Lösung: Prozessmanagement

Kaum ein Thema prägt den Maschinen- und Anlagenbau derzeit so sehr wie „Smart Factory“. In einer Branchenumfrage aus dem Jahr 2019 [1] gaben 68 Prozent der Befragten an, dass sie bereits erste Smart-Factory-Initiativen gestartet hätten. Der Capgemini-Studie „Smart Factories @ Scale“ [2] zufolge wurde bis Ende 2019 bereits ein Drittel der Fabriken in intelligente Anlagen umgewandelt. Die Mehrzahl der Investitionen zielt jedoch auf die Produktion ab und vernachlässigt interne Prozesse wie den Datenfluss zwischen den Stakeholdern der Supply Chain, so die Ergebnisse der IG Metall-Studie „Digitale Transformation im Maschinen- und Anlagenbau“ [3]. Dieser Beitrag gibt einen Einblick, wie sich der Informationsfluss in einem Netzwerk von Smart Factories durch den Einsatz cloudbasierter Lösungen steuern lässt.

Das zunehmende Bewusstsein für eine energieeffiziente Produktion erzeugt den Wunsch nach Instrumenten zur energetischen Bewertung und Optimierung von Prozessketten. Im Rahmen dieser Arbeit wurde ein Vorgehen zur ganzheitlichen energetischen Bewertung und Optimierung von Prozessketten mit spanenden Fertigungsverfahren entwickelt, welches stoffstromübergreifende Wechselwirkungen durch Anpassung der Prozessstellgrößen (PSG) berücksichtigt.

Die Realisierung von Industrie 4.0 (kurz I4.0) ist in vollem Gang. Es sind bereits eine Vielzahl an Modellen und Methoden zur Umsetzung diverser industrieller Prozesse auf Basis der bislang bekannten Inhalte des I4.0-Standards vorhanden, jedoch liegt noch kein Leitbild für Instandhaltungsprozesse vor. Da die Instandhaltung in Anbetracht zukünftiger, technischer Entwicklungen immer mehr an Bedeutung gewinnt, erscheint auch ein Konzept zur Darstellung von Instandhaltungsprozessen auf Basis der Industrie 4.0-Modelle sinnvoll und notwendig, d.h. die Abbildung des dynamischen Verhaltens von Prozessen und damit auch von Instandhaltungsprozessen in der I4.0 Informationswelt ist unerlässlich. Dabei ist die Rolle des Menschen von zentraler Bedeutung.

Aufgrund der Vielzahl verschiedener Machine-Learning-Verfahren und der Modellierungskomplexität besteht unter Ingenieuren häufig Unsicherheit gegenüber der effizienten Anwendung von Machine Learning (ML). Daher bleibt der Einsatz von ML-Anwendungen in verarbeitenden Unternehmen hinter den technischen Möglichkeiten zurück. In diesem Beitrag wird ein intuitiver Handlungsleitfaden für Ingenieure vorgestellt, der diese Unsicherheit verringern soll. Der Handlungsleitfaden führt in sechs Schritten durch ein ML-Projekt. Der ML-Kompass schlägt dem Anwender für gängige ingenieurstechnische Problemstellungen der Produktentwicklung und Produktion ML-basierte Algorithmen, die in der Praxis verwendet werden, vor. Anhand eines Industriebeispiels wird die Funktionsweise demonstriert.

Der Fertigungsanteil der additiven Fertigung (AM) und besonders des pulverbettbasierten Laserstrahlschmelzens (L-PBF) nimmt in der industriellen Anwendung weiter zu. Allein mit AM lassen sich jedoch oft keine engen Maßtoleranzen oder geringen Oberflächenrauheiten erzielen. Daher muss eine Prozesskette generiert werden, die die additive Fertigung mit weiteren Bearbeitungstechnologien kombiniert. Um einen kontinuierlichen Werkstückfluss als Basis für die weitere Industrialisierung von L-PBF zu erreichen, wird ein neuartiges Substratplattensystem sowie dessen Anwendung in L-PBF-Maschinen und bei der Weiterbearbeitung vorgestellt. Das Substratplattensystem besteht aus einem Nullpunkt-Spannsystem und matrixartig angeordneten Verbindungsstiften, welche die werkstückseitige Verbindung sehr flexibel ermöglichen.

Um dem starken Zeitdruck bei der Entwicklung eines Schiffs zu begegnen, werden Prozesse parallelisiert. Der eigentliche Fertigungsstart liegt aufgrund dessen, wie in der Unikatfertigung üblich, vor der finalisierten Produktdefinition und der Fertigstellung aller Produktionsinformationen. Simultaneous Engineering bedingt einen hohen Grad an Kommunikation und einen stetigen Informationsfluss. Diese Datenrückführung aus der laufenden Produktion gilt es durch eine kontinuierliche, produkt- sowie prozessbezogene Datenerfassung zu befriedigen. Es ist daher notwendig, eine Methode zu entwickeln, die trotz Losgröße 1 den Bedarf an prozessbegleitenden Daten deckt. Eine große Herausforderung stellen dabei gering automatisierte oder gänzlich manuelle Prozesse wie die Ausrüstung von Schiffen dar, die einen zeitlichen Mehraufwand bei der Datenerfassung bedingen.

Eine Untersuchung von Industrie 4.0-Anwendungsbeispielen ausgewählter Unternehmen mit Blick auf mögliche, resultierende Geschäftsmodellinnovationen zeigt, dass diese durch Industrie 4.0-Projekte durchaus herbeigeführt werden. Die Ergebnisse der Untersuchungen stellen jedoch auch dar, dass der Anteil der Geschäftsmodellinnovationen mit 22 % der 158 untersuchten Unternehmenseinträge in einem eher niedrigen Bereich liegt. Disruptive, d. h. branchenlogikdurchbrechende Geschäftsmodellinnovationen finden sich vor allem bei den Unternehmen des produzierenden Gewerbes. Hier steht nicht mehr allein die Herstellung bzw. Verarbeitung von Produkten im Vordergrund, sondern auch ein deutlicher Mehrwert für den Kunden. In diesem Beitrag werden die genannten Aspekte weiter ausgeführt und weitere ausgewählte Untersuchungsergebnisse dargelegt.