Use Case 1: Die Produktqualität verbessern
Es handelt sich in diesem Beispiel um ein Fertigungsunternehmen, das Textilbahnen mit Spezialbeschichtung für die unterschiedlichsten Anwendungsfälle, etwa LKW-Bahnen oder Zeltplanen herstellt. Produktionsbedingt können dabei Materialfehler auftreten, beispielsweise, wenn die Haftung zwischen Beschichtung und Trägermaterial unzureichend ist. Bislang hat man fehlerhafte Stellen erst bei einer manuellen Prüfung der Ware gefunden. Das ist unter zwei Gesichtspunkten problematisch:
- Eine visuelle Qualitätsprüfung ist fehleranfällig und hängt u.a. von der Aufmerksamkeit des Prüfers ab. Die Auslieferung schadhafter Ware führt jedoch in der Regel zu hohen Konventionalstrafen, vom Imageverlust für das Unternehmen ganz zu schweigen.
- Das Trägermaterial liegt auf Rollen in bestimmter Länge vor. Fällt Verschnitt an, dann wird möglicherweise die auftragsbezogene Endrollenlänge nicht erreicht und kann nicht an den Kunden ausgeliefert werden. Neben dem Materialverlust fällt zusätzlicher Aufwand an, um die Ware erneut zu produzieren.
Fehlerstellen zuverlässig erkennen und den Verschnitt reduzieren
Das Textilunternehmen setzt nun eine Lösung ein, die auftragsbezogen die Daten eines Kamerainspektionssystems in der Produktion mit denen des ERP-Systems verknüpft. Das Kamerasystem identifiziert Fehler bei der Beschichtung innerhalb eines Beschichtungsdurchlaufs. Zudem ist im ERP-System hinterlegt, welche Endrollenlänge vertraglich vereinbart ist. Aus den beiden Informationen berechnet das System nun ein optimiertes Schnittbild und stellt es dem Mitarbeiter auf einem zugehörigen Dashboard bereit. Die Daten werden zudem abgespeichert und lassen sich jederzeit für QM-Auswertungen nutzen, etwa, um durch Nachjustierungen solche Fehler zukünftig zu vermeiden.
Eingesetzte Technologien
- Pentaho für Datenintegration und Self-Service-Analysen im Qualitätsmanagement
- Python für die Eigenentwicklung eines statistischen Modells für die Schnittoptimierung
- PostgreSQL für Speicherung der ERP- und Kameradaten
Use Case 2: Produktionsverzögerungen minimieren
In der Automobilindustrie ist eine Just-in-time-Beschaffung üblich. Die Hersteller sparen sich so die Kosten für Lagerhaltung, sie können schnell und flexibel die Produktion umstellen, und es wird weniger Kapital für Bauteile gebunden. Für die Zulieferer bedeutet es jedoch, dass
- sie ihre Produktions- und Logistikplanung immer wieder und sehr kurzfristig an die Anforderungen ihrer Auftraggeber anpassen müssen und
- es bei der eigenen Produktion zu keinen Verzögerungen kommen darf.
Für einen Zulieferer für Abgastechnik sind extrem kurzfristige Bestellungen die Regel. Jeder Lieferverzug zieht empfindliche Konventionalstrafen nach sich. Doch vor einem unvorhergesehenen Ereignis, wie etwa einem Anlagendefekt, ist auch der Hersteller selbstverständlich nicht gefeit.
Den Technikpark optimal nutzen
Der Zulieferer benötigte daher eine Lösung, um im Fall eines Maschinenausfalls seinen Schaden so gering wie möglich zu halten. Die eingesetzte Software arbeitet mehrstufig: Zunächst prüft sie anhand der Maschinendaten der vorhandenen Anlagen, selbst an verschiedenen Standorten, ob sich eine andere Maschine für diesen Fertigungsauftrag eignet. Dann ermittelt die Lösung, indem sie auf das Produktionsplanungssystem zugreift, ob oder ab wann der Ersatz zur Verfügung steht. Schließlich berechnet sie sogar unter Einbeziehung der Vertragsdaten im ERP-System, ob es hinsichtlich der Vertragsstrafen besser wäre, einen anderen, laufenden Auftrag zurückzustellen.
Erprobtes übernehmen
Das Unternehmen setzt die Lösung weltweit in allen seinen Werken ein, um KPIs wie Rüstzeit, Durchlaufzeit oder Auslastung mit einander zu vergleichen. Außerdem werden produktionsoptimierende Maßnahmen, die sich an einem Standort offensichtlich bewährt haben, im ganzen Unternehmen ausgerollt.
Eingesetzte Technologien
- Thingsboard für das weltweite Zusammenführen aller Maschinendaten
- Pentaho für Data Preparation und die Visualisierung der KPIs
- Python als statistisches Modell für die Maßnahmenoptimierung
Zwei weitere Use Cases beschreibe ich im 3. Beitrag dieser Serie.
Diese Artikel könnten Sie auch interessieren:
