In diesem zweiten Teil unserer Blogreihe über Industrie 4.0 befassen wir uns mit den häufigsten industriellen Anwendungsfällen, die unsere Kunden lösen wollen. Wir zeigen, wie die Snowflake Plattform für Industrie 4.0 genutzt werden kann.  

Wie bereits in dem vorherigen Beitrag erörtert, ist eine der wichtigsten Triebfedern von Industrie 4.0 die Fähigkeit, große Datenmengen zu erfassen und zu analysieren. Dies ermöglicht fortschrittlichere Analysen und eine schnellere Entscheidungsfindung. Um datengestützte Erkenntnisse zu gewinnen, benötigen Unternehmen eine grundlegende Cloud-Plattform mit Daten-Pipelines, die sowohl IT- als auch OT-Daten in großem Umfang erfassen können. Darüber hinaus sollte diese Datenplattform für die Fertigung die Konvergenz von IT und OT mit einem präzisen Asset-Modell und einer in der Cloud erstellten Anlagenhierarchie in Verbindung mit KI/ML-basierten Analysefunktionen erleichtern.

 Snowflakes Data Cloud für die Fertigung

Snowflake weiß, dass es notwendig ist, diese Cloud-Plattform für die Fertigung mit Daten-Pipelines einzurichten, um sowohl IT- als auch OT-Daten zu erfassen und die Konvergenz zu erleichtern. In Verbindung mit unseren Analysetools wie Streamlit und Snowpark erhalten unsere Kunden und Partner genau die analytischen Fähigkeiten, die sie für die Umsetzung ihrer Industrie 4.0-Anwendungsfälle benötigen.

Snowflake hat vor, den Fokus aller unserer Partner und Kunden darauf zu lenken, Applications auf der Data Cloud aufzubauen, wobei offene Pipelines für die wirtschaftliche und skalierbare Erfassung von IT- und OT-Daten eingerichtet werden.

Powered by Snowflake Apps auf der Data Cloud für die Fertigung

Die Anwendungsfälle der Datenanalyse lassen sich grob in die folgenden vier Kategorien einteilen (angesichts der großen Menge an mehrdimensionalen Daten wird in allen vier Kategorien KI/ML zur Gewinnung von Erkenntnissen eingesetzt):

  • Deskriptive Analytik: Analysetools für die Bereitstellung von Details zu den Vorgängen in einer Produktionsstätte (z. B. Fertigungs-KPIs wie Gesamtanlageneffektivität und Zykluszeit) 
  • Diagnostische Analytik: Analysetools, die dabei helfen können, die Gründe für das Auftreten eines Ereignisses zu ermitteln (z. B. ungeplanter Maschinenstillstand)
  • Vorausschauende Analytik: Analysetools zur Erkennung von Anomalien und zur Vorhersage eines Ereignisses, bevor es eintritt (z. B. können wir mit der Erkennung von Anomalien Geräteausfälle oder einen Qualitätsabfall vorhersagen)   
  • Präskriptive Analytik: Diese Analysen kombinieren Daten, KI-Modelle und Geschäftsregeln, um Empfehlungen für Entscheidungsträger zu generieren und Unternehmen dabei zu helfen, die beste Vorgehensweise in jeder Situation zu ermitteln (z. B. Vermeidung von Geräteausfällen durch Empfehlungen für die Planung von Wartungsarbeiten und Bestellung von Ersatzteilen)  

Die Lösungen und Beschleuniger, die unsere Kunden und Partner auf der Snowflake Data Cloud für die Fertigung aufbauen, umfassen unter anderem die folgenden:

Analyse von Zykluszeiten: Zykluszeit bezieht sich auf die Zeit, die eine Maschine oder ein Prozess benötigt, um einen einzelnen Produktionszyklus abzuschließen. Bei Verkürzung der Zykluszeit kann die Effizienz und Produktivität des Fertigungsprozesses gesteigert werden, da mehr Einheiten in einem bestimmten Zeitraum produziert werden können. Vor allem in Produktionsumgebungen mit großen Mengen, wie z. B. in der Automobil- oder Hightech-Branche, versuchen Kunden, Mikrostillstände zu analysieren, um sie durch eine effektive Nutzung der Produktionsmittel zu reduzieren, was zu einer Verbesserung der Zykluszeit führt. 

Es gibt verschiedene Möglichkeiten, die Zykluszeit in einer Industrie 4.0-Umgebung zu analysieren und zu optimieren. So können beispielsweise Daten von Maschinen in Verbindung mit anderen Datensätzen genutzt werden, um Engpässe und Ineffizienzen im Produktionsprozess zu ermitteln. KI und Algorithmen für maschinelles Lernen (ML) können diese Daten analysieren und Prozessverbesserungen vorschlagen. Darüber hinaus kann die Zykluszeit nahezu in Echtzeit überwacht werden, sodass Anpassungen zur Optimierung der Gesamtleistung in Echtzeit vorgenommen werden können. Lösungen von Partnern wie LTI, Wipro und Dataiku, die von deskriptiven bis hin zu vorausschauenden Analysen reichen, können dabei helfen, die Kennzahlen der Zykluszeit zu verstehen und sie zu optimieren. 

Ertrag: Dies bezieht sich auf den Anteil des erfolgreich produzierten Produkts im Verhältnis zur Gesamtmenge der für den Produktionsprozess verwendeten Rohstoffe. Wenn ein Werk beispielsweise aus 500 Einheiten Rohmaterial 100 Einheiten eines Endprodukts herstellt, beträgt der Ertrag 20 %. Der Ertrag ist ein wichtiges Maß für die Effizienz in der Fertigung, da er sich auf die Gesamtkosten der Produktion auswirken kann. 

Faktoren, die sich auf den Ertrag in der Produktion auswirken können, sind die Qualität der Rohstoffe, die Effizienz der Produktionsprozesse und die Wirksamkeit der Qualitätskontrolle. Um den Ertrag zu verbessern, müssen Engpässe oder Ineffizienzen im Produktionsprozess ermittelt und beseitigt werden, was möglicherweise zu Qualitätsverbesserungen führen kann. Dies kann durch die Implementierung von daten- und KI-gestützten Erkenntnissen erreicht werden, um die Ursachenanalyse zu beschleunigen und diese Engpässe und Qualitätsprobleme zu reduzieren bzw. zu beseitigen, um den Ertrag insgesamt zu verbessern. Lösungen unseres Partners Dataiku haben bei Kunden, die die Data Cloud für die Fertigung und die Analysetools von Snowflake nutzen, präzise Geschäftsergebnisse erzielt.  

Gesamtanlageneffektivität: Die Gesamtanlageneffektivität ist eine Kennzahl zur Messung der Effizienz eines Fertigungsprozesses oder eine Produktionslinie. Sie ist ein Maß dafür, wie gut ein Produktionsprozess ausgelastet ist, und berücksichtigt Faktoren wie Verfügbarkeit, Performance und Qualität. Verfügbarkeit bezieht sich auf den prozentualen Anteil der Zeit, die eine Produktionslinie für die Produktion zur Verfügung steht, unter Berücksichtigung geplanter und ungeplanter Ausfallzeiten. Mit Performance wird die Geschwindigkeit gemessen, mit der die Produktionslinie im Vergleich zu ihrer geplanten Kapazität arbeitet. Dabei werden Faktoren wie langsame Zyklen und Maschinengeschwindigkeit berücksichtigt. Unter Qualität fällt der Prozentsatz der produzierten fehlerfreien Produkte im Vergleich zur Gesamtzahl der produzierten Produkte.

Die Gesamtanlageneffektivität wird durch Multiplikation der Verfügbarkeit, Performance und Qualität eines Produktionsprozesses berechnet. Wenn eine Produktionslinie zum Beispiel eine Verfügbarkeit von 90 %, eine Performance von 95 % und eine Qualität von 99 % hat, würde die Gesamtanlageneffektivität wie folgt berechnet werden: Gesamtanlageneffektivität = 90 % * 95 % * 99 % = 84,55 %. Für diese Berechnung der Gesamtanlageneffektivität werden sowohl Daten von Maschinen als auch von IT-Systemen wie Qualitäts-/Wartungssystemen benötigt. Partner wie LTI verfügen über Lösungen, die Einblicke in die Gesamtanlageneffektivität und Tools für die Ursachenanalyse bieten, um eine Verschlechterung der Effektivität zu verstehen und diese für ein besseres Verständnis des Problems dann mit den einzelnen Bestandteilen zu korrelieren. 

Vorausschauende Wartung: Dabei handelt es sich um eine Wartungsstrategie, bei der mithilfe von Daten und Analysen vorhergesagt wird, wann Geräte oder Maschinen wahrscheinlich ausfallen oder gewartet werden müssen, sodass die Wartung im Voraus geplant werden kann. Das Gegenteil davon ist die reaktive Wartung, bei der die Wartung nur durchgeführt wird, wenn ein Problem oder ein Ausfall auftritt, oder die präventive Wartung, bei der die Wartung nach einem vorher festgelegten Zeitplan und unabhängig vom aktuellen Zustand der Anlage durchgeführt wird.

Im Rahmen von Industrie 4.0 kann die vorausschauende Wartung mit Hilfe von Sensoren und IoT-Technologien ermöglicht werden, die Daten über die Performance und den Zustand von Anlagen und Maschinen erfassen. Diese Daten können dann mit prädiktiven Analysetechniken analysiert werden, z. B. mit ML-Algorithmen, die Muster und Trends erkennen können, die darauf hinweisen, wann eine Wartung wahrscheinlich erforderlich ist. Werden Wartungsarbeiten frühzeitig geplant, kann das Risiko ungeplanter Ausfallzeiten minimiert und können Zuverlässigkeit und Effizienz des Produktionsprozesses insgesamt verbessert werden. Unsere Partner wie Wipro und LTI nutzen die KI/ML-Funktionen von Snowflake und Snowpark, um Anwendungen für vorausschauende Wartungen zu entwickeln. 

Qualität: Technologien für Industrie 4.0 können auf vielfältige Weise zur Verbesserung der Qualität in der Fertigung eingesetzt werden. Einer der häufigsten Ansätze ist die Automatisierung der Qualitätskontrolle, wofür auf Computer Vision basierende Prozesse zum Einsatz kommen. Visuelle Prüfungen erfolgen bei diesem Ansatz nicht durch das menschliche Auge, sondern durch ein CV-System, das von einem KI-Modell unterstützt wird, das auf die Erkennung von Fehlern trainiert wurde. Die Prüfgenauigkeit und der Durchsatz werden dadurch bei diesem Verfahren erheblich verbessert. Snowflake arbeitet mit Partnern wie Wipro und Dataiku zusammen, die Lösungsangebote auf Basis der Snowflake Data Cloud entwickelt haben, um diesen Anwendungsfall umzusetzen.  

Energieoptimierung: Ein weiterer wichtiger Anwendungsfall, der für unsere Kunden von Interesse ist, ist die Optimierung des Energieverbrauchs in einer Produktionsstätte. Dort sind die größten Energieverbraucher die Produktionsmaschinen, gefolgt von HLK-Systemen und Luftkompressoren. Kunden müssen die Spitzenlastcharakteristik der Produktionsstätte verstehen und die Spitzenlast reduzieren, indem sie die Energiedaten im Hinblick auf Linie, Maschine, Schicht, Bediener und die hergestellten Produkte in Zusammenhang setzen. Darüber hinaus versuchen Kunden, den Gesamtenergieverbrauch zu optimieren, indem sie KI/ML-Algorithmen zum Heizen oder Kühlen der Produktionsstätte nutzen, anstatt die HLK-Systeme über Sollwert-Thermostate zu steuern. Snowflake arbeitet mit Partnern wie Opto 22 zusammen, wodurch Energiesensoren zur Verfügung stehen, die Energiedaten von Stromzählern und Maschinen mit hoher Genauigkeit erfassen können. Snowpark und Streamlit können dann genutzt werden, um diese Daten für die Visualisierung, Kontextualisierung und Optimierung zu verwenden. 

Bereit für die nächste industrielle Revolution?

Um mehr darüber zu erfahren, wie die Snowflake Data Cloud Ihr Fertigungsunternehmen dabei unterstützen kann, die neue Ära von Industrie 4.0 zu nutzen, besuchen Sie Snowflake für die Fertigung.