Moderne Ausfallzeiterfassung: Maschinensignale und maschinelles Sehen übertreffen manuelle Protokolle

Die Erfassung von Stillständen hing schon immer stark von den Angaben der Bediener ab. An einer stark ausgelasteten Linie bedeutet das, dass kurze Stopps selten notiert, Mikrostopps so gut wie nie erfasst werden und die Ursachen zur Ratesache werden. Das Ergebnis ist ein verzerrtes Bild der Leistung, das echte Verbesserungsmöglichkeiten verbirgt.

Moderne Anlagen stellen auf die automatische Erfassung von Stillständen mittels Maschinensignalen und Computer Vision um. Plattformen wie Fabrico verbinden sich direkt mit Maschinen und kombinieren diese Signale mit einer integrierten Instandhaltungsebene, sodass jeder Stillstand in Echtzeit erfasst und in umsetzbare Aufgaben für Produktions- und Instandhaltungsteams verwandelt wird.

Demo anfordern

Warum manuelle Stillstandsprotokolle Verluste unterschätzen

Manuelle Protokolle ergaben Sinn, als die Ausrüstung einfach war und die Optionen zur Datenerfassung begrenzt. Heute sind sie ein Engpass, der die OEE verzerrt und Verbesserungsbemühungen fehlleitet. Häufige Probleme sind:

• Fehlende kurze Stopps: Bediener konzentrieren sich auf größere Ausfälle. Ein 2-minütiger Stau oder ein 45-sekündiger Sensorfehler, der sich während einer Schicht mehrfach wiederholt, wird meist ignoriert, obwohl der kumulierte Ausfall erheblich ist.
• Grobe Schätzungen statt genauer Zeiten: Stillstände werden als Rundzahlen wie 5 oder 10 Minuten erfasst. Über eine Woche kann dieser Rundungsfehler Stunden echten Ausfalls verbergen oder Probleme aufbauschen, die eigentlich unbedeutend sind.
• Inkonsistente Ursachen-Codes: Dasselbe Ereignis kann je nach Schicht als "mechanisch", "Ausfall" oder "Linienproblem" protokolliert werden. Diese Inkonsistenz verhindert eine genaue Pareto-Analyse.
• Protokollierung bis zum Schichtende verzögert: Wenn Bediener beschäftigt sind, verschieben sie Einträge. Bis sie das Protokoll aktualisieren, sind Details vergessen und Ursachen werden vereinfacht oder geraten.
• Druck, die Zahlen gut aussehen zu lassen: Wenn Stillstandsmesswerte als persönliche Leistungskennzahl gesehen werden, werden einige Ausfälle nicht aufgezeichnet oder in "Rüsten" oder "Besprechung" verschoben, um einer Prüfung zu entgehen.

Das größte Problem ist nicht Unehrlichkeit, sondern kognitive Überlastung. Bediener werden eingestellt, um Anlagen sicher und konstant zu betreiben, nicht um als Datenerfassungs-Terminals zu fungieren. Jeder Prozess, der perfekte manuelle Eingaben in einer hochintensiven Umgebung verlangt, wird scheitern.

Automatische Erfassung von Stillständen durch Maschinensignale

Maschinensignale lösen die erste Hälfte des Problems. Durch die Verbindung zu SPS, Sensoren oder bestehenden Controllern kann eine Plattform wie Fabrico erkennen, wann eine Maschine läuft, im Leerlauf ist, blockiert oder unterversorgt ist, und diese Zustände mit Sekundenpräzision zeitlich erfassen.

Diese Art von Maschinenüberwachungssystem verbessert die Qualität der Stillstandsdaten erheblich:

• Jeder Stopp wird erfasst: Wenn die Maschine stoppt, wird dies protokolliert. Mikrostopps, häufige kurze Staus, unterversorgte oder blockierte Zustände sowie Geschwindigkeitsverluste erscheinen automatisch im Ereignisstrom.
• Präzise Zeitstempel: Start- und Endzeiten werden direkt von der Maschine erfasst. OEE-Kennzahlen wie Verfügbarkeit und Leistung basieren auf objektiven Daten, nicht auf dem Gedächtnis.
• Standardisierte Zustandsdefinitionen: Zustände werden einmal konfiguriert und dann konsistent über Schichten, Linien und Werke angewendet, was Benchmarking ermöglicht.
• Minimale Belastung der Bediener: Bediener konzentrieren sich darauf, die Ursache eines Stopps zu bestätigen oder zu verfeinern, nicht darauf, Timer zu starten und zu stoppen.

Auf dieser Grundlage können Betriebs- und Continuous-Improvement-Manager ihren Produktionsüberwachungs-Daten vertrauen. Die Diskussion verlagert sich von "Sind diese Zahlen korrekt?" zu "Was ist die beste nächste Maßnahme?"

Wo Maschinensignale an ihre Grenzen stoßen

Maschinensignale zeigen, wann die Anlage nicht produziert, aber sie erklären nicht immer, warum. Typische Lücken sind:

• Mehrdeutige Zustände: Die SPS kann anzeigen, dass die Maschine gestoppt ist, doch die wahre Ursache könnte Material, Qualität, ein blockiertes Förderband oder eine vorgelagerte Maschine sein.
• Komplexe Linien: In Linien mit mehreren miteinander verbundenen Maschinen kann ein Stopp über die ganze Linie wirken. Es ist schwer zu erkennen, welche Maschine der Auslöser ist und welche nur blockiert oder unterversorgt werden.
• Menschengesteuerte Probleme: Abwesenheit des Bedieners, falsche Einrichtung, langsames manuelles Verpacken oder visuelle Qualitätskontrollen sind in SPS-Daten selten sichtbar.
• Manuelle Arbeitsstationen: Montagezellen oder Prüfstationen ohne komplexe Steuerungen können blinde Flecken bleiben, wenn man sich nur auf Signale verlässt.

Hier ergänzt Computer Vision die Maschinendaten und schließt die verbleibenden blinden Flecken.

Wie Computer Vision nicht erfasste Stopps aufdeckt

Computer Vision nutzt Kameras und KI-Modelle, um zu interpretieren, was an und um die Maschine geschieht. Sie kann Bewegung, Materialfluss, Ansammlungen, Bedienerpräsenz und in einigen Fällen visuelle Defekte oder Fehlausrichtungen erkennen. In Kombination mit Maschinensignalen bereichert sie die Stillstandserfassung auf mehrere Arten:

• Erkennung von linienweiten Blockaden und Unterversorgung: Vision kann sehen, ob ein vorgelagertes Förderband voll ist oder die Zuführung leer ist, wodurch klar wird, ob ein Stopp durch die Maschine selbst oder durch ein anderes Asset verursacht wurde.
• Mechanische von Materialproblemen unterscheiden: Wenn die SPS einen Stopp anzeigt und die Kamera eine leere Palette, fehlende Kartons oder keinen Bediener sieht, kann das System den Ausfall genauer kategorisieren.
• Erfassung manueller Mikrostopps: In halbautomatischen Zellen werden kleine Zögerungen und wiederholte manuelle Eingriffe als Verlangsamungen sichtbar, die in OEE-Berechnungen einfließen können.
• Unterstützung bei Rüsten- und Wechselanalyse: Vision kann Rüstvorgänge segmentieren und aufzeigen, wo bei manuellen Schritten Zeit verloren geht, was SMED- und Standardarbeitsprojekte unterstützt.

Vision ersetzt Maschinensignale nicht, sie fügt Kontext hinzu. Kombiniert liefern sie ein deutlich wahrheitsgetreueres Bild dessen, was den Durchsatz beeinträchtigt, als jedes manuelle Protokoll.

Von Roh-Stillstandsdaten zu praktischen Maßnahmen

Jeden Stopp zu erfassen ist nur wertvoll, wenn die Teams auf die Informationen reagieren. Fabrico verbindet automatische Datenerfassung, OEE-Analysen und eine integrierte Instandhaltungsmanagement-Ebene, sodass Stillstandsereignisse auf natürliche Weise mit Maßnahmen verknüpft werden.

Typische Arbeitsabläufe umfassen:

• Produktionsmaßnahmen: Wenn wiederkehrende kurze Stopps mit Rüsten, Reinigung oder Materialhandling verbunden sind, können Produktionsteams Arbeit standardisieren, Personal anpassen oder Aufgaben direkt aus einer priorisierten Verlustliste neu ausbalancieren.
• Instandhaltungsmaßnahmen: Wiederkehrende Fehler von bestimmten Sensoren, Antrieben oder Subsystemen können automatisch Instandhaltungsaufgaben innerhalb der Plattform auslösen. Instandhaltungsleiter können Inspektionen oder Austausch basierend auf realen Fehlerbildern planen.
• Gemeinsame Sicht für Betrieb und Instandhaltung: Beide Teams arbeiten mit der gleichen Timeline von Stopps, Ursachen und Maßnahmen. Es gibt weniger Debatten darüber, "Gehört dieser Stillstand wirklich zur Instandhaltung oder zum Betrieb", weil die Daten granular und transparent sind.
• Strukturierte Verbesserungszyklen: Pareto-Diagramme von Stillständen und Geschwindigkeitsverlusten, befeuert durch genaue Signale und Vision, weisen CI-Teams auf das nächstwichtigste Verbesserungsprojekt hin.

Das Ergebnis ist eine Produktionsumgebung, in der OEE-Verbesserungen auf Beweisen statt auf teilweisen oder verzerrten Protokollen aufbauen.

Welche Rolle KI in der modernen Stillstandserfassung spielt

KI fügt eine weitere Intelligenzschicht über Rohsignale und Bilder hinzu. In Fabrico kann KI helfen, Ereignisse zu klassifizieren, Ursachen vorzuschlagen und Muster zu erkennen, die in Tabellen oder statischen Berichten schwer zu sehen sind.

Beispiele für KI-getriebenen Mehrwert in der KI-Produktionsüberwachung sind:

• Automatische Ursachen-Vorschläge: Durch die Kombination von SPS-Fehlercodes, Maschinenzustandsmustern und Vision-Inputs kann KI die wahrscheinlichste Ursache für einen Stopp vorschlagen, sodass Bediener nur bestätigen oder anpassen müssen.
• Mustererkennung über Schichten und Produkte hinweg: KI kann aufzeigen, dass kleine Stopps bei bestimmten SKUs oder während bestimmter Schichtkombinationen gehäuft auftreten und auf Trainings- oder Einrichtungsprobleme hindeuten.
• Priorisierung nach Auswirkung: Statt einer langen Liste kleiner Probleme kann KI zeigen, welche Kombination aus wiederkehrenden Stopps und Geschwindigkeitsverlusten tatsächlich den Durchsatz bei Schlüsselprodukten einschränkt.

KI ersetzt keine Ingenieure. Sie beschleunigt deren Analyse und lässt sie sich auf das Lösen von Problemen konzentrieren, statt auf das Zusammenstellen von Daten.

Wichtige Bewertungsfragen für MES- und OEE-Käufer

Wenn Sie MES- und OEE-Plattformen bewerten, insbesondere solche, die behaupten, Stillstände automatisch zu erfassen, ist es nützlich, zu fragen:

• Wie verbinden Sie sich mit Maschinen und welche Ereignisse können Sie von SPS oder Controllern erfassen?
• Wie gehen Sie mit halbautomatischen oder manuellen Arbeitsplätzen um, bei denen Signale begrenzt sind?
• Unterstützen Sie Computer Vision und wie ist diese in die Stillstandsklassifizierung und das OEE integriert?
• Wie ist die Instandhaltungsebene integriert, sodass Stillstandsmuster Wartungsaufgaben auslösen und priorisieren können?
• Welche Tools gibt es für Bediener, um Ursachen mit minimalen Klicks zu bestätigen oder zu verfeinern?
• Wie präsentieren Sie Stillstands- und OEE-Kennzahlen für verschiedene Rollen: Bediener, Teamleiter, CI-Manager und Instandhaltung?

Fabrico ist so konzipiert, diese Fragen in einer Plattform zu beantworten: Es sammelt Daten aus Maschinensignalen und, wo relevant, Computer Vision, berechnet OEE in Echtzeit und verknüpft jeden signifikanten Verlust durch seine integrierten Instandhaltungsmanagement-Funktionen mit Produktions- und Instandhaltungsmaßnahmen.

Über manuelle Protokolle hinaus zur Echtzeit-Sichtbarkeit von Verlusten

Für mittelgroße und große Hersteller sind die Einschränkungen manueller Stillstandsprotokolle zu einem strategischen Problem geworden. Wenn Produktmischungen zunehmen und Lieferketten enger werden, führen nicht gemessene Verluste direkt zu verfehlten Aufträgen, Überstunden und Investitionsausgaben, die möglicherweise nicht erforderlich wären.

Durch die Kombination von Maschinensignalen, Computer Vision und integriertem Instandhaltungsmanagement gibt Fabrico Werksleitern, Betriebsdirektoren und Instandhaltungsleitern einen klaren Überblick darüber, wohin Kapazität tatsächlich fließt. Manuelle Protokolle können weiterhin als Backup oder für Sonderfälle eine Rolle spielen, aber sie definieren nicht mehr die Daten.

Um zu sehen, wie dieser Ansatz auf Ihren Linien funktionieren könnte, können Sie uns kontaktieren.