Durch smarte Technologien auf dem Shopfloor, in Maschinen und Anlagen ergeben sich großartige neue Möglichkeiten zur Prozessüberwachung, Effizienzsteigerung, Predictive Maintenance und Qualitatssicherung.
Mit den richtigen Strategien und Tools für Big Data in Shopfloor und Lager kann man jede Produktion mit überblickbarem Aufwand zur Smart Factory werden lassen.
In der Smart Factory und im Smart Warehouse fallen große Mengen an Daten an wie z. B. Statusdaten zur Systemüberwachung oder Daten zu Produkten, Produktionsschritten und Warenflüssen für die Fertigung und Intralogistik.
Für die technisch effiziente und wirtschaftlich sinnvolle Umsetzung von Industrie 4.0 in den eigenen Betrieb sind einige Fragen zu beantworten.
Wie sieht der „richtige“ Umgang mit diesen Daten aus?
Welche Systeme können für die Datenspeicherung und Verarbeitung genutzt werden?
Wie soll der User die Daten nutzen? Welche Funktionen werden benötigt?
Welche Möglichkeiten habe ich für das Frontend?
Welche Analysen werden benötigt und wo kann eine Kl eingesetzt werden?
Systemstrategie
Ausgangspunkt ist die Sensorik, die Daten zur Statusüberwachung (Temperatur, Druck, Vibration etc.) oder Objekt Interaktion (RFID, Bilddaten, Geräusche) liefert. Die Sensorik übergibt die
Daten an eine Anwendungs-, Dienstlandschaft oder Servicebus.
Für Datenanwendungen im Operations-Bereich empfiehlt es sich, etablierte Standard-Technologien zu verwenden. Dadurch können schwer wartbare „IT-Silos“ und zukünftige Legacy-Situationen vermieden werden.
Das Entwurfsmuster, das hier verwendet wird, orientiert sich am MVVM-Prinzip. Das bedeutet, dass die Bereiche Daten, User, Interface und Anwendungssteuerung eindeutig sowie sauber voneinander getrennt werden. Zudem werden sie eigenständig entwickelt.
Eine geschützte Struktur mit standardisierten APIs und sorgfältig ausgewähltem Technologie-Stack sorgt für eine nahtlose Integration in bestehende und zukünftige IT-Systeme wie MES und
ERP.
Datenspeicherung und -processing
Große Datenmengen stellen für die effiziente Speicherung und den schnellen Datentransfer nicht nur in Ex-Bereichen eine besondere Herausforderung dar.
Allerdings werden durch die angesprochenen Systeme Möglichkeiten geschaffen, diese gut strukturiert und in repetitiven Vorgängen zu nutzen.
Des Weiteren ist eine mehrstufige Infrastruktur mit Edge, Fog und Cloud Systemen zur (Zwischen-)Speicherung von Daten zu empfehlen.
Datenbank-Technologien, die auf die Verarbeitung großer Datenmengen zugeschnitten sind, bilden die Basis für die weitere Verarbeitung und Aufbereitung für Frontends und Analytics, je nach
Anwendungsfall und Skalierungsbedürfnis im relationalen oder NoSQL Ansatz.
Zusätzlich zu den Datenspeicherungen werden Backend-Services zur Benutzerverwaltung und Authentifizierung von Schnittstellen und Data Processing eingesetzt.
Frontend, Dashboards
Für die Dashboards werden Anwendungs-Frameworks für datenbasierte Frontends genutzt, z. B. Angular-basierte Webanwendungen als User Interface. Diese geben Ihrem Unternehmen eine hohe Flexibilität und ermöglichen die schnelle Implementierung durch modulare Architektur. Zudem ist eine hohe Skalierbarkeit sowie Erweiterbarkeit jederzeit gegeben. Damit sind die Technologien sehr investitionssicher und können vom kleinen Proof of Concept bis zur vollständigen Überwachung der Fertigung problemlos angepasst werden.
Dashboards werden individuell entwickelt oder im Rahmen von marktführenden Business Intelligence Lösungen umgesetzt, z. B. Power BI Embedded Solutions.
Analytics und KI
Was machen wir mit den Daten? Was sehen wir darin? Wie können wir sie nutzen? Oft ist eine gewisse Ratlosigkeit auszumachen, wenn es um die Nutzung der Daten geht. Es ist faszinierend, was man alles messen und erfassen kann. Und nun?
Aus der großen Zahl an Möglichkeiten werden die für den Anwendungsfall relevanten Analysedaten kondensiert.
Anwendungsfälle sind, dass z. B. KPI und Indikatoren für die System Health entwickelt werden. Damit hat die Produktionsleitung einen Uberblick über den Status der Maschinen und Anlagen, es werden Muster und Anomalien erkannt. Dadurch ist die Früherkennung von Störungen und teilweise eine Predictive Maintenance möglich.
Die Erkennung von Anomalien kann ebenfalls ein früher Indikator für Fehler im Ablauf und z. B. Qualitätsprobleme im Endprodukt sein. So kann schon während der Auftragsbearbeitung und nicht erst anschließend in der Qualitätskontrolle ein Problem erkannt werden und es ist möglich, deutlich früher korrigierend einzugreifen.
Wenn Sie sich für die Möglichkeiten von Daten-Anwendungen in Produktion und Intralogistik interessieren, freuen wir uns über Ihre unverbindliche Kontaktaufnahme.
Operations meets Data Analytics – Integrated data applications for production, storage technology and Industry 4.0
Smart technologies on the shop floor, in machines and systems open up great new possibilities for process monitoring, increased efficiency, predictive maintenance and quality assurance.
With the right strategies and tools for big data in the shopfloor and warehouse, you can turn any production into a smart factory with manageable effort.
Large amounts of data are generated in the Smart Factory and Smart Warehouse, e. g. status data for system monitoring or data on products, production steps and flow of goods for manufacturing and intralogistics.
For the technically efficient and economically sensible implementation of Industry 4.0 in your own company, some questions have to be answered.
- What is the „correct“ handling of this data?
- Which systems can be used for data storage and processing?
- How should the user use the data? Which functions are required?
- What options do I have for the frontend?
- Which analyses are required and where can an KI be used
System strategy
The starting point is the sensors, which provide data for status monitoring (temperature, pressure, vibration, etc.) or object interaction (RFID, image data, noise). The sensors transfer the data to an application service landscape or service bus.
For data applications in the operations area, it is advisable to use established standard technologies. This avoids hard-to-maintain „IT silos“ and future legacy situations.
The design pattern that is used is based on the MVVM principle. This means that the areas of data, user, interface and application control are clearly and cleanly separated from each other. In addition, they are developed independently.
A protected structure with standardized APIs and carefully selected technology stack ensures seamless integration into existing and future IT systems such as MES and ERP.
2. Data storage and processing
Large amounts of data pose a particular challenge for efficient storage and fast data transfer, not only in hazardous areas.
However, the systems mentioned create opportunities to use them well-structured and in repetitive processes.
Furthermore, a multi-level infrastructure with edge, fog and cloud systems for (temporary) storage of data is recommended.
Database technologies that are tailored to the processing of large amounts of data form the basis for further processing and preparation for frontends and analytics, depending on the use case and scaling needs in the relational or NoSQL approach.
In addition to data storage, backend services are used for user management and authentication of interfaces and data processing.
3. Front end, dashboards
The dashboards use application frameworks for data-based frontends, e.g. Angular-based web applications as user interfaces. These give your company a high degree of flexibility and enable rapid implementation thanks to the modular architecture. In addition, there is a high degree of scalability and expandability at any time. This means that the technologies are a very safe investment and can be easily adapted from a small proof of concept to full production monitoring.
Dashboards are developed individually or implemented as part of market-leading business intelligence solutions, e. g. B. Power BI Embedded Solutions.
Analytics and AI
What to do with the data? What to see in it? How to use them? A certain helplessness can often be identified when it comes to the use of the data. It’s fascinating what you can measure and record. And now?
From the large number of possibilities, the analysis data relevant to the application is condensed.
Use cases are, for example, that KPIs and indicators for system health are developed. This gives the production management an overview of the status of the machines and systems, and patterns and anomalies are detected. This enables the early detection of faults and, in some cases, predictive maintenance.
The detection of anomalies can also be an early indicator of errors in the process and, for example, quality problems in the final product. In this way, a problem can be detected early during the processing of a manufacturing order and not only afterwards in quality control, which makes it possible to intervene much earlier to correct.
If you are interested in the possibilities of data applications in production and intralogistics, we look forward to hearing from you.