Eine individualisierte Produktion erfordert es, kleine Losgrößen wirtschaftlich zu fertigen. Maschinelles Lernen bietet hierfür eine Lösung: Roboterprogrammierung und Bildverarbeitung können damit deutlich vereinfacht und zugleich leistungsfähiger werden. Um diese Vorteile ausspielen zu können, benötigt maschinelles Lernen viele Beispieldaten. Mittels realistischer Simulationen lassen sich diese Daten schnell erzeugen und so anspruchsvolle Anwendungen effizienter umsetzen.

In der Arbeitsplanung werden derzeit zumeist statische Bedingungen angenommen und vermeintlich optimale Fertigungsabfolgen vor dem Produktionsstart festgelegt. Dynamische Einflüsse während der Fertigung führen zu unsystematischen Umplanungen und einem ineffizienten Planungsergebnis. Im Folgenden wird daher ein Ansatz zur adaptiven Fertigungssteuerung mit Hilfe eines Genetischen Algorithmus präsentiert.

Um die Datenerfassung im Shopfloor zu automatisieren, entschied sich die pelzGROUP im Jahr 2014, ein Manufacturing Execution System (MES) einzuführen und startete eine Anbietersuche. Der breite Funktionsumfang im Standard und die Skalierbarkeit des angebotenen Systems führte im Jahr 2015 zur Entscheidung für das MES HYDRA von MPDV. Dazu informierte sich das Unternehmen auch bei anderen HYDRA-Anwendern, die über den Einsatz des MES sehr zufrieden berichteten.

Steigende Rechenleistungen und bessere Datengrundlagen bei gleichzeitig sinkenden Kosten für Rechen- und Speicherkapazitäten stellen die Basis für den Einsatz von Machine Learning (ML) in der Produktion dar. Herausforderungen bestehen in der Identifizierung aussichtsreicher Anwendungsgebiete, dem Erkennen der mit diesen verbundenen Learning Tasks sowie dem Aufdecken passender Datensätze. In diesem Beitrag werden daher folgende Fragen beantwortet: Welche Anwendungsgebiete in der Produktion bieten das größte Potenzial für den Einsatz von ML? Welche frei zugänglichen Datensätze eignen sich, um eigene Erfahrungen zu sammeln und welche Learning Tasks sind damit verbunden? Was sind Best Practices für die Anwendungsgebiete?

Der Beitrag beschreibt die Anwendung von Manufacturing Analytics im Rahmen des reaktiven Qualitätsmanagements. Dazu wird zuerst eine allgemeine Definition des Begriffs Manufacturing Analytics gegeben. Anhand einer Literaturanalyse und der Auswertung bestehender Anwendungsfälle werden Erkenntnisse bezüglich der Potenziale für reaktive Qualitätsprozesse abgeleitet. Dabei zeigt sich, dass Manufacturing Analytics besonders in der Ursachenanalyse, der Fehlererkennung und –vermeidung erfolgsversprechend ist und eingesetzt wird. Abschließend werden praktische Einblicke in die Anwendung von Manufacturing Analytics gegeben.

Industrie 4.0 und die damit verbundene Vernetzung der gesamten Wertschöpfungskette sind zentrales Thema in der deutschen Fertigungsindustrie. MES gilt dabei als einer der Enabler für Industrie 4.0. 

In der Großserienfertigung von elektrifizierten Fahrzeugen stellt die zunehmende Komplexität eine große Herausforderung dar. Der hohe Prüfaufwand zur Sicherstellung der Qualität des elektrifizierten Antriebsstrangs muss reduziert werden, um auch künftig konkurrenzfähig zu sein. Ein beschleunigter Wissensaufbau bezüglich Fertigungstechnologien und Prozesse kann durch Industrie 4.0-Ansätze, insbesondere Data Analytics, unterstützt werden. Derzeit kann der gewünschte Nutzen von Data Analytics in der Großserienfertigung nicht erzielt werden. In diesem Beitrag werden die Ergebnisse einer Expertenstudie vorgestellt, die sich mit den Potenzialen und Hürden von Data Analytics in der Großserienfertigung, insbesondere bei der Antriebsfertigung für elektrifizierte Fahrzeuge, befasst.

Ein erhöhter Preis- und Wettbewerbsdruck stellt die Getränkeindustrie vor große Herausforderungen der Rationalisierung. Bestehende Ansätze aus den Bereichen Lean und Six Sigma geraten bei biochemischen Prozessen mit komplexen multivariaten Einflussgrößen an ihre Grenzen. Der Beitrag stellt einen Ansatz zur datengetriebenen Prozessoptimierung in der Getränkeindustrie auf der Grundlage von maschinellem Lernen vor.

Eigentlich ist schon alles über „Künstliche Intelligenz (KI)“ gesagt; nur noch nicht von jedem, so könnte man im Sinne von Karl Valentin meinen und sich dann doch aufgefordert sehen, einen weiteren Beitrag über dieses spannende Gebiet zu schreiben. Auf der anderen Seite ist es generell schwer, den Begriff Künstliche Intelligenz exakt zu definieren bzw. einzugrenzen. Eine solche Eingrenzung ist jedoch nötig, wenn man die Beziehung zwischen Autonomie und Künstlicher Intelligenz im Speziellen charakterisieren möchte.

Das Internet of Things beginnt sich auszubreiten und konkretere Gestalt anzunehmen. Die meisten von uns haben schon erste Erfahrungen mit Smart Home gemacht. Mit ein paar Sensoren, Schaltern und etwas Entscheidungslogik kann man Beschattungs- und Beleuchtungsprozesse im Haus automatisieren, Temperaturen, Energieverbrauch und das Haus auf Eindringlinge überwachen. Manches davon ging auch früher schon, doch war es aufwändiger und teurer zu realisieren.

Der Aufbau eines nachhaltigen „IT-Produktionsgedächtnisses“ durch die MES-Implementierung aus Maschinen- und Betriebsdatenerfassung sorgt bei der Tillmann Profil GmbH für mehr Transparenz und besseres Produktionscontrolling.

In diesem Beitrag werden die theoretischen Grundlagen der Maschinenbelegungsplanung für mehrstufige Produktionsumgebungen erörtert und davon ausgehend Lösungsverfahren für Belegungs-
probleme unter praxisrelevanten Problemstellungen entwickelt. In der Printausgabe von productivITy (Ausgabe 2-17) wurde eine Kurzfassung dieses Beitrages veröffentlicht. In der hier vorgelegten Online-Fassung werden die Abbildung praxis-
typischer Rahmenbedingungen für die Maschinen-
belegungsplanung sowie die Bewertung alternativer Belegungsplänen ausführlicher beschrieben.

Beitrag als PDF herunterladen

In modernen Fabrikbetrieben wird nach Lösungen zur Reduktion von Energiekosten und Kohlenstoffdioxidemissionen gesucht, dabei jedoch häufig die Beleuchtung vernachlässigt. Durch die stetige Weiterentwicklung der LED existieren marktreife intelligente Beleuchtungssysteme, die äußerst energieeffizient und emissionsarm sind und darüber hinaus weitere Nutzenpotenziale zur Prozessverbesserung aufweisen.