Laufzeit: Abgeschlossen | 2023
Förderung: Landesoffensive zur Entwicklung Wissenschaftlich-Okonomischer Exzellenz (LOEWE)
Bei Fragen zu diesem abgeschlossenen Projekt wenden Sie sich bitte an unsere Institutsleitung:
Oberingenieure@PTW.TU-Darmstadt.de
Ausgangssituation
Durch die Industrie 4.0 und der damit einhergehenden Digitalisierung der Produktionsprozesse wurden in den vergangenen Jahren in den Unternehmen immer mehr Prozesse mit Sensoren ausgestattet und eine Vielzahl von Daten gesammelt. Dabei war der Digitalisierungsprozess eher technologiegetrieben als nutzengetrieben. Ziel der Unternehmen ist es jedoch, die geleisteten Investitionen gewinnbringend einzusetzen, um die übergeordneten Ziele Kosten, Zeit und Qualität zu optimieren. Trotz der gestiegenen Datenverfügbarkeit wird bisher nur ein Bruchteil der Daten zur Prozessverbesserung und Entscheidungsunterstützung herangezogen.
Zielsetzung
Im Forschungsvorhaben „PPM“ (Predictive Production Management) werden die gesammelten Daten aus Maschinen und Anlagen aber auch Auftragsdurchläufen und Produktionsplanungssystemen sinnvoll zur Verbesserung von Produktionsabläufen auf dem Shopfloor genutzt. Ziel des Vorhabens ist die Weiterentwicklung der digitalen Shopfloor Management Software Digital Teamboard von SFM Systems um das Assistenzsystem PPM: ein Service, der automatisch Anomalien in Prozess- und Maschinendaten aber auch KPIs erkennt, diese miteinander verknüpft und die daraus entstehenden Erkenntnisse den Akteuren in der Fabrik zur Problemlösung zu Verfügung stellt.
Nach Projektende wird der entwickelte PPM Service in das Digital Teamboard integriert und marktfähig gemacht. Das Ziel ist eine kommerzielle Verwertung bei Unternehmen, die bereits digitales Shopfloor Management nutzen, als auch ein Neukundengeschäft aufzubauen. Positive Effekte für die Region entstehen durch neue Arbeitsplätze und Wettbewerbsvorteile partizipierender Unternehmen aus Hessen.
Vorgehensweise
Die Innovation liegt in der Verknüpfung der automatischen Anomaliedetektion mit einer anschließenden Ursache-Wirkungs-analyse. So werden erkannte Anomalien durch Werker mit passenden Gründen und Lösungsansätzen versehen, um anhand dieser Labels zukünftige Störgründe vorherzusagen. Schlussendlich ist das Ziel aus der Korrelation von Maschinen- und Prozessdaten Störgründe automatisch frühzeitig zu erkennen und zu lokalisieren. Zum Einsatz kommen sowohl Supervised als auch Unsupervised Machine Learning Modelle.
Die Basis bildet das von SFM Systems entwickelte „Digital Teamboard“. Dies erfasst Daten auf verschiedenen Ebenen der industriellen Produktion und bringt diese miteinander in Verbindung. Kennzahlen zur Messung der Anlagenproduktivität, Maschinendaten aus Sensoren und explizite Domänenwissen der Werker am Shopfloor können so gebündelt und analysiert werden. Die so entstehende Prozess- und Maschinenexpertise kann durch die Analyse gruppen-, abteilungs- oder standortübergreifend zur Verfügung gestellt werden.
Danksagung
Dieses Projekt wird durch die Landesoffensive zur Entwicklung Wissenschaftlich-Okonomischer Exzellenz (LOEWE) (HA-Projekt-Nr.: 1012/21-14) gefördert. Wir danken für die Möglichkeit dieses Projekt bearbeiten zu dürfen.
Fördergeber
Konsortialpartner
Projektträger