OEE-Optimierung mittels KI? Auswertung von Stückzahlverläufen, Stillständen und Zuständen ohne direkten Humaneingriff? Erstellung von Vorschlägen zur Optimierung aus der Maschine? - Zukunftsversprechen oder kurz vor Anwendung? Markus berichtet aus dem gemeinsamen Forschungsprojekt von oee.ai mit der FH Aachen und FH Gelsenkirchen. Anlagenoptimierung der Overall-Equipment-Effectiveness (OEE) durch Reduzierung der Anlagenstillstände und der Leistungsverluste steht seit einigen Jahren im Fokus produzierender Unternehmen. Während die Erfassung vergleichsweise einfach mit vorhandener Technologie zu automatisieren ist, tun sich viele Unternehmen mit der eigenen Auswertung und Bewertung der Anlagenzustände schwer. Im gemeinsamen Forschungsprojekt des Landes NRW sind oee.ai mit den FHs Aachen und Gelsenkirchen angetreten, um aus OEE- und Stückzahlverläufen Anlagenzustände mittels lernender Algorithmen zu bewerten (z.B. läuft stabil, läuft instabil) und daraus sinnvolle Kennzahlen und letztlich Handlungsempfehlungen zu generieren. Markus Focke zeigt, was Technologien schon heute leisten können, welche erforderlichen Voraussetzungen existieren und wie einfach eine Implementierung sein kann.

1. oee.ai
oee.ai - Anlagenoptimierung mit Hilfe künstlicher
Intelligenz
LATC2021@Home, Prof. Dr. Markus Focke

2. 2
Plug&Play Technologie mit
Saas zum sofort loslegen
Visualisierung der Probleme
am Ort der Wertschöpfung
zur Partizipation der MA
oee.ai ist ein OpEx Startup
aus Aachen, Gegr. 2016
OEE ist die Kennzahl zur
Optimierung von Anlagen
Mit AI zu kurzfristigen
Störungsprognosen und
Handlungsimpulsen
Mein Vortrag in
30 Sekunden
Mit AI zu neuen Kennzahlen
zur Produktivitätssteigerung
Echtzeit Information
ermöglicht schnelle Reaktion
auf Ereignisse
Verbesserung nur bei
Integration des
Domänenwissens der MA
Keine Ausreden! Die Zukunft
der Produktion ist jetzt!

3. 3
Fußnote
Überschrift
Titeltext
OEE =
V x L x Q

4. 4
OEE ist die wahre Anlagenverfügbarkeit
Verfügbarkeit Leistung Qualität
x x = OEE
- Defekte
- Organisatorische
Stops
- Reduzierte
Geschwindigkeit
- Kurzstillstände
- Ausschuss
- Nacharbeit
KPI
OEE-Konzept ist auf jede Produktionsanlage anwendbar
Sammlung von OEE-Daten und Verlustgründe bislang schwierig: Strichliste, manuell, o
ff
-line
Für mehr Details: Focke/Steinbeck, Steigerung der Anlagenproduktivität durch OEE-
Management, Springer, Wiesbaden 2018

5. π
5
Source: McKinsey
38%
62%
6
Food
38%
62%
OEE
Verlust
34%
66% 65%
H
C
Personal
Care
Food
Losses
Fehlende
Daten
Fehlendes
Verständnis
Fehlende
Optimierung
Das Problem
Alle Zahlen aus 2018
ff
, Durchschnittswerte auf monatlicher Basis; Vergleich mit anderen Branchen-
OEEs: Personal Care 66%, Home Care 65%, Kleinserienfertigung (inkl. Blechbearbeitung): 39,5%

6. 6
If you went to bed last night as an industrial company,
you’re going to wake up today as a software and
analytics company.
Je
ff
rey Immelt, former CEO of General Electric
Quelle: GE CEO Je
ff
Immelt delivers keynote address at User Summit Day 1, 28.10.2014
https://youtu.be/djB6BmBda6Q

7. 7
Die Lösung
nanoMES
Plug&Play Technologie
Minimalinvasiver Anschluss
Kein IT-Projekt durch Saas
Advanced Analytics
Reporting/
Visualisierung
oee.ai
plug&play
manufacturing
intelligence
Statistiken und AI Algorithmen
Neue, aussagekräftige Kennzahlen
Handlungsvorschläge
Anzeige Produktionsinfos in Echtzeit
Fakten für die Ursachenermittlung
ANDON zur Transparenz

8. 8
Baustein 1: nanoMES Funktionalität
nanoMES
Plug&Play Technologie
Minimalinvasiver Anschluss
Kein IT-Projekt durch Saas
Advanced Analytics
Reporting/
Visualisierung
oee.ai
plug&play
manufacturing
intelligence
Statistiken und AI Algorithmen
Neue, aussagekräftige Kennzahlen
Handlungsvorschläge
Anzeige Produktionsinfos in Echtzeit
Fakten für die Ursachenermittlung
ANDON zur Transparenz

9. 9
oee.ai kann als einfaches MES in allen diskreten Produktionen
eingesetzt werden

10. Erfassung der Daten
oee.ai erfasst Produktivitätsdaten minimalinvasiv und wertet diese
in Echtzeit aus aus
10
Bereitstellung von Informationen
Abdeckung Ende-zu-Ende
European
data center
IPC oder
VM

11. 11
Einbeziehung des Domänenwissens der Mitarbeiter ist essentiell für
Erarbeitung und Akzeptanz von Vorschlägen

12. 12
Baustein 2: Reporting und Visualisierung in Echtzeit
nanoMES
Plug&Play Technologie
Minimalinvasiver Anschluss
Kein IT-Projekt durch Saas
Advanced Analytics
Reporting/
Visualisierung
oee.ai
plug&play
manufacturing
intelligence
Statistiken und AI Algorithmen
Neue, aussagekräftige Kennzahlen
Handlungsvorschläge
Anzeige Produktionsinfos in Echtzeit
Fakten für die Ursachenermittlung
ANDON zur Transparenz

13. 13
Visualisierung der Anlagenperformance in Echtzeit:
Ausbringung, OEE, Störungen

14. 14
Echtzeit Visualisierung der Ausbringung, der Soll-Geschwindigkeit
und erkannten Problemen
Stillstand Leistungsverlust
Soll-Geschwindigkeit

15. 15
Fußnote
Verlustgründe klar priorisiert

16. 16
oee.ai Verlustbericht
leichte und
korrekte (!)
Dokumentation
der Stillstände

17. 17
Überschrift
Leistungsverluste werden oft „Stiefmütterlich“ behandelt - zu
unrecht!

18. 18
Fußnote
Überschrift
Werksweite Zusammenfassungen über Linien und Segmente

19. 19
Fußnote
Überschrift
Übersicht über das gesamte Werk

20. 20
Überschrift
Einfach Monitore an den Linien aufhängen: #ANDONläuft
- ANDON Board zur Darstellung des Schichtverlaufs
direkt an den Anlagen
- Ampelfunktion bei Stillstand oder Leistungsverlust
- Einfachste Installation

21. 21
Baustein 3: AI
nanoMES
Plug&Play Technologie
Minimalinvasiver Anschluss
Kein IT-Projekt durch Saas
Advanced Analytics
Reporting/
Visualisierung
oee.ai
plug&play
manufacturing
intelligence
Statistiken und AI Algorithmen
Neue, aussagekräftige Kennzahlen
Handlungsvorschläge
Anzeige Produktionsinfos in Echtzeit
Fakten für die Ursachenermittlung
ANDON zur Transparenz

22. 22
Beispiel 1: Vorhersage von Folgestörungen
Die Wahrscheinlichkeit und der Eintrittszeitpunkt von Folge-
störungen kann mit künstlicher Intelligenz bestimmt werden
• Erkennung Muster aus Stückzahlverlauf
• Tablet Eingabe zum „Labeln“ der Daten
• Lernender Algorithmus zur Prognose
Ansatz
Minuten bis zum nächsten Stillstand
Wahrscheinlichkeit
des
nächsten
- Nach einer Störung „920“ ist die Wahrscheinlichkeit hoch, dass
es zu einer Folgestörung innenrhalb von 45 Minuten kommt
- Anzeige auf ANDON Board, dass der Mitarbeiter nach
Behebung der Störung an der Anlage verbleibt
• Ansatz: Vergleich von verschiedenen
Deep Learning Algorithmen
• 6 Monate Trainingsdaten, > 80% Precision

23. 23
Fußnote

24. 24
Beispiel 2: Eingri
ff
zur Ausschussreduzierung
Hohe Ausschussraten bei unbekannten Zusammenhängen
- Laufende Produktionsdaten werden
via MQTT Schnittstelle an oee.ai
übertragen
- Stückzahl, Soll-Geschwindigkeit,
Ausschuss, Chargennummer, etc
Anlagenverbund
- Gibt es einen Zusammenhang zwischen eingesetzter Charge und der Menge an produziertem
Ausschuss?
- Ist eine Veränderung frühzeitig erkennbar und welche Maßnahmen können getro
ff
en werden?
?
Daten
Fragestellung

25. 25
Ausschussentwicklung
Untersuchung des Ausschusses über den Fertigungsfortschritt
VRA2_03
VRA2_04
VRA2_2019

26. 26
Ausschussentwicklung
Neuralgische Punkte erkennbar —> Eingri
ff
e sichtbar
VRA2_03
VRA2_04
VRA2_2019

27. 27
Fußnote
Erkennung des erforderlichen Eingri
ff
szeitpunkts
Frühzeitige Erkennung des Eingri
ff
szeitpunkts durch KI
Mit Hilfe einer stetigen,
automatisierten Überprüfung
der Steigungsveränderung der
Qualitätsfunktion kann eine
frühzeitige Benachrichtigung
und anschließende Korrektur
erfolgen
ca. 7.000 m
Eingri
f
Automatisierte
Erkennung

28. 28
Konzept in Umsetzung
Eine laufende Analyse ermöglicht ein frühzeitiges Eingreifen zu
Ausschussreduzierung
oee.ai
VRA-Anlagen
Datenübermittlung
Anlage/Datenbank
Laufende Analyse und Datenauswertung
Benachrichtigung
Noti
fi
kation
Benachrichtigung Verantwortlicher
Anpassung
VRA2_03: Höherer Ausschuss als erwartet
!

29. 29
Keine Ausreden! Die Zukunft der Produktion ist jetzt.
Können Sie es sich leisten, mit der Optimierung zu warten?
1
2
3
Eine automatisierte OEE Erfassung und Optimierung kann ohne IT
Projekt innerhalb von 20 min starten
Die Mitarbeiter sind die Stütze des Verbesserungsprozesses, die
Visualisierung in Echtzeit dient der Einbeziehung in den PDCA
Mit künstlicher Intelligenz können Prognosen erfolgen, die die MTTR
unmittelbar senken, indem Sie Handlungsumpulse setzen

30. Kontakt
ifp Software GmbH
Kalverbenden 31
52066 Aachen, Germany
info@oee.ai
oee.ai
Plug & Play
Manufacturing
Intelligence