaben angereichert werden, um Daten zu Informationen zu machen. Sie ermöglicht es Ihrem Unternehmen, aussagekräftige und umsetzbare Einblicke zu gewinnen und ist ein grundlegender Schritt auf dem Weg zu vorausschauenden und anpassungsfähigen Fertigungssystemen.

Durch die Kombination verschiedener Datenquellen und -typen gibt die Datenkontextualisierung den Mitarbeitern an der Front Echtzeitinformationen und verwertbare Erkenntnisse an die Hand, um zeitnahe und wirkungsvolle Entscheidungen direkt im Betrieb zu treffen. Dies bedeutet nicht nur Verbesserungen bei Effizienz, Qualität und Produktivität, sondern auch ein neues Maß an Agilität, das Unternehmen helfen kann, schnell und nachhaltig zu skalieren.

Wenn Sie erfahren möchten, wie Sie Ihre maschinell erzeugten Daten kontextualisieren und in echte Werte umwandeln können, hören Sie sich unser Webinar über Datenkontextualisierung und Implementierung an.

Automatisieren Sie die Datenerfassung in Ihrem gesamten Betrieb mit Tulip

Erfahren Sie, wie Hersteller Apps nutzen, um Echtzeitdaten von Menschen, Maschinen und Sensoren in ihren Anlagen zu sammeln.

Tag im Leben CTA Illustration