Datascience in Produktion und Instandhaltung
In einer Welt, in der Ressourcen immer knapper und die Anforderungen an Qualität und Effizienz immer höher werden, stellt sich die Frage: Wie können Unternehmen in einem solchen Umfeld ihre wirtschaftliche Stärke bewahren? Diese Frage ist besonders für produzierende Unternehmen wichtig, die unter einem ständigen Kosten- und Optimierungsdruck stehen. Ein Lösungsansatz kann in der zunehmenden Zusammenführung zweier Schlüsseldisziplinen gefunden werden: Datascience und Wissensmanagement. Diese Kombination verspricht die Optimierung von Produktions- und Instandhaltungsprozessen. In diesem Beitrag gehen wir der Frage nach, wie genau die Integration von Datascience und Wissensmanagement zu effektiveren Abläufen und fundierteren Entscheidungen in der Industrie führt und welche Potenziale sich daraus ergeben.
Datascience in der Produktion und Instandhaltung
Datascience ist längst kein bloßes Schlagwort mehr, sondern ein integraler Bestandteil der Produktions- und Instandhaltungsstrategie vieler produzierender Unternehmen. Mit der Anwendung von Methoden wie maschinellem Lernen und komplexen statistischen Modellen auf Basis umfangreicher Datensätze, lassen sich Muster erkennen und Vorhersagen treffen, die aufgrund der multidimensionalen Ausprägung zuvor nur schwer durch Menschen umsetzbar waren. So können beispielsweise Sensordaten aus der Produktionslinie dazu genutzt werden, prädiktive Wartungsmodelle zu entwickeln. Diese Modelle sind in der Lage, potenzielle Defekte an Maschinen frühzeitig zu erkennen und Ausfallzeiten zu minimieren. Weitere Anwendungsfälle umfassen die Optimierung des Energieverbrauchs, die Erhöhung der Produktqualität durch präzise Qualitätssicherungsalgorithmen und die effizientere Gestaltung von Lieferketten sowie die optimierte Steuerung der Produktionssysteme selbst. Die Implementierung von Datascience-Lösungen führt zu einer erhöhten Transparenz in die eigens erzeugten Daten und damit zu messbaren Verbesserungen in den Abläufen und bietet Unternehmen dadurch einen signifikanten Wettbewerbsvorteil.
Wissensmanagement in der Datascience-gestützten Produktion und Instandhaltung
Die Rolle des Wissensmanagements in einem von Datascience angetriebenen Umfeld birgt einen zusätzlichen, vielversprechenden Ansatz. Über ein strukturiertes Wissensmanagement wird sichergestellt, dass die durch Datascience gewonnenen Erkenntnisse nicht nur generiert, sondern auch angemessen gespeichert, verbreitet und angewendet werden. Ein zentraler Bestandteil ist dabei die Schaffung von Wissensdatenbanken, die als Speicherorte für Informationen und Erfahrungen dienen. Durch den Einsatz solcher Systeme wird ein kontinuierlicher Lernprozess innerhalb der Organisation gefördert. Ferner spielen Schulungen eine wesentliche Rolle, um die Mitarbeitenden auf den Umgang mit den neuen Technologien und Methoden vorzubereiten und einen kulturellen Wandel zu begünstigen. Best Practices und Leitfäden für den Umgang mit Daten helfen dabei, das Wissen effektiv zu nutzen und die Produktions- und Instandhaltungsprozesse kontinuierlich zu verbessern. Auf diese Weise soll sichergestellt werden, dass die im Rahmen des Datascience gesammelten Erkenntnisse, dem Team auch langfristig zur Verfügung stehen.
Herausforderungen und Lösungsansätze
Die Integration von Datascience und Wissensmanagement ist allerdings kein Selbstläufer. Insbesondere die Identifikation der geeigneten Anwendungsfälle ist von großer Bedeutung. Es sollten Use Cases ausgewählt werden, die ein hohes Optimierungspotenzial für die gesamte Wertschöpfungskette in Produktion und Instandhaltung mit sich bringen. Eine weitere Herausforderung liegt in der Bestimmung und der Erlangung der geeigneten Datenqualität für die ersten Anwendungen. Dabei stehen nicht nur die Eingangsdaten im besonderen Fokus, mit denen geeignete Erkenntnisse durch die Anwendung von Datascience gefördert werden, sondern auch die Disseminationsdaten, die adressatengerecht aufbereitet, nachhaltig gesichert und verbreitet werden müssen, um einen langfristigen Beitrag zum Unternehmenswissen in der Belegschaft zu fördern. Zudem müssen Datenschutzbedenken ernst genommen werden und insgesamt eine Kultur des Vertrauens und der Akzeptanz unter den Mitarbeitenden geschaffen werden. Insgesamt geht es darum, das Unternehmen KI ready zu machen. Wie das gelingen kann, ist in der nachfolgenden Grafik dargestellt.
© Fraunhofer IML
Die acht Schritte hin zu einer KI-befähigten Organisation
Für alle Unternehmen ist es essenziell, die Grundlagen, Möglichkeiten und Potentiale von KI Anwendungen zu verstehen, um auf dieser Basis passende Anwendungsfälle zu konzipieren. Klassische und weit verbreitete Ansätze wie bspw. der kontinuierliche Verbesserungsprozess zeigen, dass hohe Innovationspotentiale in den Köpfen des Shopfloors liegen. Eine wesentliche Aufgabe ist es daher die Mitarbeitenden in diese grundlegenden Schritte einzubinden und auch deren Einsicht und Verständnis zu den Grundlagen von KI zu steigern, um darauf aufbauend über die gesamte Landschaft des Unternehmens Anwendungsfälle zu entwickeln. Daraus ergeben sich auch direkt die nötigen organisatorischen Transformationen. Für die weiteren Schritte rund um Datenseen und -strukturen, Partnerökosystemen sowie Architekturen und Infrastrukturen wird eher ein hartes Kernteam mit entsprechender Expertise benötigt. Besonders wichtig ist jedoch, das in Anwendungsfällen gesammelte Wissen der Belegschaft durch passende Moderation von der Sprache der Domänenexpertise in die Sprache der Methodenexpertise zu übersetzen.
Ausblick und Schlussfolgerungen
Die Verschmelzung von Datascience mit Wissensmanagement bietet eine vielversprechende Perspektive für die Zukunft der Produktion und Instandhaltung. Unternehmen, die bereit sind, in diese Bereiche zu investieren und die passenden organisatorischen und kulturellen Rahmenbedingungen zu schaffen, werden in der Lage sein, ihre Produktionsprozesse zu optimieren und ihre Wettbewerbsposition zu stärken. Es liegt an den Unternehmen, diese Gelegenheit wahrzunehmen, um die Potenziale von Datascience und Wissensmanagement zu nutzen und sich auf diese Weise einen Schub hin zu mehr Wettbewerbsfähigkeit zu verleihen.
Über die Autoren:
Michael Wolny, M.Sc., Fraunhofer Institut für Materialfluss und Logistik
Michael Wolny ist stellvertretender Abteilungsleiter der Abteilung Anlagen- und Servicemanagement des Fraunhofer IML und Experte im Bereich des Wissensmanagements. Er beschäftigt sich mit der ganzheitlichen Optimierung von Instandhaltungsprozessen und fokussiert dabei auch die besondere Bedeutung des Datenmanagements.
Daniel Hefft, M.Sc. Fraunhofer Institut für Materialfluss und Logistik
Daniel Hefft ist Projektleiter in der Abteilung Anlagen- und Servicemanagement des Fraunhofer IML und im Bereich industrieller KI-getriebener Dienstleistungen. Er beschäftigt sich mit der Entwicklung von innovativen technologiegetriebenen Dienstleistungen und fokussiert dabei die ganzheitliche Konzeption von Anwendungsfällen bis hin zu Prototypen.