Digitalisierung des Industrialisierungsprozesses in der Automobil- und Zuliefer-Industrie; Akronym: DIAZI; Teilvorhaben: plus10 GmbH - Datenbasierte Prozessoptimierung mittels kontinuierlich lernender und situativ handelnder Produktionsoptimierungstools

Abstract

Das Teilvorhaben der plus10 GmbH im Verbundprojekt DIAZI verfolgte das Ziel, die kontinuierlich lernenden Produktionsoptimierungstools von plus10 (Shannon, Darwin, Hopper) auf heterogene, vollautomatisierte Fertigungslinien zu skalieren und produktiv auf einer industrietauglichen Edge-to-Cloud-Plattform (E2C) zu erproben und aus dem realen Anwenderfeedback weiterzuentwickeln. Auf Basis hochfrequenter Maschinen- und Prozessdaten wurden datenbasierte Optimierungs-Use-Cases identifiziert, umgesetzt und iterativ evaluiert. Über sechs Demonstratorprojekte hinweg wurden insgesamt über 30 Produktionslinien verschiedenster Fertigungstechnologien innerhalb und außerhalb der Reinraum-Elektronikproduktion in vier Werken des Verbundkoordinators angebunden bzw. konfiguriert; drei Edge-Formfaktoren sowie ein hochperformanter MES-Connector wurden realisiert. Die Lösungen zeigten messbare Wirkungen auf technische Verfügbarkeit, mittlere Wiederherstellzeit (MTTR) und Nutzung. Das Teilvorhaben ist insgesamt als erfolgreich zu bewerten. Als Forschungs- und Entwicklungsvorhaben stand dabei die (Weiter-)Entwicklung und Erprobung der Tools im Vordergrund, nicht der Einsatz fertiger Produkte: Die Ergebnisse sind vielversprechend. Ein zentraler Enabler und somit die Hauptmotivation ist hierbei die Definition, Konzeption und Entwicklung einer Integrationslösung in eine (ebenfalls in einem anderen Teilvorhaben von Partnern entstehende) skalierbare und industrietaugliche Infrastruktur-Plattform. Somit verfolgt das Teilvorhaben seitens plus10 insbesondere im Arbeitspaket 4 und 5 das Ziel diese standardisierten Lösungen zu konzipieren und zu entwickeln in unterschiedlichen Anwendungsfällen verschiedenster Anlagentypen iterativ in Demonstratoren zu erproben. Genau diese Heterogenität in der Anlagenstruktur, unterschiedlicher Maschinen- und Robotersteuerungen bzw. deren individuellen Schnittstellen sowie individueller Programmierweisen sind auch die Kernherausforderungen für eine einheitliche und über viele Anlagen skalierbare Lösung, die aber trotzdem tiefgründige, Ursachenbezogene Aussagen treffen kann und nicht nur ein oberflächliches Dashboard darstellt. Ergebnis sind Konzepte für verallgemeinerbare KI-Optimierungstools, die der breiten Anwendermasse, also Maschinenbedienpersonal, Instandhaltungspersonal sowie Industrial Engineering zur Verfügung steht, um zukünftig besser und schneller neue Anlagen in Betrieb zu nehmen und operativ im Mehrschichtbetrieb stets maximal zu betreiben. Darüber hinaus wird der Regelkreis für die Anlagenplanung geschlossen, die aus den Realverhaltensdaten nun detaillierte, bis auf automatisierungsebene hineinreichende quantifizierte Erkenntnisse erlangen kann, um neue Anlagen systematisch und nicht nur erfahrungsbasiert konzeptionell zu optimieren. Es wird eine Verallgemeinerbarkeit auf vollautomatisierte Produktionsanlagen für die diskrete Fertigung mit in Europa typischen Maschinensteuerungen (z.B. Siemens-S7-Familie, Beckhoff, B&R, …) angestrebt, die auch bei erfolgreichen prototypischen Demonstratoraufbauten während dem Projekt im Anschluss an das Projekt im Rahmen eines industriellen Softwareentwicklungsprozesses in weiteren 1-2 Jahren kommerzialisiert werden soll. Somit profitieren mittelfristig alle Automobilzulieferer sowie aber auch andere wichtige Branchen wie z.B. Elektronikfertigung oder Konsumgüterproduktion und Medizintechnikhersteller von den Projektergebnissen.