Stephan Lausterer

Wie ein Schweizer Taschenmesser: Ein digitaler Datensammler als Multitool für den Shopfloor

„Collect“, „Explore“ und „Improve“ – nach diesem dreistufigen Prinzip arbeiten die IoT-Bausteine, die IIoT Building Blocks, von iT Engineering Software Innovations (iTE SI). In dieser Podcastfolge wird die Anwendung ihres Data Collectors anhand des Praxisbeispiels von Manz aufgezeigt. Schritt 1: Datensammlung – auch bei heterogener Anlagenlandschaft. Schritt 2: Visualisierung und erste Ableitungen. Schritt 3: Lernen aus den Daten und Mehrwerterzeugung durch Optimierungen. Die Nutzer der Lösung von iTE SI sind branchenunabhängig über den Maschinenbau verteilt. Die Softwarefirma ist seit über 20 Jahren an der Schnittstelle zwischen Maschinen und IT unterwegs und begleitet die digitale Transformation des Maschinenbaus und der produzierenden Industrie auf dem Weg zur Industrie 4.0 mit ihren Lösungen und Produkten im Fertigungsumfeld. So auch den Weg des schwäbischen Maschinenbauers Manz bei der Inbetriebnahme von Sondermaschinen. Manz ist im Bereich Lithium-Ionen-Batterietechnologie, Solar- und Photovoltaik-Zellen, Nass-Chemie, Laserbearbeitung, Inspektionssysteme sowie der Herstellung diverser elektronischer Bauteile unterwegs. iTE SI wurde mit dem Ziel ins Boot geholt, die Dauer der Sondermaschinenentwicklung bis hin zum finalen Einsatz auf dem Shopfloor zu verkürzen und dort angekommen, Mehrwerte aus Daten zu generieren. Die Digitalisierungslösung sammelt minimalinvasiv Rohdaten ein, ohne auf die Steuerungen selbst einzuwirken. Der Datensammler arbeitet mit verschiedenen Schnittstellen und kann somit auf unterschiedlichsten Devices und Maschinensteuerungen, wie z. B. SPS- oder NC-Steuerungen, zum Einsatz kommen. Auf einem Edge Device werden die Daten zunächst vorverarbeitet und gelangen danach bereinigt und „harmonisiert“ in die Cloud – auf diese Weise wird ein rundum sauberes Datenbild erzeugt. Im Ergebnis sind die Daten auf einem Dashboard einer App visualisiert einsehbar. Der besprochene Use Case handelt von hochfrequenten Daten sowie Bildverarbeitungsdaten aus Achspositionen von Laserrobotern – Antriebsdaten in Steuerungsechtzeit oder Laserdaten wie der Pulsdauer. Sie ermöglichen unter anderem eine gezielte Fehleranalyse, vorausschauende Fehlervermeidung und Taktzeitoptimierungen. Was die Daten noch wertvoller macht: Sie werden mit bereits vorhandenem Prozesswissen von Kunde und Hersteller angereichert. „Am Ende geht es darum, dass man das Wissen aller zusammenbringt“, wird in dieser Podcastfolge zusammengefasst.