Thema: Automatisierung

Machine Learning hebt die Automatisierung auf ein neues Level. Doch was bedeutet das für die Rolle des Menschen? Die Entwicklung energieeffizienter und fairer Algorithmen sowie die Optimierung der Datenqualität sind entscheidend für die Zukunftsfähigkeit von Machine Learning und Künstlicher Intelligenz. Die Beiträge in dieser Ausgabe untersuchen die entscheidenden Potenziale und Anwendungsgebiete der Technologie.

Obwohl viele Aufgaben und Aktivitäten im Lagerbereich repetitiv sind, werden Risikofaktoren und Fehlerarten in FMEAs oft getrennt voneinander betrachtet. Eine universal anwendbare FMEA zur Risikoanalyse könnte daher eine wichtige Lücke schließen.

Motion-Mining® ist eine Technologie, die mittels Bewegungssensoren und Mustererkennung eine automatisierte Prozessabbildung und Analyse manueller Arbeit ermöglicht. Dieser Beitrag bewertet die Vorteile und Grenzen ihres Einsatzes in Produktions- und Logistikprozessen. Dazu wird Motion-Mining® mit traditionellen Lean-Management-Tools zum Analysieren manueller Tätigkeiten verglichen. Erfahrungen aus vier Use Cases bieten Entscheidungsunterstützung bei der Auswahl der geeigneten Methode für einen bestimmten Anwendungsfall.

Die komplexe Dynamik von Blocklagern stellt die manuelle Bestandserfassung vor große Herausforderungen. Häufiges Umlagern von Paletten, Kisten oder Gitterboxen ohne feste Stellplätze führt zu einem zeitaufwändigen und fehleranfälligen Prozess, bei dem Waren oft gesucht werden müssen und Schäden durch unsachgemäße Lagerung auftreten können. Der Einsatz von (teil-)autonomen Fahrzeugen bietet eine vielversprechende Lösung, um eine automatisierte Bestandserfassung zu ermöglichen – insbesondere wenn sie mit einer optischen Erfassung der Waren ausgestattet sind.

Die Integration der betrieblichen Anwendungen wird in der DIN IEC-62264 beschrieben und auch als Automatisierungspyramide bezeichnet [1]. Dieses Integrationsmodell wurde auf der Basis des Wasserfall Modells von MRP-II entwickelt, das für die damalige Zeit bahnbrechend war [2, 3, 4]. Hier werden die betrieblichen Anwendungen hierarchisch-sequenziell durchlaufen mit den bekannten Nachteilen: viele Schnittstellen, Zeitverzögerungen, Datenverluste, Inkonsistenzen. Das Modell wird den aktuellen informatorischen Möglichkeiten der Industrie 4.0 nicht mehr gerecht.

Routenflexibilität ermöglicht eine robuste, resiliente Gestaltung der Produktion. In hochverfügbaren, dezentral gesteuerten Produktionssystemen mit Zyklen im Materialfluss kann sie jedoch zu unerwünschtem deterministisch-chaotischen Verhalten führen. Dies kann Förderengpässe zur Folge haben, die dazu führen, dass die Systemverfügbarkeit in der Praxis hinter analytisch oder simulativ ermittelten Prognosen zurückbleibt. Im Beitrag wird eine Methode vorgestellt, die Ankunftszeiten analysiert und eine Messgröße für deterministisch-chaotisches Verhalten liefert. Mittels Algorithmen der Bildanalyse werden Daten aus speicherprogrammierbaren Steuerungen oder Embedded Systems ausgewertet. Anhand eines Beispiels eines Doppelgurtbandfördersystems wird gezeigt, dass sie sowohl im voll- als auch im teilautomatisierten Betrieb einsetzbar ist. Die Methode hat zudem das Potenzial, Industrie 4.0 Steuerungsprogramme nach IEC 61499 abzusichern.

eProcurement-Systeme befähigen Mitarbeiter, den Einkauf von C-Teilen sowie indirekter Bedarfe selbstständig mit minimalem Arbeitsaufwand abzuwickeln. Wie so Freiräume für die strategisch entscheidende Beschaffung der A- und B-Teile gesetzt werden können wird in diesem Beitrag erläutert. Die Grundidee ist dabei, die operative Beschaffungstätigkeit an diejenigen auszulagern, die den Bedarf haben - sogenannte Bedarfsträger. Entscheidend für den Erfolg dieses Ansatzes ist die richtige Mischung aus individuellem Freiraum und ausreichend Kontrolle. Hier bieten eProcurement-Lösungen verschiedene Stellschrauben, die die Einkaufsabteilung passend zur jeweiligen Unternehmenssituation entsprechend konfigurieren kann.