Produktionsmanagementsystem. Wie lassen sich Daten und KI zur Optimierung der Produktion nutzen?
Produktionsunternehmen erfassen enorme Datenmengen, können diese jedoch nicht immer effizient nutzen. Die Daten können den Ablauf eines Prozesses beschreiben: was passiert ist, wann es passiert ist, in welcher Reihenfolge und wie lange es gedauert hat. Sie können auch den Zustand der relevanten Objekte abbilden, etwa von Maschinen, Produkten, Aufträgen oder Kunden. Je genauer die Daten die Realität abbilden, desto leichter lassen sich die Situation des Unternehmens bewerten und die tatsächlichen Abläufe im Produktionsprozess verstehen.
Problematisch wird es, wenn nur einzelne Punkte des Prozesses erfasst werden. Wir wissen, was am Anfang und am Ende passiert ist, sehen aber nicht genau, was dazwischen geschehen ist. Dadurch bleiben Informationen, die zur Optimierung der Produktion beitragen könnten, ungenutzt.
Wie lassen sich Produktionsprozesse überwachen, Daten aus Maschinen und Systemen nutzen und in konkreten Geschäftswert übersetzen? Erfahren Sie, wie sich dies in der Praxis umsetzen lässt.
Produktionsmanagementsystem und das Problem ausgewählter Prozesspunkte
Stellen wir uns ein einfaches Beispiel vor. In einem Produktionsprozess erfassen wir den Eingang einer Kundenbestellung und den Zeitpunkt der Rechnungsstellung für das fertige Produkt. Wir wissen also, wann der Prozess begonnen und wann er geendet hat. Über das, was zwischen diesen beiden Punkten passiert ist, wissen wir jedoch nur sehr wenig.
Auf Basis solcher Daten lässt sich nur schwer beantworten, ob einzelne Arbeitsschritte in der richtigen Reihenfolge durchgeführt wurden, wo unnötige Stillstandszeiten entstanden sind, wie viel Zeit die einzelnen Prozessschritte beansprucht haben oder ob während der Produktion Halbfabrikate und Arbeitszeit verschwendet wurden.
Ebenso lässt sich nicht zuverlässig beurteilen, ob die Art und Weise, wie ein Prozess durchgeführt wird, tatsächlich optimal ist oder ob wir lediglich seit Jahren auf dieselbe Weise arbeiten, weil es irgendwann so festgelegt wurde.
Ein gut konzipiertes Produktionsmanagementsystem sollte daher nicht nur einzelne Ereignisse erfassen. Es sollte Daten bereitstellen, die den gesamten Prozess abbilden, Verbesserungspotenziale sichtbar machen und dabei helfen, Produktionsinformationen in konkrete Geschäftsentscheidungen zu übersetzen.
Was kann ein Produktionsunternehmen vom E-Commerce lernen?
Der E-Commerce zeigt sehr anschaulich, welchen Mehrwert eine detaillierte Datenerfassung schaffen kann. Im Onlinehandel wird das Verhalten von Kunden bereits seit vielen Jahren analysiert: Woher kommt ein Nutzer? Wie lange hält er sich auf einer Produktseite auf? Wie nutzt er die Suchfunktion? Welche Elemente klickt er an? Welche Produkte sieht er sich an und wann legt er sie in den Warenkorb?
Dadurch lässt sich die Customer Journey nachvollziehen, wiederkehrende Muster lassen sich erkennen und es wird sichtbar, dass eine bestimmte Art der Navigation im Shop häufig dazu führt, dass Kunden den Shop verlassen, anstatt einen Kauf abzuschließen.
Dieses Wissen bietet einen konkreten Ausgangspunkt für Optimierungen und ermöglicht es zu überprüfen, ob die eingeführten Verbesserungen tatsächlich Wirkung zeigen.
In der Produktion sah die Situation lange anders aus. Sie wurde vor allem mit Maschinen, manueller Arbeit und Prozessen auf der Produktionsfläche verbunden. Heute entspricht dieses Bild immer weniger der Realität.
Moderne Produktion ist auch ein Umfeld, in dem enorme Datenmengen entstehen. Deshalb stellt sich die Frage, wie diese Daten genutzt werden können, um Prozesse besser zu verstehen und fundiertere Entscheidungen zu treffen.
Software für Produktionsunternehmen. Das Werk als hochdigitalisierte Umgebung
Moderne Produktionsstandorte sind hochdigitalisierte Umgebungen. Maschinen verfügen über Prozessoren, Steuerungen und fortschrittliche Software, während ERP-, MES- und WMS-Systeme die Produktionsprozesse unterstützen und überwachen.
Die einzelnen Geräte sind miteinander vernetzt und tauschen kontinuierlich Daten aus. Hinzu kommt IIoT (Industrial Internet of Things). Dabei handelt es sich längst nicht mehr nur um ein Schlagwort aus Präsentationen über die Zukunft der Industrie, sondern um den Alltag vieler Produktionsunternehmen.
Sensoren messen Temperatur, Druck, Vibrationen, Energieverbrauch und Betriebsparameter einzelner Komponenten. Daten können während der gesamten Betriebszeit eines Geräts kontinuierlich erfasst werden.
Auch die Produktionshallen selbst werden zunehmend detailliert überwacht. Sensoren können Informationen über Umgebungsbedingungen, Materialflüsse oder die Nutzung einzelner Bereiche liefern.
Kameras sind eine weitere interessante und bislang häufig unterschätzte Datenquelle. Meist werden sie mit Sicherheit in Verbindung gebracht. Mithilfe von Computer-Vision-Technologien können sie jedoch Informationen über den tatsächlichen Ablauf eines Prozesses liefern.
Sie können die Qualitätskontrolle unterstützen, Objekte identifizieren, einzelne Produktionsschritte verfolgen oder Abweichungen vom vorgesehenen Prozess erkennen.
Dadurch kann ein modernes Produktionswerk enorme Datenmengen erzeugen. Allein die Erfassung dieser Daten schafft jedoch noch keinen Geschäftswert. Entscheidend ist, ob die Daten ermöglichen, den Prozess nachzuvollziehen, zu verstehen, was passiert ist, und die Ursachen eines bestimmten Ergebnisses zu identifizieren.
Erst auf dieser Grundlage lassen sich Produktionsdatenanalyse, Machine Learning und KI in der Produktion effektiv einsetzen. Diese Technologien ersetzen Daten nicht. Ihr Wert hängt davon ab, ob die Daten vollständig, korrekt erfasst und in den Kontext des jeweiligen Prozesses eingebettet sind.
Von Daten zu Entscheidungen. Produktionsdashboard und Produktionsmonitoring
Die Erfassung von Daten ist kein Selbstzweck. Daten werden gesammelt, um bessere Entscheidungen treffen zu können. In der Produktion gibt es davon viele: Was soll produziert werden? In welcher Reihenfolge? Auf welcher Linie soll ein bestimmter Auftrag gefertigt werden? Wie viele Mitarbeiter werden für eine Schicht benötigt? Wann müssen Rohstoffe bestellt werden? Oder wann sollte ein Rüstvorgang durchgeführt werden? Dabei lassen sich mehrere Ebenen der Datennutzung unterscheiden.
- Die erste Ebene besteht darin, zu verstehen, was tatsächlich passiert ist. Nehmen wir an, es gibt die Vermutung, dass eine von einem bestimmten Meister geleitete Schicht weniger effizient arbeitet als andere Schichten. Ein gutes Produktionsdashboard ermöglicht den Vergleich von Daten aus den vergangenen Monaten: Anzahl der produzierten Einheiten, Dauer und Anzahl der Stillstände, Ausschussquote oder Materialverluste. So lässt sich überprüfen, ob die ursprüngliche Annahme durch die Daten bestätigt wird. Das ist auch bei der Gestaltung von Reports wichtig. Es ist wenig sinnvoll, zusätzliche Auswertungen lediglich deshalb zu erstellen, weil Daten verfügbar sind. Hinter jedem Report sollte eine konkrete Frage und ein Entscheidungsprozess stehen, in dem die Analyse tatsächlich genutzt wird.
- Die zweite Ebene besteht darin, vorherzusagen, was in Zukunft wahrscheinlich passieren wird. Machine-Learning-Modelle können Zusammenhänge zwischen zahlreichen Faktoren analysieren und auf dieser Grundlage beispielsweise abschätzen, wann ein bestimmter Auftrag abgeschlossen wird, wie hoch das Verzögerungsrisiko ist oder wie wahrscheinlich ein bestimmtes Problem auftritt.
- Die dritte Ebene besteht darin, Daten zur Empfehlung konkreter Maßnahmen einzusetzen. Ein System kann beispielsweise eine Reihenfolge von Aufträgen vorschlagen, die die Anzahl der Rüstvorgänge reduziert, das Risiko von Stillständen senkt oder die Wahrscheinlichkeit einer termingerechten Auftragsabwicklung erhöht. Dies ist ein Beispiel für eine datenbasierte Automatisierung der Produktionsplanung. Wir sprechen hier bewusst von Algorithmen und nicht ausschließlich von künstlicher Intelligenz. Nicht jedes Problem erfordert KI. In der Praxis kann ein gut konzipiertes Produktionsmanagementsystem Geschäftsregeln, Analytics, Optimierungsalgorithmen, Machine-Learning-Modelle und KI miteinander kombinieren.
Produktionsoptimierung, Prognosen und automatisierte Produktionsplanung als ein Gesamtsystem
Einer der Bereiche mit dem größten Potenzial ist die Optimierung und Planung der Produktion. Entscheidend ist dabei: Reale Einsparungen entstehen nur selten durch eine einzige spektakuläre Veränderung. Häufig ergeben sie sich aus vielen kleinen Verbesserungen, die ohne geeignete Analysen möglicherweise gar nicht auffallen. Die Produktionsplanung hängt von einer großen Zahl von Faktoren ab: Kundenaufträgen, der Verfügbarkeit von Komponenten und Rohstoffen, den Kapazitäten einzelner Produktionslinien, erforderlichen Rüstvorgängen, technologischen Parametern, der Leistungsfähigkeit von Maschinen sowie der Verfügbarkeit und den Kompetenzen der Mitarbeiter. Ein Mensch kann ein sehr guter Produktionsplaner sein. Gleichzeitig ist seine Fähigkeit begrenzt, Hunderte von Kombinationen gleichzeitig zu analysieren. In der Praxis werden einige grundlegende Parameter festgelegt, bewährte Regeln angewendet und die übrige Planung daran ausgerichtet. Ist ein solcher Plan schlecht? Nein. In vielen Fällen ist er ausreichend gut. Interessant ist jedoch, dass ein Algorithmus deutlich mehr Varianten analysieren und eine Lösung finden kann, die zahlreiche scheinbar unbedeutende Ineffizienzen beseitigt, für deren Erkennung einem Menschen schlicht die Zeit fehlt.
KI in der Produktion: Drei Bereiche, in denen Prognosen die Planung unterstützen
Drei konkrete Bereiche, in denen Prognosen die Planung wirksam unterstützen können:
Predictive Maintenance: Auf Basis von Vibrationen, Temperatur, Energieverbrauch, Druck und Wartungshistorie lässt sich die Ausfallwahrscheinlichkeit einer Maschine abschätzen und die Wartung im Voraus planen, anstatt erst zu reagieren, wenn die Maschine die Produktion bereits zum Stillstand gebracht hat.
Bedarfsprognose: Die Prognose zukünftiger Bestellungen ermöglicht es, Materialien und Halbfabrikate frühzeitig zu sichern sowie die erforderliche Anzahl an Schichten und die Personalbesetzung zu planen.
Prognose des Energieverbrauchs: Durch die Kombination des Produktionsplans mit den energetischen Eigenschaften der einzelnen Prozesse lässt sich der zukünftige Energiebedarf abschätzen. Dadurch können Energieverbrauch, Tarifnutzung sowie das Verhältnis zwischen erneuerbaren und konventionellen Energiequellen gezielter gesteuert werden.
Gerade in Europa, wo Energiekosten einen wesentlichen Bestandteil der Produktionskosten darstellen, entsteht damit eine zusätzliche Dimension der Optimierung neben Zeit, Personal und Maschinen.
Prognosen zeigen, was wahrscheinlich passieren wird. Planung legt fest, was wir erreichen wollen. Produktionsoptimierung hilft dabei, den Plan so umzusetzen, dass verfügbare Ressourcen möglichst effizient genutzt und unnötige Kosten reduziert werden.
Produktionsmonitoring und Prozessoptimierung. Warum ist die Skalierung entscheidend?
In der Produktion spielt die Skalierung eine enorme Rolle. 30 Sekunden Verlust in einem einzelnen Produktionszyklus oder ein zusätzlicher Euro an Stückkosten mögen zunächst unbedeutend erscheinen. Multipliziert mit Tausenden oder Millionen von Produktionszyklen können daraus jedoch erhebliche Beträge werden.
Dabei geht es nicht nur um die Zahl in der Tabelle des Finanzleiters. Jede Ineffizienz wirkt sich auf die Produktkosten, die Termintreue und die Fähigkeit eines Unternehmens aus, sich um weitere Aufträge zu bewerben.
Wenn ein Wettbewerber ein Produkt gleicher Qualität schneller, kostengünstiger und planbarer herstellen kann, kann dies langfristig nicht nur einzelne Angebote beeinflussen, sondern die Position des Unternehmens entlang der gesamten Lieferkette.
Deshalb ist es in der Produktion so wichtig, kontinuierlich nach selbst kleinen Verbesserungsmöglichkeiten zu suchen.
Ein gutes Beispiel ist Kaizen aus Japan, das auf kontinuierlicher Verbesserung und der systematischen Beseitigung von Verschwendung basiert.
Ähnliche Ansätze zur Effizienzsteigerung lassen sich auch in anderen hochindustrialisierten Volkswirtschaften Asiens beobachten, wo Investitionen in Automatisierung, Standardisierung und Prozessanalyse mit einer hohen Produktionsskala kombiniert werden.
Dabei wird nicht davon ausgegangen, dass die aktuelle Arbeitsweise optimal ist, nur weil sie funktioniert. Jeder Prozess kann gemessen, analysiert und schrittweise verbessert werden.
Manchmal bedeutet das, die Rüstzeit um einige Minuten zu verkürzen, die Ausschussquote zu reduzieren, eine Maschine besser auszulasten oder die Reihenfolge der Auftragsbearbeitung zu verändern.
Eine einzelne Verbesserung mag unbedeutend erscheinen. Wenn sie jedoch jeden Tag und in großer Stückzahl wiederholt wird, kann ihre kumulierte Wirkung einen direkten Einfluss auf die Gesamtleistung des Produktionsstandorts haben.
Genau deshalb sind Produktionsdaten so wichtig. Sie ermöglichen es nicht nur, große Probleme zu erkennen, sondern auch kleine Verluste sichtbar zu machen, die sich Hunderte oder Tausende Male wiederholen.
Und genau die Summe dieser scheinbar kleinen Unterschiede kann über die Effizienz eines gesamten Prozesses entscheiden.
KI in der Produktionsplanung: Wie lässt sich der erste Anwendungsfall auswählen?
Für die Auswahl des ersten KI-Anwendungsfalls in der Produktionsplanung gibt es zwei Ansätze.
Der erste ist naheliegend: Wir beginnen mit einem Problem, das bereits bekannt ist. Zu viele Stillstände, Schwierigkeiten bei der Produktionsplanung, häufige Verzögerungen, Qualitätsprobleme oder ein hoher Energieverbrauch.
Der Ausgangspunkt ist klar: Wir kennen den Bereich, können seine Kosten abschätzen und prüfen, ob Daten und Algorithmen tatsächlich dazu beitragen können, das Problem zu reduzieren.
Dieser Ansatz eignet sich besonders gut für den Einstieg, weil sich das Projektziel klar definieren und der erzielte Effekt später messen lässt.
Der zweite Ansatz ist ebenso interessant und in manchen Fällen sogar wertvoller. Analytics, Process Mining, Machine-Learning-Modelle oder andere KI-Tools können zunächst eingesetzt werden, um den Prozess selbst besser zu verstehen.
Nicht immer ist klar, wo genau Zeit und Geld verloren gehen. Manche Ineffizienzen werden über Jahre hinweg Teil des täglichen Arbeitsablaufs und fallen irgendwann nicht mehr auf.
Die Analyse von Produktionsdaten kann beispielsweise zeigen, dass bestimmte Aufträge regelmäßig zwischen einzelnen Arbeitsschritten warten, eine bestimmte Reihenfolge von Tätigkeiten zusätzliche Rüstvorgänge verursacht, eine Produktionslinie einen Engpass darstellt oder bestimmte Ressourcen über längere Zeiträume nicht ausreichend genutzt werden.
Produktionsmanagementsystem. Vom PoC zur Lösung im produktiven Einsatz
Projekte, die Daten, Machine Learning und KI in der Produktion nutzen, haben in vielen Fällen einen explorativen Charakter. Zu Beginn ist häufig noch unklar, ob die verfügbaren Daten ausreichen, ob ein Modell mit ausreichender Qualität entwickelt werden kann oder ob die Lösung tatsächlich einen wirtschaftlichen Nutzen erzeugt.
Daher lohnt es sich, solche Projekte ähnlich wie Forschungs- und Entwicklungsprojekte zu strukturieren: Hypothesen formulieren, Erfolgskriterien definieren, Meilensteine festlegen und in jeder Phase prüfen, ob eine weitere Investition gerechtfertigt ist.
Der erste praktische Schritt sollte in der Regel ein PoC (Proof of Concept) sein. Ziel eines PoC ist nicht die Entwicklung eines fertigen Produktionsmanagementsystems, sondern die Überprüfung, ob eine bestimmte Idee tatsächlich funktioniert.
Dabei können Datenqualität, Leistungsfähigkeit des Algorithmus, die zugrunde liegenden Annahmen und der tatsächliche Nutzen des Ergebnisses für die Fachanwender geprüft werden.
Wenn ein PoC nicht die erwarteten Ergebnisse liefert, ist das kein Scheitern. Genau dafür wird ein PoC durchgeführt: um eine Idee mit vergleichsweise geringem Aufwand zu validieren, bevor in eine vollständige Implementierung investiert wird.
Erst nach einer erfolgreichen Validierung sollte der nächste Schritt in Richtung MVP, Pilotprojekt und schrittweiser Integration der Lösung in den realen Produktionsprozess erfolgen.
In jeder Phase sollten konkrete Meilensteine und Kennzahlen definiert sein. Sie ermöglichen es zu entscheiden, ob die Lösung weiterentwickelt, ihr Umfang angepasst oder das Projekt beendet werden sollte.
Dieser Ansatz reduziert technologische und wirtschaftliche Risiken und ermöglicht gleichzeitig den Weg von einem datenbasierten Experiment zu einer Lösung, die den täglichen Betrieb in der Produktion tatsächlich unterstützt.
FAQ
Wie können Produktionsdaten zur Optimierung der Produktion genutzt werden?
Produktionsdaten können genutzt werden, um Stillstände, Engpässe, Materialverluste, Qualitätsprobleme und Ineffizienzen bei der Auftragsabwicklung zu identifizieren. Die Datenanalyse ermöglicht außerdem den Vergleich verschiedener Prozessvarianten, die Prognose zukünftiger Ereignisse und die Unterstützung von Entscheidungen in der Produktionsplanung.
Welche Daten können in einem Produktionsbetrieb erfasst werden?
In einem Produktionsbetrieb können unter anderem Daten zur Maschinenleistung, Temperatur, Druck, Schwingungen, Energieverbrauch, Stillstandszeiten, Rüstzeiten, Produktivität, Produktqualität, Materialverbrauch, Auftragsabwicklung und Leistung einzelner Produktionslinien erfasst werden. Die Daten können auch aus ERP-, MES- und WMS-Systemen, IIoT-Sensoren sowie Kameras mit Computer-Vision-Technologie stammen.
Warum ist die Datenqualität für den Einsatz von KI in der Produktion wichtig?
Die Datenqualität hat einen direkten Einfluss darauf, in welchem Umfang KI und Machine-Learning-Modelle in der Produktion eingesetzt werden können. Sind Daten unvollständig oder inkonsistent oder bilden sie wichtige Prozessschritte nicht ab, kann ein Modell Zusammenhänge falsch erkennen und Ergebnisse mit geringem praktischem Nutzen liefern. Vor der Einführung von KI sollte daher die Vollständigkeit, Qualität und der Kontext der verfügbaren Daten geprüft werden.
Was ist Predictive Maintenance in der Produktion?
Predictive Maintenance, also die vorausschauende Instandhaltung, nutzt Daten von Maschinen und Anlagen, um die Wahrscheinlichkeit eines Ausfalls vorherzusagen. Dabei können unter anderem Schwingungen, Temperatur, Druck, Energieverbrauch und Wartungshistorie analysiert werden. Dadurch lassen sich Instandhaltungsmaßnahmen planen, bevor es zu einem ungeplanten Produktionsstillstand kommt.
Wie kann KI die Produktionsplanung unterstützen?
KI und Machine-Learning-Modelle können zahlreiche Faktoren analysieren, die die Produktionsplanung beeinflussen. Dazu gehören beispielsweise Aufträge, Materialverfügbarkeit, Maschinenkapazitäten, Rüstzeiten, technologische Parameter und die Verfügbarkeit von Mitarbeitenden. Auf dieser Grundlage kann ein System das Risiko von Verzögerungen prognostizieren oder Planungsvarianten empfehlen, die verfügbare Ressourcen besser nutzen.
Was kann im Produktionsprozess überwacht werden?
Das Produktionsmonitoring kann unter anderem die Maschinenleistung, Bearbeitungszeiten, Stillstandszeiten, Rüstzeiten, Linienproduktivität, Produktqualität, Materialverbrauch, Energieverbrauch und die Umsetzung des Produktionsplans umfassen. Der Umfang des Monitorings sollte sich an den konkreten geschäftlichen Anforderungen und den Prozessen orientieren, die das Unternehmen analysieren möchte.
Welche Vorteile bietet die Analyse von Produktionsdaten?
Die Analyse von Produktionsdaten kann dabei helfen, Stillstände, Engpässe, Materialverluste, Qualitätsprobleme und ungenutzte Ressourcen zu identifizieren. Sie kann außerdem Prognosen, die Produktionsplanung und die Optimierung von Prozessen unterstützen. Den größten Mehrwert bietet die Analyse dann, wenn ihre Ergebnisse zu einer konkreten Geschäftsentscheidung oder einer Veränderung der operativen Abläufe führen.
