Connected Plant
Intelligente Algorithmen, wie maschinelles Lernen, helfen dabei, Prozesse zu überwachen, zu steuern, zu optimieren oder zu automatisieren und dadurch die Digitalisierung von Materialflüssen zu realisieren und somit der Verwirklichung von Industrie 4.0 Ansätzen einen Schritt näher zu kommen.
Das Big Data Zeitalter beeinflusst auch die Logistik maßgeblich. Durch neue Innovationen und Trends wie, dem Internet der Dinge (IoT), werden immer größere Datenmengen entlang der Supply Chain generiert. Das reine Sammeln von Daten bietet ohne richtige Analysen und die Ableitung relevanter Erkenntnisse aber noch keinen Mehrwert. Die Herausforderung besteht vielmehr darin, die gesammelten Daten intelligent zu verknüpfen und anzureichern, um daraus wertvolle Erkenntnisse zu gewinnen. Auf Grundlage einer fundierten Datenbasis können prädiktive Analysen dazu beitragen, Risiken proaktiv entgegenzuwirken und Optimierungspotenziale auszuschöpfen. Intelligente Algorithmen, wie maschinelles Lernen, helfen dabei, Prozesse zu überwachen, zu steuern, zu optimieren oder zu automatisieren und dadurch die Digitalisierung von Materialflüssen zu realisieren und somit der Verwirklichung von Industrie 4.0 Ansätzen einen Schritt näher zu kommen.
Mit fundiertem Logistik Know-how und einem tiefgehenden prozessualen Verständnis unterstützt valantic Unternehmen dabei, die richtigen Ansatzpunkte eines vernetzten Werks zu identifizieren und die richtigen Fragestellungen für eine datengetriebene Erkenntnisgewinnung und Umsetzung von Smart Logistics zu stellen.
Um nachhaltig und beständig einen Mehrwert aus Daten zu generieren, müssen Data Use Cases erfolgreich skaliert und industrialisiert werden. Dank der Kombination unserer Expertise in den Bereichen Supply Chain Management und Data Science/KI schaffen wir die ideale Voraussetzung für erfolgreiche Projekte mit unseren Kunden.
Connected Plant
Factsheet Connected Plant
Erfahren Sie in unserem Factsheet wie die richtigen Ansatzpunkte eines vernetzten Werks identifiziert und die richtigen Fragestellungen für eine datengetriebene Erkenntnisgewinnung und Umsetzung von Smart Logistics gestellt werden können.
Herausforderung
Ein Ersatzteillager in der Haushaltsgeräteindustrie kämpft mit starken Inventurabweichungen. Bei der Einlagerung, der Kommissionierung und der Zurückführung von Retouren können menschliche und prozessuale Fehler auftreten, die zu Bestandsabweichungen führen.
Lösung
Bestandsabweichungen werden pro Lagerort und Artikel dokumentiert. Alle vor- und nachgelagerten Lagerbuchungen werden in einem Data Warehouse historisiert gespeichert, verknüpft und Prozessen zugeordnet. Aus unternehmensinternen Inventurbuchungs-, Bewegungs- sowie Produkteigenschaftsdaten werden mit Hilfe einer Segmentierung Prozessmuster identifiziert, die mit hoher Wahrscheinlichkeit zu Inventurbuchungen und damit zu Bestandsdifferenzen führen.
Ergebnis
Durch die prädiktiven Analysen können Prozesse identifiziert werden, die ursächlich ein hohes Risiko für Bestandsdifferenzen mit sich bringen. Ein Machine-Learning-Algorithmus hilft bei der Mustererkennung, um Bestandsabweichungen präventiv entgegenzuwirken und die Bestandqualität nachhaltig zu verbessern.
Herausforderung
In einem Produktionsunternehmen kommt die Produktion durch Maschinenausfälle und lange Wartungszeiten immer wieder zum Stillstand. Das verursacht hohe Kosten. Jeder Maschinentyp hat feste Wartungsintervalle. Teilweise fallen die Maschinen aber früher aus oder die Wartung wäre zum geplanten Zeitpunkt eigentlich noch nicht notwendig gewesen. Die Maschinen befinden sich in mehreren Produktionshallen und haben unterschiedliche Auslastungen.
Lösung
Mehrere Informationen aus verschiedenen Datenquellen werden miteinander vernetzt und genutzt. Zum einem werden Daten verwendet, die die Historie der Maschinennutzung widerspiegeln. Außerdem monitoren geeignete Sensoren den aktuellen Zustand der Maschine in dem z. B. Geräusche und Schwingungen analysiert werden. Zudem werden auch Umgebungsinformationen wie Temperatur und Feuchtigkeit einbezogen. Anhand der umfangreichen Datenmenge kann ein prädiktives Modell aufgestellt werden, das eine Vorhersage ermöglicht, wann eine Maschine Wartung benötigt, und ein Bauteil ausgetauscht werden muss.
Ergebnis
Anhand der datenfundierten Prognose kann eine bedarfsgerechte Wartung zum richtigen Zeitpunkt erfolgen. Die Maschinenstillstände reduzieren sich und es werden keine unnötigen Wartungen durchgeführt. Zudem können die Wartungszeiten so in den Produktionsplan integriert werden, dass der Maschinenstillstand insgesamt minimal ist. So können Wartungskosten und Stillstandszeiten erheblich reduziert und die Wirtschaftlichkeit der Produktion erhöht werden.
Herausforderung
Die Ankunftszeiten von wichtigen Materiallieferungen schwanken stark und weichen immer wieder vom geplanten Zeitpunkt ab. Ob Lieferungen zu spät ankommen, wird oftmals erst erkannt, wenn diese bereits vor Ort sein sollten. Die Unzuverlässigkeit der Ankunftszeiten erschwert die Planung, führt zu geringer Auslastung, Rückständen und hohen Kosten für die Beschaffung von Alternativen in zeitkritischen Situationen.
Lösung
Durch die Verknüpfung von Vergangenheitsdaten der Anlieferungen und Informationen über Spedition, Datum, Tageszeit der geplanten Ankunft, Relation usw. kann ein Datenmodell erstellt werden mit welchem die Ankunftszeit prognostiziert werden kann. Zudem können aktuelle Wetterdaten, vorhandene GPS-Lokationen und Satellitenbilder von Schiffen genutzt werden, um die Prognose weiter zu verbessern. So kann vorhergesagt werden, ob ein angekündigter Termin eingehalten wird, die Lieferung verspätet ankommt oder zu früh eintrifft.
Ergebnis
Abweichungen von geplanten Ankunftszeiten können antizipiert werden und so kann eine robustere Planung aufgestellt und effizientere Prozesse mit kürzeren Durchlauf- und Wartezeiten erreicht werden. Frühzeitig ankommende Lieferungen können in der Planung vorgezogen werden, um eine bessere Auslastung von Ladestellen zu erreichen. Auf mögliche Engpässe aufgrund von Verspätungen kann präventiv reagiert und Alternativpläne frühzeitig erstellt werden, um so die negativen Auswirkungen zu minimieren.
Herausforderung
Die bestehenden Logistikprozesse sollen optimal überwacht und gemonitort werden. Bei auftretenden Problemen in der Supply Chain erfolgt die Benachrichtigung der verantwortlichen Mitarbeiter. Die Einflüsse und Problemstellungen können dabei sehr unterschiedlich sein: Daten und Datenflüsse, Prozessverzögerungen und -fehler, Logistikressourcen und das Management von Engpässen oder beteiligter Systeme (Hardware oder Software). Logistikverantwortlichen fällt es oftmals noch schwer, aktuelle oder zukünftig auftretende Probleme zu erkennen. Es fehlt eine Gesamtsicht auf die Prozesse und die Systeme.
Lösung
Ein Logistikleitstand visualisiert und steuert die Logistikprozesse in Echtzeit. Die Kennzahlen und Alertings sowie die benötigten Inputdaten und deren Quellsysteme werden definiert und mit einer integrierten Datenarchitektur in Einklang gebracht. Mittels Machine-Learning-Algorithmen können Muster und Risiken in der Supply Chain präventiv erkannt werden. Eine Organisation zur Betreibung und permanenten Weiterentwicklung des Leitstandes mittels Self Service wird implementiert.
Ergebnis
Der Logistik-Leitstand ermöglicht den Mitarbeitern eine Übersicht über den aktuellen Zustand der Logistikprozesse. Im Leitstand wird der Zustand der Logistikprozesse mittels anwenderorientierter Dashboards visualisiert. Kennzahlen zur Performance-Messung von Material- und Datenfluss sowie definierter Alertings geben dem Anwender stets Transparenz über die Supply Chain.
Herausforderung
Kurzfristige Änderungen der Auftragsreihenfolgen in der Produktion fordern auch von der Materialbereitstellung ein hohes Maß an Flexibilität. Die Logistik soll sich flexibel an die Produktion anpassen. Daher dürfen Routenzüge nicht mehr nach starren Routen und fixen Abfahrtszeiten fahren, sondern müssen sich flexibel an die Bedarfe anpassen und dabei möglichst kostengünstig sein.
Lösung
Statische Daten wie das Werkslayout und verfügbare Ressourcen werden mit dynamischen Daten wie der Information über aktuell belegte Transportmittel, Materialabrufe und Abrufprognosen verbunden. Zusätzlich können durch den Einsatz von Lokalisierungssensoren die genaue Position der benötigten Materialien bestimmt werden. Anhand dieser Daten kann eine algorithmische Optimierung für jeden Zustand die optimale Route erfolgen.
Ergebnis
Den Fahrern der Routenzüge wird auf ihrem Tablet die zum aktuellen Zeitpunkt optimierte Route mit den gefragten Materialen und der zu beliefernden Stationen angezeigt. Auch fahrerlosen Transportsystemen (FTS) kann der Routenplan digital übermittelt werden. Die optimierten Routen führen zu einer erhöhten Effizienz und niedrigeren Kosten in der Intralogistik und erfüllen gleichzeitig den Flexibilitätsanspruch der Produktion.
Bei der Umsetzung und Implementierung folgt valantic stets einer agilen und innovativen Vorgehensweise. Im Innovation Lab konkretisieren wir gemeinsam mit unserem Kunden den Anwendungsfall. Dabei versuchen wir das Problem exakt zu erfassen und einzugrenzen. Datenverfügbarkeit und Rahmenbedingungen werden geklärt, so dass der Lösungsraum definiert ist. Unser Ziel ist es, im Rahmen des Data Labs so schnell wie möglich einen Prototypen zu entwickeln, zu testen und funktionsfähig zu machen. Im Rahmen der Data Operations wird der funktionsfähige Prototyp schließlich zu einem operativen Datenprodukt.
valantic Vorgehensweise bei Connected-Plant-Projekten
