Maschinendaten erfassen und Rohstoffqualität berechnen

Branche: Bau, Chemie und Rohstoffe, Energie und Umwelt, Industrie und Produktion, Pharma und Gesundheit, Verkehr und Logistik

Aufgabenbereich: Forschung und Entwicklung, Produkt Management, Produktion, Qualitätsmanagement

Herausforderung

Die Maschinen laufen, aber nur die Maschinenführer vor ihnen kennen das Verhalten der Maschine und wissen um ihren „Gesundheitszustand“. Was ein Menschen an komplexen Sensoren für diese Einschätzung verwendet, ist oft nicht einfach nachvollziehbar. Die Stillstände während einer komplexen Lieferkette kosten enormes Geld und dies gilt es zu verhindern. Ungeplante Maschinenausfälle sind kosten intensiv, da nicht die Reparatur, sondern die Anhängigkeit zu anderen Prozessen die Kosten in die Höhr treiben.

Lösung

Wissen, handeln, bestehen
Predictive Quality

Die Maschinendaten werden aus den bestehenden Systemen herangezogen, ausgewertet und mittels künstlicher Intelligenz trainiert. Das Anbahnen von Ausfällen gilt es zu erkennen und durch Wartungsmaßnahmen verhindern zu können.

Wie dies technisch umgesetzt ausschauen könnte, entnehmen Sie der Darstellung einer Microsoft IoT Referenz Architektur:

Und so werden die Maschinendaten ausgelesen:

Nutzen

Ausfälle und damit Kosten zu reduzieren ist die Lösung. Dieses Ziel wird konsequent verfolgt. Die lückenlose Dokumentation und Erfassung der Maschinendaten hilft vielen Beteiligten zur Nachverfolgung von Störungen. Die Kombination dieser Daten mit den Auftragsdaten ermöglicht die Analyse von Qualitätsparametern. Welche Rohstoffe von Lieferant A lassen sich nicht gut verarbeiten und verursachen am meisten Störungen.