Daten und Datenanalyse als Grundbausteine für eine smarte Fabrik. Unrestricted Siemens AG 2018

Transkript

1 Daten und Datenanalyse als Grundbausteine für eine smarte Fabrik Dr. Gunter Beitinger Vice President Manufacturing

2 Excellence in manufacturing Factory Automation Unsere Mission Unsere Standorte Produkte Wir sind Vorbild für exzellente Fertigung auf höchstem Niveau, um den Kunden und Geschäftsbereichen die höchste Wertschöpfung bieten zu können. Dies basiert auf den Methoden der Digital Enterprise und Lean Industrial Engineering Wir formen die digitale Zukunft. Gemeinsam. Dr. Gunter Beitinger, Vice President Manufacturing (Lebanon) (Karlsruhe) Amberg Unsere Vision Fürth Chengdu (Nanjing) Page 2

3 Eine smarte Fabrik muss grundlegende Anforderungen erfüllen Geschwindigkeit Flexibilität Qualität Effizienz Sicherheit Page 3

4 Eine smarte Fabrik ist schnell Geschwindigkeit Time-to-market verkürzen Kürzere Innovationszyklen Höherer Durchsatz Schnellere Produkteinführungen trotz steigender Varianz ~1 Produkt pro Sekunde Output ~5,000 Arbeitsplanänderungen pro Jahr und FTE Page 4

5 Eine smarte Fabrik ist flexibel Flexibilität Flexibilität steigern Maßanfertigung im großen Stil Volatile Märkte ~350 Rüstwechsel pro Tag um über 1200 verschiedene Produkte zu fertigen >99.5% Liefertreue um den Kunden eine Lieferzeit von 24h zu gewähren Page 5

6 Eine smarte Fabrik fertigt auf höchsten Qualitätsniveau Quality Qualität verbessern Höchste Qualitätsstandards Perfektion für unsere Kunden ~5σ Prozessstabilität (9 dpm-a) >700 Datensätze pro Produkt werden in SIMATIC IT erfasst. Das entspricht täglich 50 Millionen Datensätzen Page 6

7 Eine smarte Fabrik ist effizient Effizienz Effizienz steigern Optimale Kapazitätsauslastung Effiziente Ressourcennutzung Bis zu 98% Auslastung für Fertigungslinien ist möglich Seit 1989 zehnfaches Produktionsvolumen auf gleicher Fläche Page 7

8 Eine smarte Fabrik ist sicher Security Sicherheit gewährleisten Schutz durch allumfängliches Sicherheitssystem Geschützte Produktentwicklung nach IEC Sicherheitsrichtlinien und Eventmanagement Cyber Security Center Page 8

9 Predictive Analytics Ein Meilenstein für smarte Fabriken Wie können wir es beeinflussen? Predictive Analytics nutzt Big Data um Verhaltensmuster zu erkennen und künftige Ereignisse vorherzusagen Gartner Wertigkeit Was ist passiert? Descriptive Analytics Warum ist es passiert? Diagnostic Analytics Was wird passieren? Predictive Analytics Analysieren Prescriptive Analytics Handeln Informieren Aufwand Page 9

10 Die Antwort auf die Frage Wie können wir eine smarte Fabrik werden? ist, dass wir unsere Fähigkeiten ausbauen Descriptive Analytics Diagnostic Analytics Predictive Analytics Prescriptive Analytics Messfähigkeit Interpretationsfähigkeit Prognosefähigkeit Entscheidungsfähigkeit Problemstellung Realisierung Page 10 Smarte Fabrik

11 Eine smarte Fabrik innoviert sich auf Basis von Erkenntnissen aus Datenanalysen

12 Es gibt vier Themenschwerpunkte für Predictive Analytics im Produktionsumfeld Vermarktung Finanzwesen Belegschaft Gesundheitswesen Produktion Regierung Umsatzprognose Qualitätssteigerung Anlagennutzung Predictive Maintenance Page 12

13 Industrial Data Management Beispiel Qualitätsmanagement Maßnahmen auslösen Managementebene Mindsphere Status Quo Qualitätsdefizite erkennen und vorhersagen SIMATIC IT, Analytics tools Bedienerebene Qualitätslevel bestimmen SIMATIC S7, HMI with TIA and WinCC Steuerungsebene Daten erfassen ET200SP, Sensoren, Aktoren Feldebene Page 13

14 Mit Predictive Analytics zur Qualitätssteigerung wollen wir das Testvolumen für X-Ray signifikant senken SMD Line X-Ray Tester Bisher: SMT 100% X-Ray Aktueller Stand: SMT 58% X-Ray Zielobjekt: BUS-Verbinder der ET200SP Base Unit Problem: X-Ray-Tester ist eine Engpassmaschine Ziel: Testvolumen für X- Ray verkleinern Page 14

15 Zur Datenanalyse werden SPI Daten und X-Ray Testprotokolle herangezogen Vorhersagemodell Verwendete Daten: ~52Mio Datensätze (Qualitätsniveau: 7dpm) Modellanforderungen: Modellschlupf optimieren (Echte Fehler werden vom Modell nicht erkannt) Page 15

16 Erste Ergebnisse ergeben eine Aufwandseinsparung von rund 42% Nächste Schritte Prognosemodell weiter validieren Modell auf andere Produkte anwenden Vorhersage- Algorithmus im realen System integrieren (Deployment) Schlupf optimiertes Modell Vorhergesagte Ergebnisse Modell- Schlupf Tatsächliche Ergebnise n.i.o Modell- Scheinfehler i.o n.i.o i.o Class recall 99,46% 42,98% 42% weniger Testvolumen! Page 16

17 Definierte Ziele und gutes Prozessverständnis sind Grundlagen für prädiktive Analysen!

18 Es gibt vier Themenschwerpunkte für Predictive Analytics im Produktionsumfeld Vermarktung Finanzwesen Belegschaft Gesundheitswesen Produktion Regierung Umsatzprognose Qualitätssteigerung Anlagennutzung Predictive Maintenance Page 18

19 Industrial Data Management Beispiel Prädiktive Maschinenauslastung Entscheidung über Fertigungssteuerung zwischen Fabriken A Mindsphere B Managementebene Status Quo Fertigungsauslastung im Unternehmen voraussagen Preactor Interpretieren der Stillstandsgründe SIMATIC IT Bedienerebene Automatische OEE-Erfassung SIMATIC S7, IoT2040 Steuerungs- /Feldebene Page 19

20 MindSphere zur Ermittlung des OEE an Produktionsanlagen Ziel: Ermitteln des Anlagen-OEE 1 mit einem smarten Datenerfassungs- System MindApp MindSphere Ziel: Evaluieren eines IT- Security Konzepts Einarbeitung in die Mindsphere Page 20 Offline Tester Siemens IoT2040 Mit Custom Agent für eventbasierten Datenupload 1 OEE: Overall Equipment Efficiency

21 Für Predictive Analytics benötigt man sowohl Prozess- als auch Expertenwissen!

22 Es gibt vier Themenschwerpunkte für Predictive Analytics im Produktionsumfeld Vermarktung Finanzwesen Belegschaft Gesundheitswesen Produktion Regierung Umsatzprognose Qualitätssteigerung Anlagennutzung Predictive Maintenance Page 23

23 Durch prädiktive Instandhaltung ungeplante Stillstände von Logistikanlagen vorhersagen Zielobjekt: Lastträgermodul in einem Logistiksystem Problem: Antriebseinheit des Lastträgermoduls fällt verschleißbedingt aus Ziel: Erkennen von Verschleiß und Auslösen von Wartungsarbeiten Page 24

24 Ein Schwachpunkt der Logistikanlage sind die Antriebsketten des Lastträgermoduls Herausforderungen bei diesem Use Case: Ausfallhäufigkeit variert stark im Bereich von 2 bis 16 Monaten Antriebskette Sehr wenig Schlecht-Daten verfügbar Teleskop Lastträgermodul Page 25

25 Eine Möglichkeit zur Vorhersage von verschleißbedingten Ausfällen ist die Auswertung eines Verschleißindikators Zeitoffset = Verschleißindikator Der Zeitoffset zwischen zwei überlappenden Signalen wird als Verschleißindikator verwendet Dieser Use Case tritt zwar selten auf, hat aber eine große Auswirung auf die laufende Fertigung! Page 26

26 Datenaufbereitung im Rahmen von Predictive Analytics ist ein sehr aufwändiger Prozess!

27 Voraussetzungen für die erfolgreiche Implementierung von Predictive Analytics Sicherstellen der IT-Infrastruktur Daten standardisieren Großen Aufwand in Datenaufbereitung stecken Page 28

28 Data Mining nach CRISP-DM 1 beschriebt einen Standard Industrieprozess zur Nutzbarmachung von Big Data Datenaufbereitung Datenvorverarbeitung unter Einbeziehung von Prozesswissen erhöht die Erfolgsaussichten für Ereignisvorhersagen Realisierung MindSphere Auswertung Prozessverständnis Datenverständnis Modellierung Page 29 1 CRISP-DM: Cross Industry Standard Process for Data Mining

29 Unsere Data Analytics Vision Geschlossene Analysekreisläufe Enterprise IT ERP MindSphere Analytics Performance Intelligence Shop Floor IT MES MindApps Visualisieren, modifizieren und analysieren von Maschinen- und Prozessdaten PLM Ursachen QMS MindSphere Platform-as-a-Service (PaaS) und Software-as-a- Service (SaaS) von Siemens Gegenmaßnahmen Digital Twin Fabrik MindConnect Sichere Anbindung von Siemens- und Fremdprodukten an die MindSphere Page 31

30 Thanks for your attention. Siemens AG 2018 siemens.com Page 32