Big Data Industry 4.0 Quality

Big Data – Industry 4.0 – Quality Dr.-Ing. Edgar Dietrich Q-DAS GmbH & Co. KG Weinheim, Germany

A TUDÁSBÓL SZÁRMAZÓ NYERESÉG FOLYAMATOK GYORS MEGÍTÉLÉSE

Q–DAS® | STATISTICS DRIVES SUCCESS

1

Big Data

Big Data

xaas (Cloud) Client-Server Minicomputer Mainframe

1960

1970

1980

1990

2000


2010

2020

2

Feladatkitűzés

„ … és ez itt, egyszerűen ábrázolva, az én elképzelésem, hogy miként lehetne a gyár optimalizálását fokozni. Van kérdésed?”


3

A tudásból származó nyereség

Szezorok,

A munka világában a dolgok egyre komplexebbek lesznek

Kérdések & Feleletek

„Kézi” adatrögzítés A tárolt tudás nagy adatmennyiséghez vezet: „Big Data”.

Az embereknek a munkájukhoz magas döntési minőségre van szükségük!

(preditiv) Elemzések

Felismerés

Q–DAS® | STATISTICS DRIVES SUCCESS < Dateiname/Autor/Datum > © Copyright Q-DAS® GmbH & Co. KG

4

Hogyan tehetünk szert nyereségre a tudásból? Különböző információforrások

Adattárolók és hálózat

átvitel

feldolgozás

elemzés

Munkatársak

A validált mérőszámok választ adnak! Q–DAS® | STATISTICS DRIVES SUCCESS

5

Hagyományos és új elemek az ipari termelésben gyártástól távoli

gyártásközeli

Meglévő adatforrások Adatforrások

Adattárolás

Eredmények, mérőszámok

Gyártás / Mérőlabor

Mérő folyamatok

SPS, szenzorok

Tervezés

CAQ

További rendszerek

MES

ERP

Vezérlési adatok

Mérési adatok

Jelentés

Új adatforrások

Dashboard

Ad hoc elemzés

CRM

Internet (dolgok + szolgáltatások)

mailek, videok, dokuk, Web Logok, közösségi média

Hadoop / Cloud

Adatbank

Adatok / Text Mining


Predictiv elemzés

Operational Intelligence

6

Út az „ipar 1.0”- tól az „ipar 4.0”

Első SPS Modicon 084 1969

Első mechanikus szövőszék 1784

3. Ipari forradalom Az elektronika és az IT bevezetése a gyártás további automatizálásához A komplexitás foka

Első futószalag Cincinatti vágóhíd 1870

4. Ipari forradalom Cyber-Physical rendszerekre építve

2. Ipari forradalom A tömeggyártás bevezetése, villamos energiát felhasználva

1. Ipari forradalom Víz- és gőzgajtású mechanikus gyártó berendezések bevezetése idő

18. század vége

20. század eleje

20. század, a 70-es évek eleje


napjaink

7

Az „ipar 4.0” célkitűzése

Önkonfigurálhatóság Önoptimalizálás Öndiagnózis Megítélés Ezzel azt kell elérni, hogy egyedi termékeket úgy lehessen előállíthatók, mint egy nagyon rugalmas nagysorozatú gyártás termékeit. Ennek során figyelembe lehet venni egyedi vevői igényeket, és egyedi darabok is gazdaságosan gyárthatók lesznek.


8

Prof. Schmitt, WZL TWTH Aachen megállapítása

A termelés mára kapacitáscsapdába esett. Ezért a ütemezett és szinkronizált rendszerek (nagyrészt futószalagok)-, valamint a legutóbbi ipari forradalom vívmányai a felelősek. Ezek a toló piacokon (push market) működnek, mindaddig, amíg a piacok nem lesznek árukkal elárasztva, és vissza nem esnek. Ez azonban alapvetően megváltozott. A cyber-fizikai rendszerek (Cyber-physische Systeme), így szól az elképzelés, egy következő lépésben megoldásokat kínálhatnak az emberek, gépek és információk optimális összejátszására, és ezáltal a jövőbeni piacok követelményeinek jobban megfelelhetnek.


9

Prof. Bauernhansl, IPA Stuttgart megállapítása

A folyamatos gyártás és az energiafogyasztás technológiai korlátozása további hajtóerőt jelentenek az „ipar 4.0” számára. Ennélfogva szükségszerűen bekövetkezhet a gépek cyber-fizikai rendszerekkel történő decentralizálása.. Az ilyen ciber-fizikai rendszerekben az adatok mennyisége rendkívüli mértékben megnő, és gyakorlatilag lehetetlenné teszi ezek megőrzését és feldolgozását a gyártó üzemekben. Az információk és a számítási szolgáltatások kihelyezése a felhőbe (cloud) egy szükségszerű következmény lehet, még akkor is, ha adatokhoz és információkhoz kapcsolódó jogok jelenleg még messze nem tisztázottak.


10

Big Data – Ipar 4.0 – Minőségi adatok – Belső Hálózat

Big Data Industry 4.0 Minőségi adatok

Privát Cloud Q–DAS® | STATISTICS DRIVES SUCCESS

11

Hagyományos és új elemek a gyártásban gyártástól távoli

gyártásközeli

Meglévő adatforrások Adatforrások

Adattárolás

Eredmények, mérőszámok


Mérő folyamatok

Tervezés

SPS, Szenzorok

CAQ

További rendszerek

MES

ERP

Vezérlési adatok

Mérési adatok

Jelentés

Új adatforrások

Ad hoc

Dashboard

elemzés

CRM



Hadoop / Cloud

Adatbank


A cég belső hálózata Q–DAS® | STATISTICS DRIVES SUCCESS

Predictiv elemzés


Külső hozzáférés 12

Adatkonszolidálás

Adatforrások

Adatkonszolidálás

Adattárolás


Mérő folyamatok

SPS, Szenzorok

Tervezés

CAQ

További rendszerek

MES

ERP

CRM



konvertálás, kiegészítés, plauzibilizálás, struktúrálás, átadás …

Mérési adatok

Vezérlési adatok

Adatbank


Hadoop / Cloud

13

Adatelemzés

Adattárolás

Adatelemzés

Eredmények szolgáltatása

Vezérlési adatok

Mérési adatok

Hadoop / Cloud

Adatbank

adatszelektálás, statisztikai kiértékelés, feldolgozás, kommunikáció, …

Jelentés

Dashboard

Ad hoc

elemzés



Predictiv elemzés


14

Adatkiértékelés – Smart Data és Adatelemzés

Adatforrások


Mérő folyamatok

Adat-

CAQ

MES

ERP

Vezérlési adatok

Mérési adatok

Adatelemzés

Eredmények szolgáltatása

SPS, Szenzorok

További rendszerek


CRM


konvertálás, kiegészítés, plauzibilizálás, struktúrálás, átadás …

konszolidálás

Adattárolás

Tervezés

Hadoop / Cloud

Adatbank

kiértékelés, feldolgozás, kommunikáció, …

Jelentés

Dashboard

Ad hoc elemzés



Predictiv elemzés

Operational Intelligence 15

A Q-DAS CAMERA® Concept Fázisai

COLLECTING (GYŰJTÉS) Testteil

ASSESSING (MEGFIGYELÉS)

MANAGING (IRÁNYÍTÁS) Ismeretek a folyamatról

EVALUATING (KIÉRTÉKELÉS)

REPORTING (JELENTÉS)

ARCHIVING (ARCHIVÁLÁS) Q–DAS® | STATISTICS DRIVES SUCCESS

16

Leképzés a Q-DAS CAMERA® Cocept-ban

Tervezés: megrendelések-, gépek-/ gyártás- és minőségirányítás

Mérő folyamatok

Szenzorok

CAQ/SPCrendszerek

MESrendszerek

egyebek

Ad hoc

Web

elemzés

Apps

adatkonszolidáció

Smart Data Adatelemzés

Jelentés

Dashboard

Mérőszám cockpit


17

Adatkiértékelés Gyártás / mérőlabor Mérő folyamatok

SPS, Szenzorok

További rendszerek

Tervezés

CAQ

MES

ERP

CRM

Internet (dolgok + szolgáltatások) mailek, videok, dokuk, Web Logok, közösségi média

Adatkonszolidálás

Adatstruktúra, ami lehetővé teszi az ismeretekből származó nyereséget Adott idejű információk teljes körű (automatizált) gyűjtése Plauzibilitás vizsgálata (a háttérben) Azonos idejű kiértékelés és eredményközlés Utalás a hiányzó infromációkra Adatbeviteli segédeszközök alkalmazása: barcode, katalógus … Smart Data Q–DAS® | STATISTICS DRIVES SUCCESS

A digitális termék-”emlékezet” felépítése Gyártás / mérőlabor Mérő folyamatok

SPS, szenzorok

Tervezés

Internet (dolgok+szolgáltatások)

További rendszerek

MES

CAQ

ERP

Mailek, videok, dokuk, Web Logo, közösségi média

CRM

Adatkonszolidáció

Smart Data

A termékek élettartama

Folyamat optimalizálás, folyamatparaméterek beállítása

Folyamatok felügyelete, SPC

Folyamatok minősítése, QRK

Gépek- és gyártási folyamatok átvétele

Mérési folyamatok alkalmasságának igazolása

Adatelemzés

Eredmények tárolása Q–DAS® | STATISTICS DRIVES SUCCESS

19

Q-DAS termékek a digitális termék-”emlékezet” felépítéséhez

Q-DAS adatbank

Projektirányítás

A termékek élettartama

SPC Folyamatoptimalizálás, folyama tparaméterek beállítása

Folyamatok felügyelete,

Folyamatok minősítése, QRK

Gépek- és gyártási folyamatok átvétele

Mérési folyamatok alkalmasságának igazolása

Feladatok

Adatelemzés

Q-DAS termékek

Eredmények tárolása Q–DAS® | STATISTICS DRIVES SUCCESS

20

Információbázis – példaszerű feladatkitűzések A termékjellemzők tudják, hogy mikor kell őket ellenőrizni, és ismerik az alkalmas mérési folyamatot. A meglévő gépek és gyártóberendezések alkalmasságának bizonyítékai rendelkezésre állnak. A folyamatok kvalifikáltak. Ebből levezethető, hogy mely termékjellemzőt lehet a berendezéssel előállítani.

A megmunkált jellemző kiértékelésre kerül, annak megállapítása céljából, hogy megfelel-e a követelményeknek. Ismertek az egyes megmunkálási lépések optimális paraméterei, és ezek beállítása automatikus. Megbízhatósági vizsgálatok eredményei alapján ismert a várható élettartam. Q–DAS® | STATISTICS DRIVES SUCCESS

21

Industry 4.0 – Quality 4.0 Gyártás / mérőlabor

Mérő folyamatok

SPS, Szensorok

Tervezés

CAQ

További rendszerek

MES

ERP

CRM


Mailek, videok, dokuk, Web Logs, közöségi média

Adatkonszolidáció

Kommunikáció a környezettel

Kommunikáció a környezettel Smart Data Adatelemzés

Digitalis termékemlékezet Q–DAS® | STATISTICS DRIVES SUCCESS

22

Példa: intenzív (agilis) gyártás

Műveletek

Typ 1

Typ 2

Typ k

OP1…OPi

OPi+1…OPj

OPk…OPm

M11

M21

Mk1

M12

M22

Mk2

Géptípus 1

M1n

M2n

Műveleti sorrend

Mkn Műveleti sorrend


23

Termék áttekintés

Terméktípus 1

Változat 1 Változat 2 Változat k

Jellemző 1 Jellemző 2 Jellemző n

Terméktípus 2


24

Folyamat áttekintés Géptípus OP1…OPi

Gép M11 Gép M12

Gép M1n

Szerszám 1 Szerszám 2 Szerszám k

OPi+1…OPj


25

Control 2013

Köszönöm a figyelmet!

A TUDÁSBÓL SZÁRMAZÓ NYERESÉG FOLYAMATOK GYORS MEGÍTÉLÉSE


26

Big Data Industry 4.0 Quality

Recommend Documents