Menü
.

Ressourceneffizienz durch digitale Wert- und Stoffstrommodellierung in Fertigungsprozessen (ReFer)

Ziel des Projektes ist es, Technologien der digitalen Transformation der Produktion (Industrie 4.0) zur Steigerung der Ressourceneffizienz von Produktionsprozessen zu nutzen. Basierend auf der Methode der Wert- und Stoffstromanalyse wird ein digitaler Zwilling von ausgewählten Fertigungsschritten modelliert. Mittels Datenanalyse-Methoden (Data Analytics) werden spezifische Fragestellungen der Ressourceneffizienz und Nachhaltigkeit analysiert und optimiert.

Hintergrund und Inhalt des Projekts

Ressourceneffizienz ist ein entscheidender Wettbewerbsfaktor für produzierende Unternehmen. Zugleich erfordern die Knappheit und die Importabhängigkeit sowie die mit Rohstoffen verbundenen Umweltwirkungen ein effizientes Wirtschaften mit Produktionsfaktoren. Durch die digitale Transformation der Produktion (auch Industrie 4.0) soll die industrielle Produktion mit moderner Informations- und Kommunikationstechnik intelligent verzahnt werden. Dies eröffnet Möglichkeiten die Effizienz und die Organisation der Produktion zu verbessern. So sollen sich industrielle Prozesse mittel- bis langfristig selbst organisieren; oder lassen sich Prozesse über die ganze Wertschöpfungskette abbilden. Die Digitalisierung liefert dabei von der Feldebene der Prozesse bis zur Betriebsebene Daten, die zur Steigerung der Ressourceneffizienz genutzt werden können.

Ressourceneffizienz wird dabei als Nutzen (Produkt, Dienstleistung, funktionelle Einheit) im Verhältnis zum Aufwand (Rohstoffe, Energie, Wasser, Abfälle) definiert (VDI 4800). Auf Basis von Prozess- und Betriebsdaten sowie ergänzender Mess- und Sensorikdaten lässt sich die Methodik der Wert- und Stoffstrommodellierung verknüpft mit Data-Science-Methoden anwenden, um Fertigungsprozesse realdaten-basiert und kontinuierlich hinsichtlich Ressourceneffizienz zu analysieren und zu steuern. Zudem lassen sich weitergehend Kausalitäten bei Prozessanomalien erkennen und Maßnahmen ableiten.

Projektziel

Ziel ist es, für ausgewählte Fertigungsschritte von Automobil-Zulieferern ein dynamisches Wert- und Stoffstrommodell zu applizieren, um die Ressourceneffizienz um 5-10 % zu steigern. Das dynamische Wert- und Stoffstrommodell ist dabei ein sogenanntes Cyber-Physisches Produktionssystem (CPS), das reale Prozessdaten zu Wert- und Stoffströmen der Prozesskette aus der Feldebene (aus Speicherprogrammierbaren Steuerungen (SPS), Messgeräten, Sensorik) mit Daten aus Manufacturing Execution Systemen (MES) und Enterprise Resource Planning System (ERP) konsistent verknüpft, virtuell und dynamisch in Form eines Digitalen Zwillings abbildet. Ergebnis ist ein Demonstrator, der die Ressourceneffizienz über die Prozessschritte auf verschiedenen Ebenen überwacht und visualisiert (Monitoring) sowie mittels applizierter Datenanalyse-Methoden zur Identifikation von Zusammenhängen von Ressourcenineffizienzen dient (Datenanalyse).

Projektablauf

Das Forschungsvorhaben beinhaltet einerseits die informations- und kommunikations-technische Entwicklung des Prozessdaten-, Hardware- und Monitoring-Konzepts für und zu einem dynamischen Wert- und Stoffstrommodell. Ausgehend von der Ist-Analyse der Prozessschritte werden die benötigten Prozessdaten der Maschinen und Anlagen sowie Wert- und Stoffströme für die Stoffstrommodellierung definiert (Prozessdaten-Konzept). Korrespondierend wird ein Hardwarekonzept erstellt, um die Systemkomponenten für die Prozessdatenerfassung festzulegen. Dieses besteht aus vorhandenen Maschinen (Maschinen und Anlagen, Messgeräten, Sensorik) und noch zu ergänzenden Systemkomponenten (z. B. Messgeräte, Sensorik, Datenlogger). Wesentliche Arbeit besteht in der kontinuierlichen Prozessdaten-Erfassung in einem angebundenen Datenbank-Server sowie der Prozessdatensichtung, -verdichtung und -validierung zu einem konsistenten und dynamischen Wert- und Stoffstrommodell. Dabei werden sich entwickelnde Standards zu Datenarchitektur und -formate (z. B. RAMI 4.0, OPC-UA) genutzt. Die Datenerfassung und -analyse basiert auf dem weit verbreiteten und ausgereiften Vorgehensmodell Cross Industry Standard Process for Data Mining (kurz CRISP-DM), das mit einem iterativen Vorgehen die Phasen Geschäftsverständnis (basierend auf der bereits durchgeführten Wert- und Stoffstrommodellierung), Datenverständnis, Datenvorbereitung, Modellierung, Evaluierung sowie Bereitstellung ein praxisnahes Data Mining sicherstellt.
Andererseits sind von der Mitarbeiter- zur Managementebene geeignete Kennzahlen für die Ressourceneffizienz-Bewertung (Monitoring) zu entwickeln sowie geeignete Methoden zur Datenanalyse von Ressourceneffizienz in Fertigungsprozessen zu auswählen und zu validieren. Dies erfolgt unter Einbindung der Mitarbeiter- und Management-Ebene, um geeignete Kennzahlen und Methoden zu nutzen.

 

Innovation

Studien zeigen, dass bei KMU oder mittelständisch geführten Unternehmen die digitale Transformation eine wesentliche Zielsetzung für die Zukunft ist. Großes Interesse besteht an der Nutzung digitaler Prozessdaten und Ressourceneffizienz-Fragestellungen. Mit dem Vorhaben wird die digitale Transformation für KMU und mittelständisch geführter Unternehmen unterstützt: Auf Basis ausgewählter Fertigungsschritte werden die für den Transfer auf andere Unternehmen erforderlichen Informationen für durchgängige Daten- und Systemarchitektur zur digitalen Prozessdatenerfassung, -verarbeitung und -validierung sowie zu Methoden der Ressourceneffizienzanalyse und -bewertung angewandt und bereitgestellt. Dies liefert die Basis für die Implementierung von Ressourceneffizienz als Key Performance Indikatoren (KPIs) von der Mitarbeiter- bis zur Management-Ebene. Damit lässt sich Ressourceneffizienz operativ auf Basis von Realdaten zum einen visualisieren und als Kontroll- und Steuergröße im Prozess implementieren; zum anderen werden Potentiale zur Steigerung der Ressourceneffizienz aufgezeigt und lässt sich deren Erfolg bei Umsetzung kontrollieren. Damit werden die bisher zur Ressourceneffizienz-Bewertung genutzten analogen und sekundärdaten-basierten zu realdaten-basierten Wert- und Stoffstrommodellen weiterentwickelt. Anstatt punktueller, Schätz- oder Durchschnittsdaten erhöhen sich durch reale Daten die Aussagekraft und der operative Nutzen für die Unternehmen. Kennzahlen zur Ressourceneffizienz bekommen eine andere Bedeutung und Ursachen für Ineffizienzen können analysiert werden.

Old Browser Link