Produkt

Ressourcen

Team

Wie kann Digitalisierung auf dem Shopfloor erfolgreich umgesetzt werden?

Julius Scheuber

|

26.04.2023

|

Wiki

Übersicht der Reihe:

  1. Wie der OEE Nachhaltigkeit treibt und Ihre Ressourcen schont

  2. OEE manuell erfassen - das ist wie Dart spielen im Dunkeln

  3. Mithilfe der 6 Big Losses die größten Optimierungshebel für den Shopfloor finden

  4. Dank Maschinendaten keinen Stillstand mehr verpassen

  5. Leistungsverluste: Warum fertigt die Maschine nicht immer mit der maximalen Geschwindigkeit?

  6. Effektive Ausschusserfassung in der Produktion: Wie Sie Schrott reduzieren und Kosten sparen

  7. Wie kann Digitalisierung auf dem Shopfloor erfolgreich umgesetzt werden?

  8. ROI-Berechnung für den OEE


Die Erfolgschance von Digitalisierung in der Produktion ist bisher leider eher gering:

“80% der Digitalisierungsvorhaben in der Produktion scheitern.”

- Quelle

In der Digitalisierung steckt gewaltiges Potenzial, doch bei der Umsetzung hapert es häufig. Warum ist das so? Was sind die Ursachen?

Wir konnten über die letzten 5 Jahre viele Unternehmen bei der Digitalisierung Ihrer Produktion begleiten und haben the good, the bad and the ugly gesehen.

Dabei konnten wir ein wiederkehrendes Muster erkennen: Typischerweise werden heute riesige Projekte - mit langer Laufzeit und großem Budget - geschnürt, Lastenhefte geschrieben und alles in einer schönen Digitalisierungroadmap für die kommenden Jahre visualisiert.

Dieses Vorgehen endet fast immer damit, dass die erhofften Ziele nicht erreicht und die geplanten Projektkosten überschritten werden. Ihr ERP- oder MES-Berater wird Ihnen sicherlich nach dem zweiten Bierchen erzählen, dass auf dieser Tatsache ein Großteil seines gesamten Umsatzes beruht.

Das führt dann zum Resultat, dass viele von den Möglichkeiten der Digitalisierung enttäuscht sind.

Doch warum ist das so? Und wie sieht eine alternative Strategie aus?

Das Hauptproblem ist das lange Vorabplanen der Vorhaben in der Wasserfallmethode und das Vordefinieren von konkreten Anwendungsfällen. Die hier unweigerlich und großteils implizit getroffenen Annahmen können vorab kaum validiert werden. Das wiederum führt zu Änderungen und Anpassungen während des Projekts, da die Annahmen mit der Realität kollidieren und brechen. Die Kosten explodieren und die Projektlaufzeiten verlängern sich.

Die Alternative ist ein iteratives Vorgehen, bei dem das übergeordnete Ziel klar definiert ist, konkrete Umsetzungen aber iterativ basierend auf Zahlen, Daten und Fakten im Projekt erfolgen. Im Grundsatz also nichts anderes als ein agiler Entwicklungsansatz. 

Bei den typischerweise monolithischen Systemen, die heute noch immer von Industrie-Software Anbietern entwickelt werden, funktioniert dieses Vorgehen allerdings nicht. Statt alles in einem System lösen zu wollen, sollte vielmehr in einem Ökosystem gedacht werden, in dem die Daten zwischen den Anwendungen frei fließen und verteilt werden.

Wie ein solches Vorgehen aussehen kann und auf was geachtet werden muss, kläre wir in diesem Artikel.

Definieren des übergelagerten Ziels - North Star

Alles startet mit dem Setzen eines klaren Ziels, dem sogenannten North Star, an welchem sich alles orientiert. Der Fortschritt wird mithilfe einer North Star-Metrik konstant überwacht.

Das häufigste Ziel der Digitalisierung des Shopfloors und der Implementierung von IIoT-Lösungen ist eine Steigerung der Produktivität und damit des OEE:

- Quelle

Aus unserer Erfahrung eignet sich der OEE hervorragend als North Star-Metrik, da er alle relevanten Bereiche einer Produktion (Verfügbarkeit, Leistung und Qualität) zusammenbringt. Veränderungen in einem dieser Bereiche schlagen sich direkt auf die Kennzahl durch. 

Daher setzen wir eine Steigerung des OEEs auch bei unserem Beispiel als Northstar-Metrik fest. D.h der Erfolg aller Digitalisierungsprojekte auf dem Shopfloor wird von nun an anhand von Verbesserungen im OEE und den damit resultierenden Kosteneinsparungen gemessen. 

Der North Star definiert das Ziel und die North Star-Metrik misst Erfolg und Fortschritt in Zahlen.

Für unser Beispiel also:

North Star: Steigerung der Produktivität

North Star-Metrik: OEE

Für mehr Sichtbarkeit empfehlen wir zudem die Veränderungen in den einzelnen Bereichen, also dem Verfügbarkeits-, Leistungs- und Qualitätsfaktor, ebenfalls zu betrachten. Denn hierdurch werden Trade-Offs offensichtlich.

Schauen wir uns das an einem Beispiel an: Eine geringere Ausschussquote wird durch eine häufigere Reinigung der Anlagen erkauft. Der Qualitätsfaktor steigt, aber durch die häufigeren Stillstände sinkt gleichzeitig die Verfügbarkeit. Es kann also sein, dass die OEE-Kennzahl sich durch diese Maßnahme nicht positiv verändert. 

Aus ökonomischer Sicht kann es dennoch Sinn ergeben, häufigere Reinigung und damit mehr Stillstandszeiten in Kauf zu nehmen, da Verluste durch Ausschuss deutlich teurer sind als Verfügbarkeitsverluste. Erst durch die Erfassung der einzelnen Faktoren werden diese Effekte sichtbar und können gegeneinander abgewogen werden.

Erfassen des Status Quo

Bevor digitalisiert wird, muss in einem ersten Schritt der Status Quo, also der aktuelle Wert der North Star-Metrik, erfasst werden. Idealerweise wird diese Metrik, also z.B. der OEE, kontinuierlich und akkurat basierend auf Maschinendaten erfasst und berechnet.

Um die Datenanbindung zu realisieren, muss in diesem initialen Schritt eine Infrastruktur geschaffen werden, welche die Konnektivität zu den notwendigen Datenpunkten herstellt (Southbound-Konnektivität), einen sicheren Transport und Speicherung dieser Daten ermöglicht und gewährleistet, dass die notwendigen Metriken berechnet werden können.

Auf dieser Infrastruktur aufbauend, sitzt dann die Analyse-Ebene welche die Metriken darstellt und Analysen ermöglicht.

Eine weitere wichtige Aufgabe der Plattform ist das Verteilen der Daten an Drittsysteme (Northbound-Konnektivität) wie MES, ERP oder BI-Lösungen, sodass kein weiteres Datensilo entsteht. Das ermöglicht später die notwendige Flexibilität, um alle Use-Cases mit der gleichen Dateninfrastruktur zu lösen. Bei ENLYZE können die Daten sowohl direkt auf dem Shopfloor via OPC UA und MQTT als auch in der Cloud via APIs und Intergrationen geteilt werden.

Nach diesem initialen Schritt werden der OEE und die Produktivitätsverluste basierend auf Maschinendaten akkurat und systematisch erfasst. Ab jetzt kann der OEE zum Navigieren genutzt werden. Das gilt natürlich auch für andere North Star-Metriken. 

Hervorzuheben ist, dass die wenigsten Unternehmen diesen ersten Schritt erreichen. Denn oft wird stattdessen an vielen verteilten und einzelnen Anwendungsfällen gearbeitet. Der übergeordnete Rahmen fehlt jedoch.

Ableiten des ersten Use-Cases

Das System zum Erfassen der Northstar-Metrik ist implementiert. An dieser Stelle ist zu betonen, dass gerade Führungskräfte gefordert sind, diesen Leitungsrahmen rund um die Northstar-Metrik immer wieder zu kommunizieren und in täglichen Entscheidungen und Diskussionen einzubringen. Nur so prägt sich dieser Rahmen bei den Kollegen ein und lenkt ihr Denken und Handeln. Jetzt ist allen bewusst, dass Digitalisierungsprojekte (in unserem Beispiel) an der Verbesserung der Produktivität und damit des OEE gemessen werden.

Im nächsten Schritt geht es darum, den ersten Anwendungsfall zur Produktivitätssteigerung zu identifizieren. Hier hilft uns das Framework der 6 Big Losses, um die größten Verluste zu identifizieren und die folgenden Fragen zu klären:

  • Welcher Use-Case hat den größten messbaren Hebel auf die North Star Metrik? In unserem Fall auf den OEE.

  • Welcher Use-Case lässt sich relativ schnell und einfach umsetzen (Low hanging fruit)?

In dieser Phase gilt es herauszufinden, wo die Produktivitätsverluste vergraben sind und was die Ursachen dafür sind. Es wird eine neue Transparenz für Ihre Produktion geschaffen. Einer unserer Kunden hat mal gesagt, dass dieser Schritt mit dem Moment vergleichbar ist, in welchem man das erste Mal eine Brille aufsetzt. Man merkt, wie unscharf und inakkurat man zuvor alles wahrgenommen hat.

Diese neue Transparenz wird nun genutzt, um die größten Produktivitätsverluste zu identifizieren und potenzielle Maßnahmen abzuleiten. Im Anschluss wird, basierend auf einer Aufwandsabschätzung, Kosten und Nutzen der Maßnahmen gegenübergestellt. Die Maßnahmen werden dann nach Priorität sortiert und der oberste Anwendungsfall bzw. die beste Maßnahmen wird in Angriff genommen.

Wichtig in diesem Schritt: Es geht nicht nur darum, neue Systeme, Dashboards oder sonstige digitale Produkte zu implementieren, sondern sich wirklich auf die Prozesse zu konzentrieren und zu verstehen, wie diese verbessert werden können. Es gibt Fälle, in welchen Digitale Systeme enorme Potenziale für effizientere Prozesse ermöglichen. Öfter als gedacht ist es aber auch einfach nur das Anschaffen eines weiteren Werkzeugwagens, um die Rüstzeit zu verkürzen. 

Die Daten zeigen Ihnen nur die Problembereiche auf, aber es sind die Änderung der Prozesse, die zu der eigentlichen Verbesserung führen:

“Wenn Sie einen Scheißprozess digitalisieren, haben Sie einen scheiß digitalen Prozess.”
Thorsten Dirks

Da Verbesserungsmaßnahmen erst in diesem Schritt offensichtlich werden, ist es wichtig, eine flexible und datendurchlässige Plattform gewählt zu haben. Falls das nicht der Fall ist, muss für jeden Anwendungsfall eine parallele Infrastruktur aufgebaut werden. Das ist heute leider die Norm und einer der Gründe für die hohe Komplexität und Kosten bei der Digitalisierung auf dem Shopfloor.

Warum flexibel? Wenn die Infrastruktur flexibel ist, reicht es aus, die neuen, für den Anwendungsfall relevanten Datenpunkte hinzuzufügen.

Warum datendurchlässig? Datendurchlässigkeit muss gewährleistet sein, um die notwendigen Daten mit den für den Use Case relevanten Systemen zu teilen.

Falls beides gegeben ist, dann ist es egal, ob das Problem bei den ungeplanten Stillständen liegt und die Lösung ein Dashboard für die Instandhaltung ist, oder es Probleme durch Stippen gibt und die Lösung eine Inline-Überwachung mit Live-Dashboard und Alarmfuntkion für die Werker ist. Die Infrastruktur bleibt die gleiche nur di Anwendungsschicht ändert sich. Das Resultat sind deutlich geringere Kosten und eine viel schnellere Implementierung.

Dieser Effekt der schnellen und günstigen Weiterentwicklung und Neuentwicklung von Use Case ist besonder wichtig: Denn Studien zeigen, dass es nicht den einen Use-Case für eine erfolgreiche Digitalisierung gibt. Es ist vielmehr eine individuelle Kombination von unterschiedlichen Use-Cases. Die Herausforderung besteht darin, die relevanten Use-Cases zu identifizieren, diese schnell und einfach umzusetzen und so echte Mehrwerte zu realisieren.

“No single IIoT use case is a silver bullet at scale, so broad execution (implementing multiple use cases and getting them to scale over time) matters more"

Quelle: McKinsey

Heutige, monolithische Systeme, welche versuchen, alles in einer Anwendung zu lösen und alle Funktionalitäten über ein System abzubilden, sind dazu nicht in der Lage. Daher entstehen parallele Infrastrukturen mit hohen Kosten und hoher Komplexität.

Es muss vielmehr in einem Ökosystem gedacht werden, in welchem die Daten frei von einer Anwendung zur nächsten fließen können. Die Aufgabe der Plattform ist es, diesen freien Datenfluss und Anpassungen zu ermöglichen. Die Infrastruktur für alle Use-Cases bleibt gleich und passt sich nur an die neuen Gegebenheiten an. Die Anwendungen für die einzelnen Use-Cases können ausgetauscht, angepasst oder selbst entwickelt werden.

Fortschritt messen

Nachdem die Maßnahmen auf dem Shopfloor eingeführt wurden, ist nun die nächste Frage: Ist der Ansatz erfolgreich? Das heißt: der Fortschritt muss kontinuierlich überwacht werden. Stellen sich die erhofften Erfolge ein? Sehe ich eine Verbesserung im OEE bzw. in der Verfügbarkeit, Leistung oder Qualität? Diese Fragen und Metriken sollten jede Woche durchgegangen werden.

Falls ja, sehr gut. Mithilfe der Daten kann der Erfolg auf den Shopfloor und ins Management kommuniziert und somit Motivation und Veränderungswille hoch gehalten werden. Falls der Anwendungsfall erfolgreich ist, kann dieser nun an allen Anlagen/Maschinen ausgerollt werden.

Rührt sich die Metrik keinen Zentimeter? Dann waren eventuell die Annahmen über die Ursache des Problems falsch. Hier kommt die Stärke des agilen und iterativen Vorgehens zum Vorschein: Aufgrund der schnellen Rückmeldung (Time to Insight) kann man schnell korrigierend eingreifen und die Ursachen und das Problem erneut aufrollen.

Idealerweise sind - wie bei der ENLYZE Plattform - Änderungen ohne IT Ressourcen möglich. So können die notwendigen Anpassungen schnell und ohne hohe Kosten oder Abstimmungsbedarf durch die Produktionsexperten selbst durchgeführt werden. 

Rinse & Repeat

Die Maßnahme war erfolgreich. Die Verluste in dem Bereich haben sich reduziert. Aufgrund der kontinuierlichen Überwachung der 6 Big Losses zeigt sich, dass der nächstgrößere Verlust nun eine andere Ursache hat.

Der Prozess geht von vorne los. Problem identifizieren, Ursachenanalyse, Maßnahme ableiten, Überwachen ob die Maßnahme einen Effekt auf das Problem hat, falls nicht anpassen, wenn erfolgreich, dann weiter zum nächsten Problem.

Vielen wird auch dieser Prozess bekannt vorkommen - der PDCA-Zyklus bzw. Prozess der kontinuierlichen Verbesserung. Also kein neues Framework, sondern etwas, das sich seit Jahrzehnten in der Industrie bewährt.

Doch die Datenverfügbarkeit und damit einhergehende Transparenz wirkt wie Steroide und hilft, den PDCA Zyklus schneller als jemals zuvor zu durchlaufen. Das Rad der Kontinuierlichen Verbesserung dreht sich schneller.

Zusammenfassung

Weg von langen Lastenheften und vorweg geplanten Digitalisierungsvorhaben, die Ihre Ziele verfehlen. Hin zu einem iterativen, agilen Vorgehen aufbauend auf einer flexiblen Dateninfrastruktur, wo man mithilfe von Zahlen, Daten und Fakten die Use-Cases mit den höchsten Aufwand-zu-Nutzen-Verhältnissen findet. Weg von einem Use-Case, hin zu einer individuellen Kombination einzelner Mehrwerte.

Durch die 6 Big Losses und den OEE als North Star-Metrik werden Fortschritte messbar und Feedback greifbar. Die Frage: Ob man sich auf dem richtigen Weg befindet kann jederzeit und schnell beantwortet werden. 

Eine flexible Infrastruktur ermöglicht es, sich an diese ständig ändernden Gegebenheiten anzupassen. Anpassungen sollten hierbei In-house möglich sein, um Schnelligkeit zu gewährleisten und die Kosten nicht zum Explodieren zu bringen. Datendurchlässigkeit gewährleistet, dass Daten auch anderen Systemen zur Verfügung gestellt werden. Somit kann immer die beste Lösung den Anwendungsfall genutzt werden und man ist in keinem System gefangen.

Die ENLYZE Manufacturing Plattform wurde basierend auf diesen Grundprinzipien entwickelt. Anpassungen sind jederzeit möglich, Daten können in Echtzeit auf dem Shopfloor via eigenem OPC UA Server und MQTT Broker geteilt werden. Integrationen in Drittsysteme wie Grafana und PowerBI erlauben das Bauen eigener Lösungen ohne Entwicklungsaufwand. Die API und Python SDK ermöglicht Ihrem Data Science Team direkten Datenzugang und ermöglicht eigene Anwendungsfälle ohne hohen Entwicklungsaufwand zu realisieren. 

ENLYZE hat über Jahrzehnte erprobte Frameworks (Kontinuierliche Verbesserung, 6 Big Losses, OEE) aus der Industrie mit neuester Technologie und Daten kombiniert, um Ihnen den Weg zu mehr Produktivität so einfach wie möglich zu machen.

Falls das spannend für Sie ist, dann buchen Sie eine Demo!

Übersicht der Reihe:

  1. Wie der OEE Nachhaltigkeit treibt und Ihre Ressourcen schont

  2. OEE manuell erfassen - das ist wie Dart spielen im Dunkeln

  3. Mithilfe der 6 Big Losses die größten Optimierungshebel für den Shopfloor finden

  4. Dank Maschinendaten keinen Stillstand mehr verpassen

  5. Leistungsverluste: Warum fertigt die Maschine nicht immer mit der maximalen Geschwindigkeit?

  6. Effektive Ausschusserfassung in der Produktion: Wie Sie Schrott reduzieren und Kosten sparen

  7. Wie kann Digitalisierung auf dem Shopfloor erfolgreich umgesetzt werden?

  8. ROI-Berechnung für den OEE


Melden Sie sich für unser OEE-Bootcamp an

💡 Das Konzept des OEE verstehen

🏭 Den OEE in Ihrem Betrieb implementieren

💰 Den ROI berechnen und Mehrwerte erkennen