Transparenz über ihr Werksgeschehen erhalten Unternehmen häufig über KPI-Dashboards. Sie liefern anhand von Visualisierungen und Auswertungen definierter Kenndaten Informationen zur laufenden Produktion. Um ihren Nutzen auf dem Shopfloor ausspielen zu können, müssen Produktionsmitarbeiter handlungs- und reaktionsfähig sein. Hierfür ist zum einen die Fähigkeit zur möglichst unmittelbaren Datenanalyse erforderlich. Ergänzend könnten sogenannte Factory Agents über Fragen in natürlicher Sprache Zugang zu Ad-hoc-Analysen und Auswertungen von Produktions- und Maschinendaten vermitteln, sogar über verschiedene Datenquellen hinweg. Sie bieten damit dynamische Analyse- und Entscheidungsgrundlagen. In einem erweiterten Szenario könnten Manufacturing-KI-Agenten schließlich automatisiert zugehörige Prozesse übernehmen oder selbständig ihnen gestellte Aufgaben lösen.
KPI-Dashboards und Agenten
Die beschriebenen KPI-Dashboards lassen sich oft mit vergleichsweise geringem Aufwand erstellen, etwa mit der Power Platform von Microsoft oder anderen Tools. Neben klassischen Produktionskennzahlen lassen sich hier auch Telemetriedaten in nahezu Echtzeit anzeigen und überwachen. Ein Knowledge Agent erweitert die verfügbaren Informationen begleitend zu den sogenannten Factory Analytics. Was abstrakt klingt, heißt für die Teams vor Ort: Ein konversationsfähiger Agent ermöglicht natürlichsprachigen Zugriff auf Wissensquellen, etwa Informationen zu Eigenschaften bestimmter Maschinentypen, Anweisungen aus FMEA-Dokumenten sowie Erfahrungen aus der Vergangenheit.
Ein Factory Agent ist im Grunde lediglich ein ‚Conversational Agent‘, der mit Produktionsdaten arbeitet. Dieser Ansatz könnte besonders interessant werden, wenn sich Informationen nicht mehr aus statischen Dashboards entnehmen lassen und Daten aus verschiedenen Systemen – etwa MES, ERP-Software und Maschinen – in Verbindung gebracht werden müssen. Er ist somit die Basis für eine Reduktion von Komplexität, als Vorbereitung einer datenbasierten Entscheidung. Denn ein Factory Agent kann etwa Erkenntnisse vermitteln, warum unerwartete Schwankungen von Zykluszeiten auftreten, der Ausschuss zunimmt oder Abweichungen bei Aufträgen auf einer speziellen Maschine zunehmen.
Auswertungen auf neuem Level
Damit ist ein solches System deutlich flexibler als klassische statische Auswertungen; die Unterschiede können entlang der fachlichen Struktur in der zugrunde liegenden Graph-Datenbank ermittelt werden. Anwender müssen nicht mehr einzelne Datenfelder aus verstreuten Systemen kombinieren und interpretieren. Zudem ist mit einem solchen Factory Agent die Verknüpfung mit weiteren Wissensquellen möglich (Knowledge Agent). Dabei ist der Einsatz vieler Factory Agents machbar, die ebenfalls abgestimmt aufeinander und untereinander wirken können.
Middleware mit Graph-Datenbank
Solchen durchgängigen Konzepten stehen eine Reihe von Hindernissen im Weg. Es dürfte ersichtlich sein, dass Datensilos ein Problem darstellen. Das gilt auch für proprietäre Schnittstellen, wenn sie einen Lock-in verursachen. Eng damit im Zusammenhang stehen Multi-Vendor-Thematiken: ERP-Software, MES, Scada-Tools und andere Steuerungssysteme von unterschiedlichen Lieferanten tun sich häufig schwer, einen einfachen Datenaustausch über ihre Systemgrenzen hinaus zu unterstützen. Diese und weitere Herausforderungen sorgen dafür, dass 70 Prozent der Unternehmen im Pilot-Stadium von KI-Projekten steckenbleiben. Um diese Probleme zu lösen, ließe sich als Kernkomponente eine Manufacturing-Datenplattform einrichten, etwa mit einer Graph-Datenbank auf Basis eines standardisierten Datenmodells für Produktion und Logistik (z.B. ISA 95). In diese Plattform könnte der Input aus den Datenquellen rund um die Fertigung einfließen.
Anbindung an eine Cloud
Die Integration kann über ein sogenanntes Cloud-Connector-Framework erfolgen. Als Output verspricht ein solches Setup jene Einblicke, die als Grundlage für Entscheidungen bei der Fertigungssteuerung dienen. Factory Agents müssen skalieren können, um mit unterschiedlichen Infrastrukturen und Bestandskomponenten zurechtzukommen. Heterogene Umgebungen erfordern zwei Abstraktionen: technisch etwa für die Anbindung und Kommunikationsprotokolle sowie auf Datenebene, Stichwort Industriedatenmodell. Dafür ist eine Event-basierte und quasi-echtzeitfähige Architektur mit entsprechender Skalierung geeignet, um selbst viele Produktionsstandorte und Linien anzubinden.
Gängige Fragestellungen
Die aussichtsreichsten Factory Agents sind meist individuell zu ermitteln. Hierbei arbeiten interdisziplinäre Teams, etwa IT, OT und Produktion, in der Regel am erfolgreichsten. Im Prozess zählen Fragen wie: Wo geht am meisten Effizienz verloren? Wo ist die Implementierung am einfachsten durchzuführen? Wo liegt das geringste betriebliche Risiko, falls etwas nicht funktioniert? Welche Ressourcen stehen zur Verfügung, sowohl im Hinblick auf Team-Kapazität als auch Technologie? In welchem Szenario ist unter Berücksichtigung dieser Faktoren die Wirkkraft am größten?
Erfahrungen aus der Praxis
In der Praxis sollen Factory Agents häufig helfen, ungeplante Maschinenstillstände zu verhindern, also Ausfallzeiten reduzieren. Auch die Minimierung von Informationsverlusten oder hohem Aufwand bei Schichtwechseln sowie die Steigerung der Produktqualität – etwa durch das Ermitteln von Ursachen für nicht-konforme Teile und das Erkennen zugehöriger Abhängigkeiten – gehören zu den zentralen Anwendungsfeldern. Ebenso geraten die Optimierung der Wartungsplanung und der Personaleinsatz oft in den Fokus. Diese Beispiele verdeutlichen, dass mit dem Einsatzbereich eines Multi-Factory-Agent-Setups auch ihr Wirkungsgrad wächst. Deshalb sollte bei Planung und Implementierung der Produktionsumgebung auch auf weitere Anpassungen vorbereitet werden. Es gilt zudem das gängige Prinzip der Prozessdigitalisierung: Wer einen schlechten Prozess digitalisiert, erhält lediglich eine digitalisierte Version desselben schlechten Prozesses.
Im dynamischen Umfeld
Der Umbau großer Produktionsanlagen ist kein Ad-hoc-Projekt. Vielmehr wird es in den meisten Fällen auf eine schrittweise Einrichtung hinauslaufen. Denn solche Brownfield-Umgebungen unterliegen einer gewissen Dynamik, werden gewartet, aktualisiert und modernisiert – wer diese Gelegenheiten nutzt, kann zudem von den einzelnen kleineren Projekten lernen. Letztlich wird die Sicht auf den gesamten Herstellungsprozess künftig bedeutsamer werden: Eine zunehmend autonome Fertigung auf Basis eines kognitiven digitalen Gehirns verspricht eine konsequentere Optimierung der Produktion, als es heute möglich ist.
