16 shutterstock GW Cosmetics hAARGEnAUE WARTUnG Bisher wurden in der Fertigungsindustrie Maschinen meistens erst dann repariert wenn sie bereits ausgefallen waren Das führt wiederum zu längeren und vor allem ungeplanten Stillstands und Reparaturzeiten ein echtes Worst Case Szenario denn dadurch entstehen spürbare Mehrkosten für Unternehmer Ganz anders in der Fabrik der Zukunft hier soll mithilfe von Daten vorausschauend agiert und nicht aufgrund von Stillständen reagiert werden Für viele sei dies aber noch Zukunftsmusik erklärt Matthias Wächter Coo Prokurist bei GW Cosmetics Die Digitale Transformation ist bei Produk tionsunternehmen momentan ein omnipräsentes Thema Gerade für klein und mittelständische Unternehmen ist der Zugang jedoch schwierig da oft das nötige Know how die Ressourcen oder die finanziellen Mittel fehlen Internationales Konsortium Das von der Europäischen Union im Rahmen des Programms horizon 2020 geförderte Projekt Business Experiments in Cyber Physical Production Systems BEinCPPS zielt dabei ge nau darauf ab kleine und mittlere Betriebe auf ihrem Weg in Richtung Industrie 4 0 zu unterstützen Der Kosmetikhersteller für haar Gesichts und Körperpflegeprodukte GW Cosme tics hat sich gemeinsam mit Fraunhofer Austria im Dezember 2016 mit einem Forschungsantrag an dieser Ausschreibung beworben und den Zuschlag trotz EU weiter Konkurrenz erhalten Das auf 15 Monate angelegte Forschungsprojekt wurde nun Ende Juli 2018 erfolgreich abgeschlossen Als Konsortialführer fungierte Fraunhofer Austria Partner waren neben GW Cosmetics auch SIWAtec W Jorda verantwortlich für die technische Umsetzung sowie das InEGI Institute in Portugal das sich auf die Weiterentwicklung der Wertstrom methodik Multi Layer Stream Mapping spezialisiert hat Prognose instandhaltungsrelevanter Kennzahlen Als Referenzanlage für das Forschungsvorhaben diente eine halbautomatische Produktionslinie zum Befüllen und Karto nieren von Tuben für unterschiedliche haarfarben im Werk des Anwendungspartners GW Cosmetics Deklariertes Ziel war es durch die Implementierung einer hochperformanten aber dennoch kostengünstigen IT Architektur die die Daten unterschiedlicher hierarchischer Ebenen vom Shopfloor bis zur Planungsebene erfasst speichert und verarbeitet und einen kombinierten Predictive Maintenance und Wertstrom Ansatz die Produktivität der Anlage zu erhöhen und gleichzei tig Ausfälle zu minimieren Die Basis lieferten hierfür Machine Learning Methoden und innovative IoT Technologien Trotz unvollständiger Daten konnten neue Vorhersagetools entwickelt werden um instandhaltungsrelevante Produktivitäts kennzahlen zu prognostizieren zeigt sich die Projektleiterin Tanja nemeth von Fraunhofer Austria zufrieden und erklärt weiter Wie auch in unserem konkreten Anwendungsfall haben viele KMU das Problem dass die Datenqualität und die Menge an verfügbaren Daten zum Teil sehr gering sind Diese sind aber zentrale Erfolgsfaktoren der Industrie 4 0 Aufgrund dieser Problemstellung wurde die Referenzanlage in einem ersten Schritt um ausgewählte hardware und Softwarekompo nenten erweitert Mithilfe der Sensoren an der Anlage konnten so vorab identifizierte Datenlecks geschlossen werden Begleitend entwickelten die Forscher des portugiesischen InEGI Institute ein neues Analyse Tool für einen dynamischen Wert stromansatz Das Tool ist dabei in der Lage historische Daten Echtzeit Maschinendaten sowie auch prognostizierte instandhal mit dem thema Predictive maintenance hat sich ein internationales forschungskonsortium unter der Leitung von fraunhofer austria 15 monate lang beschäftigt nach intensiver forschungsarbeit und erfolgreichen tests im werk von Projektpartner Gw cosmetics l iegt nun ein best Practice modell rund um die digitale transformation für kmu vor

Hinweis: Dies ist eine maschinenlesbare No-Flash Ansicht.
Klicken Sie hier um zur Online-Version zu gelangen.