Die Erfahrung mit Big Data in der Produktion: 12 reale Anwendungsfälle

Wesentlich früher als die heutigen Produktionsgiganten hat Henry Ford einen klugen „Schachzug“ gemacht. Er bezahlte dem Wartungsteam in einer seiner Fabriken nicht die Reparatur der Ausrüstung, sondern die Zeit, die in einem Aufenthaltsraum verbracht wurde, wenn kein Ausfall auftrat. Ergebnis: die Mitarbeiter waren produktiver und die Ausfallkosten sanken.

Aber heute würde nicht einmal die Genialität von Henry Ford ausreichen, um Fertigungsprozesse zu optimieren. Jetzt, um wettbewerbsfähig zu bleiben, brauchen Sie sowohl Ihre Erfindungskraft als auch Technologie. Aus diesem Grund wenden sich Unternehmen an Big-Data-Experten. In unsrem Blogbeitrag finden Sie 12 Anwendungsfälle, die entdecken, welche großartigen Möglichkeiten Big Data in der Produktion aus 4 verschiedenen Perspektiven anbietet.

1. Produktionsoptimierung

Verbesserung bei der Metallgewinnung

Der Erzgehalt eines vertikal integrierten Edelmetallherstellers nahm ab. Der einzige logische Weg zur Vermeidung von Verlusten bestand in der Verbesserung der Metallgewinnung und Edelmetallscheidung. Mithilfe von Sensordaten identifizierte die Big-Data-Lösung des Herstellers, welche Faktoren den Output am meisten beeinflusst haben. Und als dominierender Parameter entpuppte sich der Sauerstoffgehalt. Mit dieser Erkenntnis änderte das Team den Auslaugungsprozess leicht und erhöhte die Ausbeute um 3,7%. Dank der Big-Data-Analyse verdient der Hersteller jedes Jahr zusätzlich 10 bis 20 Millionen US-Dollar. Es ist ein ziemlicher Gewinn mit Rücksicht darauf, dass die Qualität des Erzgehaltes um 20% sank.

Optimierung der Ausbeute in den chemischen Unternehmen

Ein führender europäischer Chemiehersteller wollte die Ausbeute verbessern. Mithilfe von Sensoren analysierte seine Big-Data-Lösung, wie jeder Inputfaktor die Produktionsleistung beeinflusst. Sie analysierte Temperaturen, Mengen, Kohlendioxidfluss und Kühlmitteldruck und verglich deren Einflussraten miteinander. Als Ergebnis wurde gezeigt, dass Kohlendioxid-Durchflussraten die Ausbeute stark beeinflussen. Durch eine leichte Änderung der Parameter konnten die Abfälle von Rohstoffen (um 20%) und die Energiekosten (um 15%) signifikant gesenkt und die Ausbeute eindrucksvoll verbessert werden.

Steigerung der Ausbeute bei der Herstellung von Impfstoffen

Ein großes Pharmaunternehmen musste einen Weg finden, die Ausbeute bei der Herstellung von Impfstoffen zu verbessern. Um das zu erreichen, analysierte die Big-Data-Lösung des Unternehmens ihre Sensordaten von der Ausrüstung, deckte die Abhängigkeiten zwischen verschiedenen Produktionsparametern auf und verglich, wie jeder davon die Ausbeute beeinflusste. Dann wurden 9 entscheidende Parameter identifiziert, überprüft und angepasst, um den Herstellungsprozess zu optimieren. Das verbesserte die Ausbeute bei der Herstellung von Impfstoffen um 50%. Jetzt verdient das Unternehmen zusätzlich von 5 bis 10 Millionen US-Dollar pro Jahr für einen chemischen Stoff.

„Zuckersüße“ Optimierung

Hohe Luftfeuchtigkeit und minderwertige Rohstoffe wirken sich sehr negativ auf den Zuckergeschmack bei einem großen Zuckerhersteller aus. Um das zu bekämpfen, wird eine Big-Data-Lösung erstellt (mit maschinellem Lernen), um Sensordaten zu analysieren und Korrelationen zwischen den Parametern zu finden, die zur besten Zuckerqualität beitragen. Mit dieser Erkenntnis gelang es dem Hersteller, einen Weg zu finden, die Produktqualität schnell zu beeinflussen und unabhängig von externen Faktoren einen einheitlichen Standard für Zucker zu erreichen. Der Hersteller konnte dadurch die Produktionskosten senken, die Kundenzufriedenheit erhöhen und die Arbeitsbelastung erleichtern.

2. Qualitätssicherung

Qualitätssicherung in einem frühen Stadium der Automobilfertigung

Bereits im Jahr 2014 hat BMW mithilfe von Big Data Schwachstellen in seinen neuen Fahrzeugprototypen erkannt. Die Daten wurden von Sensoren an den getesteten Prototypen und in Verkehr befindlichen Autos gesammelt. Dank der Big-Data-Analyse entdeckte die BMW-Lösung (wahrscheinlich in ihre Fahrzeugdesign- und Modellierungssoftware integriert) Schwachstellen und Fehlermuster in den Prototypen und in den bereits benutzten Fahrzeugen. Es ermöglichte Ingenieuren, aufgedeckte Schwachpunkte zu beseitigen, bevor die Prototypen tatsächlich in Produktion gingen, und dazu beizutragen, die Rückrufe von bereits in Verkehr befindlichen Fahrzeugen zu reduzieren. Dadurch kann BMW nicht nur frühzeitig eine höhere Qualität sicherstellen, sondern auch die Garantiekosten senken, den Ruf der Marke stärken und wahrscheinlich jemandes Leben retten.

Design vom Dü­sen­trieb­werk

Rolls-Royce nutzt Big Data umfänglich. Und eine ihrer interessantesten Big-Data-Erfahrungen bei der Herstellung ist mit der Modellierung neuer Flugzeugtriebwerke verbunden.

In der Entwurfsphase erstellt ihre Software (integriert mit einem Big-Data-Tool) Simulationen neuer Dü­sen­trieb­werke und analysiert Terabytes an Big Data, um zu sehen, ob die neuen Modelle gut sind. Das ermöglicht es dem Unternehmen, Schwachstellen zu finden, bevor das Modell in Produktion geht, was die Fehlerkosten reduziert und hilft, das Produkt in einer viel höheren Qualität zu entwerfen.

3. Unternehmensführung

Datengesteuertes Unternehmenswachstum

Mithilfe von Big Data in der Produktion können Unternehmen globale Entwicklungsherausforderungen bewältigen, z. B. die Produktion in andere Länder zu verlagern oder neue Fabriken an neuen Standorten zu eröffnen. Die Analyse von historischen und externen Daten des Unternehmens kann feststellen, ob es noch rentabel ist, Fabriken an aktuellen Standorten oder mit aktuellen Volumen zu betreiben, indem Vorhersagemodelle und „Was-wäre-wenn“-Szenarien erstellt werden.

In den richtigen Händen können Big Data darüber hinaus dazu beitragen, den Ozean von ungesehenen Möglichkeiten zu erkunden, wie z.B. neue Produkte anzubieten oder neue Märkte zu erobern.

Zugängliche Rohstoffe

Um Kosten zu vermeiden, die mit den Störungen der Versorgungskette verbunden sind, benötigte ein Unternehmen eine bessere Möglichkeit, die Rohstofflieferung zu verwalten. Es hat sich dafür entschieden, Routendetails ihrer Lieferanten und von einer vertrauenswürdigen externen Quelle bereitgestellten Wetterdaten zu verwenden, um die Wahrscheinlichkeit von Lieferverzögerungen zu identifizieren. Um das zu erreichen, nutzte sein Big-Data-Tool (das möglicherweise in seine MRP integriert war) Predictive Analytics und berechnete mögliche Verzögerungen und Rohstoffmangel. Aufgrund dieser Berechnungen hat das Unternehmen einen versorgungsbezogenen Notfallplan ausgearbeitet und kann nun seine Produktion unterbrechungsfrei ausführen und übermäßige Stillstandskosten vermeiden.

Vorbeugende Wartung

Die Betriebsausrüstung von Intel überträgt IoT-Daten live in ihre Big-Data-Lösung (wahrscheinlich in MES integriert). Die Analytics-Lösung nutzt diese Daten zur Mustererkennung, Fehlerdetektion und Visualisierung. Es ermöglicht Ingenieuren zu erkennen, welche Tendenzen ihre unmittelbare Aufmerksamkeit erfordern und welche Maßnahmen erforderlich sind, um schwere Ausfälle zu verhindern. Eine solche vorbeugende Wartung reduziert die Reaktionszeit von 4 Stunden auf 30 Sekunden und senkt die Kosten. Im Jahr 2017 prognostizierte Intel dank Big Data und IoT Einsparungen von 100 Millionen US-Dollar.

4. After-Sales-Service

Reinigung von Schiffsrümpfen

Als Standard-After-Sales-Verfahren beauftragte ein Kunde Caterpillar Marine mit einer Analyse, wie sich die Reinigung von Schiffsrümpfen auf die Flottenleistung auswirkt. Die Big-Data-Lösung von Caterpillar (integriert mit ihrer Asset-Intelligence-Plattform) analysierte Daten von Sensoren an Bord von Schiffen, die mit oder ohne gereinigte Schiffsrümpfe betrieben wurden. Dann fand es Korrelationen zwischen den Investitionen des Kunden in die Reinigung von Schiffsrümpfen und der Flottenleistung. Schon bald kam Caterpillar zum Schluss, dass sein Kunde die Rümpfe öfter reinigen musste (alle 6,2 Monate, nicht alle 2 Jahre) und dass sich die damit verbundenen Investitionen lohnen. Mit Big Data konnte der Hersteller dazu beitragen, dass seine Produkte optimal eingesetzt werden und das Image des Unternehmens verbessert ist.

Optimierung des Windparks

Als Befürworter vom After-Sales-Service mit einem personalisierten Ansatz in Bezug auf die Kunden in der Produktion hilft General Electric den Energieerzeugern, Big Data auf 4 Stufen zu nutzen.

Stufe 1. Die Sensordatenanalyse der Windkraftanlage ermöglicht es den Energieerzeugern, die Blattverstellung der Turbine und Energieumwandlung automatisch zu optimieren.

Stufe 2. Die Windpark-Überwachungssoftware vergleicht Sensordaten mit vorhergesagten Werten und erkennt Leistungsmuster. Das hilft den Energieerzeugern, vorbeugende Wartung in den Parken durchzuführen.

Stufe 3. Energieerzeuger verwenden historische und Echtzeitdaten, um Vorhersagemodelle zu erstellen, Korrelationen zu finden, Fehler und Muster zu erkennen, um die Arbeit der Park zu optimieren.

Stufe 4. Die Daten werden visualisiert und dem Top-Management zur Entscheidungsfindung im globalen Maßstab präsentiert.

Vernetzte Flugzeugmotore

Außer der Entwurfsphase verwendet Rolls-Royce auch Big Data, um seinen Kunden After-Sales-Support zu bieten und ihre Flugzeugmotore zu einem vernetzten und intelligenten Produkt zu machen.

In der After-Sales-Phase analysieren Rolls-Royce-Betriebszentren in Echtzeit die von den Motorsensoren gelieferten Daten und gewinnen Erkenntnisse zu ihrer Leistung. Wenn ein Defekt oder eine alarmierende Tendenz bemerkt wird, können Ingenieure sofort notwendige Maßnahmen ergreifen, um katastrophale Ergebnisse zu vermeiden.

Dieser Ansatz ermöglicht es Rolls-Royce, ihre Produktqualität zu steigern, die Kosten deutlich zu senken, sichere Flüge zu gewährleisten und ihren Kunden Dienstleistungen auf hohem Niveau zu bieten.

--Epilog--

Diese Anwendungsfälle zeigen, dass Big Data großes Geld und großen Wert bringen kann. Sie zeigen auch, dass Big Data in der Produktion am häufigsten für die Produktionsoptimierung verwendet wird. Und es ist ziemlich logisch: Big-Data-Lösungen sind wirklich gut darin, Korrelationen zu finden. Und Produktionsänderungen aufgrund sinnvoll ausgewählter Korrelationen können die Ausbeute enorm verbessern.

Sie hätten auch bemerken können, dass fast alle Fälle Sensordaten enthalten. Normalerweise gibt es in den Fabriken in der Regel so viele Sensoren, dass ihr Betrieb der Steuerung eines Raumschiffs mit zahlreichen Echtzeitberichten und vorausschauenden Analysen ähnlich ist. Und um Schiffskollisionen zu vermeiden, können sich Kapitäne, bevor sie an Bord gehen, immer an das Big-Data-Beratungsteam wenden und in den unendlichen Welträumen mit maximalem Komfort und Sicherheit segeln.