Forschungsthema »Industrie 4.0 - Smart Manufacturing«

Projektziele

Ziel des Forschungsprojekts ASPeCt ist es, eine Methode für die integrierte (Ressourcen, Energie, Prozesse und Materialfluss simultan betrachten) und durchgängige (kurz- bis mittelfristig planen) Produktionsplanung mit der Optimierung aller essentiellen Produktionsressourcen zu entwickeln.

Die Methode wird mit Forschungs- und Unternehmenspartnern unterschiedlicher Branchen entwickelt und in Form von Demonstratoren implementiert. Ergebnis ist ein Prototyp für ein leistungsfähiges integriertes Planungssystem sowie die detaillierte Potentialabschätzung der Wirkung der neu entwickelten Methode im Unternehmenseinsatz.

Projektergebnisse

Fraunhofer Austria fungiert im Forschungsprojekt ASPeCT als Konsortialführer. Besonders bringt Fraunhofer Austria Kompetenzen im Bereich der Entwicklung innovativer Glättungsmethoden sowie in der Simulation von Produktionsabläufen ein.

Durch den Testeinsatz des Planungswerkzeuges (Kombination Produktionsglättung & weiterentwickelter hybrider Simulator) aus ASPeCT kann eine Abschätzung der Nutzenpotentiale (Produktionskosten, CO₂ Emissionen etc.) verlässlich erfolgen und Unternehmen können die Methode schließlich für die Praxis nutzbar machen.

Projektziele

Mit Hilfe des Projektes soll ein Best-Practice Beispiel für KMU geschaffen werden, das transparent und schrittweise darstellt, wie KMU die Potentiale der digitalen Transformation, ohne große Investitionen, für sich nutzen können.

Im Detail sollen folgende Ziele im Rahmen des Projekts erreicht werden:

1. Erhöhung des OEE-Werts mittels Echtzeit-Monitoring und Prognose

• Optimierung von Rüstzeiten
• Reduzierung ungeplanter Stillstände

2. Produktivitätssteigung und Reduktion von Ineffizienz-Kosten

• Identifikation von Ineffizienzen im Prozess
• Kosten- und Produktivitätsbewertung
• Ermittlung von Verbesserungspotentialen

Eine Twin Transformation ist für den Übergang zu einer nachhaltigen, menschzentrierten und resilienten europäischen Industrie unumgänglich. Derzeit ist der Fokus auf ökologische und soziale Aspekte in der Produktion allerdings noch immer meist theoretischer Natur, während der Fokus auf wirtschaftliche Nachhaltigkeit sehr allgegenwärtig ist. Dabei sind sich produzierende Unternehmen oftmals nicht bewusst, dass ganzheitlich nachhaltige Unternehmens- und Betriebsstrategien, welche ökonomische, ökologische und soziale Faktoren miteinbeziehen, wettbewerbsfähig sind, und es oftmals einfach an nachvollziehbaren KPIs zu einer ganzheitlichen Messung der Nachhaltigkeit mangelt.

Das zentrale Ziel von Dr. Opera ist es, Produktionsunternehmen in die Lage zu versetzen, nachhaltige Betriebsführungsstrategien zu implementieren, die auf organisationsspezifisch auswählbaren Kriterien in Bezug auf ökonomische, ökologische und soziale Nachhaltigkeit basieren. Das wesentliche Projektergebnis ist ein holistisches Framework zur Steigerung der Nachhaltigkeit, welches in der Lage ist, ökonomische, ökologische und menschliche Faktoren zu orchestrieren. Ein weiteres zentrales Ergebnis ist ein neuartiges Kennzahlenschema bzw. die Erweiterung eines bereits bestehenden Schemas um eine dedizierte Nachhaltigkeitskomponente (z.B. OSEE = OEE x Sustainability). Ein Proof-of-Concept Tool für ein wissensbasiertes multikriterielles Entscheidungsunterstützungssystem zur Verbesserung des Wissenserhalts und einer fundierten Entscheidungsfindung rundet das Bild ab.

Zusammenfassend lässt sich der Nutzen folgendermaßen beschreiben

• Gestaltung der menschlichen Dimension in der nachhaltigkeitsorientierten Entscheidungsfindung
• Orchestrierung von ökologischen, ökonomischen und sozialen Faktoren in der Entscheidungsfindung
• Realisierung von Kosteneinsparungen bei ökologisch nachhaltigen Produktionsstrategien
• Reduzierte Verschwendung von Kapitalressourcen einschließlich menschlicher, physischer und intellektueller Ressourcen
• Steigerung der Wettbewerbsfähigkeit von nachhaltig produzierenden Unternehmen
• Bereitstellung der optimalen Betriebsführungsstrategie auf der Basis der Multi-Input-Parameter

Projektziele

Ziel von EPIC ist es, Innovationen durch Industrie 4.0 Ansätze zu beschleunigen, industrielle Lösungen zu realisieren und eine neue Generation hochqualifizierter Fachkräfte auszubilden. Insbesondere kleine und mittlere Unternehmen sollen durch EPIC Zugang zu Industrie 4.0 Anwendungen erhalten und bei ihrem individuellen Weg in die Industrie 4.0 unterstützt werden. Das soll letztendlich dazu beitragen, die Entwicklung eines wettbewerbsfähigen europäischen Wirtschafts- und Forschungsstandorts in CEE voranzutreiben und langfristig zu stärken.

Im Forschungsvorhaben LEOPOLD wird eine digitale Methode zur Flexibilisierung von Energiesystemen durch optimierte Planung und Steuerung industrieller Gesamtsysteme, auf Basis einer flexiblen und effizienten Modellierung und Optimierung, entwickelt.

Der gesellschaftlich erkannten Notwendigkeit, Industrie nachhaltiger und energieeffizienter zu betreiben, steht das Fehlen leistungsfähiger, anwendungsbereiter, digitaler Werkzeuge für die optimierte Gestaltung und Planung von komplexen Energie- und Produktionssystemen für die Industrie gegenüber. Obwohl die grundsätzliche Möglichkeit und das Nutzenpotential einer Synchronisation des industriellen Energiebedarfes mit dem (vermehrt, durch den steigenden Anteil erneuerbarer Energiequellen im Versorgungsmix) fluktuierenden Energieangebot erkannt wird, fehlen auch hierfür digitale Werkzeuge, aber auch Konzepte für die flexible Energieversorgung für industrielle Verbraucher. Damit bleibt ökologisches und ökonomisches Optimierungspotential in einem Hochtechnologieumfeld ungenutzt.

Projektziele

LEOPOLD entwickelt eine anwendungsorientierte digitale Methode zur Flexibilisierung von Energiesystemen durch optimierte Planung und Steuerung industrieller Gesamtsysteme, auf Basis einer flexiblen und effizienten Modellierung und Optimierung von Prozess und Struktur. Dadurch wird eine Energieeffizienzsteigerung im Gesamtprozess von bis zu 20% angestrebt, sowie eine ökonomisches und ökologisches Optimierungspotential als der Synchronisation von industriellem Energiebedarf und -angebot. Die neu entwickelte Methode basiert auf hybrider Simulation und metaheuristischer Optimierung auf Gesamtsystemebene, sowie gradientenbasierter Optimierung auf der Ebene komplexer Energiesysteme, in einem integrierten und abgestimmten Verfahren. LEOPOLD beinhaltet einen umfangreichen zweiteiligen Use-Case entlang einer Wertschöpfungskette in der energieintensiven Industrie, der die Praxisanwendungsperspektive des Ansatzes sicherstellt. Ein interdisziplinäres Konsortium sowie die Integration eines Energieversorgers ermöglichen die erfolgreiche Bearbeitung des ambitionierten Vorhabens.

KI basierte Analyse heterogener Datenquellen, wie Sensor- und Fahrzeugsteuerungsdaten, zur Erfassung eines objektiven Nutzungsprofils militärisch genutzter Einsatzfahrzeuge. Nutzung der gesammelten Informationen für Optimierung in Wartungs- und Bestandsplanung durch vorausschauende Wartung und optimiertes Lagermanagement.

Nutzungsprofile militärischer Fahrzeuge unterscheiden sich auf Grund der spezifischen Aufgaben für welche sie verwendet werden, wie Landesverteidigung, Katastrophenhilfe, Friedenssicherung, etc. grundlegend von denen nichtmilitärischer Fahrzeuge. Die Nutzungsdauer ist beträchtlich höher, Laufleistungen teilweise um ein Vielfaches niedriger und die Beschaffenheit der Einsatzgebiete deutlich diverser. Eine konsistente, transparente und realitätsnahe Erfassung des tatsächlichen Nutzungsprofils (True-Usage) ist aktuell nicht gegeben. Auswirkungen der Nicht-Nutzung (Materialdegradation, Standschäden, etc.) der Fahrzeuge werden ebenfalls nicht erhoben. Wichtige Aspekte des Flottenmanagements wie Lebenszykluskostenberechnung, Organisation von Instandhaltungsmaßnahmen und logistische Dispositionsberechnung basieren daher aktuell auf Erfahrungsreferenzen und sind dadurch mit signifikanten Unsicherheiten behaftet.

Projektziele

Ziel des Forschungsvorhabens True_Usage ist es eine transparente und nachvollziehbare Erfassung und Überwachung der tatsächlichen Nutzung (true-usage) von militärisch genutzten Einsatzfahrzeugen zu ermöglichen. Zu diesem Zweck werden unterschiedliche (heterogene) Datenquellen erfasst, analysiert und mittels KI-basierter Methoden ein objektives Nutzungsprofil ermittelt. Dadurch ist eine realistische Berechnung sowie eine Minimierung der Lebenszykluskosten beispielsweise durch eine Optimierung der Wartungs- und Bestandsplanung Möglich. Dies wird durch Entscheidungsunterstützungssystem zur vorausschauenden Wartung (Predictive Maintenance) und zur Bestandsoptimierung im Lagermanagement ermöglicht.

Projektergebnisse

Angestrebtes Ergebnis ist ein wirklichkeitsnahes und transparentes Nutzungsprofil der untersuchten Fahrzeuge. Darauf aufbauend werden folgende Ergebnisse erwartet:

• Realistische Berechnung der Folgekosten von Betrieb und Wartung sowie dynamische Anpassung der Lebenszykluskosten während der Betriebsdauer
• Erhöhung der Verfügbarkeit des Systems durch proaktives Ableiten von Wartungsmaßnahmen und Reduktion von ungeplanten Ausfällen
• Optimierung der Verfügbarkeit von Fahrzeugen und Ersatzteilen durch eine Dispositionsberechnung basierend auf Fläche, Zeit und militärischen Rahmenbedingungen

Fügeprozesse wie Schweißen, Clinchen, Nieten, etc. sind eine wichtige Kompetenz der fertigenden Industrie und ein nicht zu ersetzender Teil der Prozesskette in der Serienfertigung. Die Qualität der zahlreichen einzelnen Fügeverbindungen ist ein hochrelevantes Qualitätsmerkmal des Gesamtbauteils hinsichtlich Sicherheit und Lebensdauer. Auftretende Fügefehler, äußern sich sehr kostspielig durch Ausschuss, aufwändige Nacharbeit, erhöhten Ressourcenbedarf, sowie etwaige lange Produktionsstillstände. Die Prüfung der Fügequalität erfolgt derzeit zum großen Teil manuell anhand von zyklischen Sichtprüfungen und zerstörenden Prüfverfahren, was neben Personalkosten auch erheblichen Ressourcenverlust bedeutet. 

Ziel dieses Forschungsvorhabens ist die Entwicklung eines KI-basierten Ansatzes zur automatisierten und frühzeitigen Fehlererkennung und Klassifikation der Fügequalität auf Basis von i) Prozessdatenanalyse sowie ii) intelligenter Bilderkennung um Qualitätsmängel sofort und verlässlich zu erkennen und durch Einleitung von Gegenmaßnahmen (adaptive Prozesssteuerung) Zeit- und Ressourcenverluste zu reduzieren. Die Innovation besteht in der Kombination dieser zwei Informationsquellen in einem Ersatzmodell der Fügestelle, um automatisiert sichere Aussagen über die Qualität jeder Fügestelle, direkt nach ihrer Entstehung treffen zu können. 

Als Ergebnis des Forschungsvorhabens soll ein Verfahren zur Klassifikation der Fügequalität und Fehlerfrüherkennung entwickelt werden, basierend auf der innovativen Kombination aus Prozessdatenanalyse und intelligenter Bilderkennung. Damit soll eine automatisierte Alternative zum derzeitigen häufig manuellen Ansatz der Qualitätsprüfung geschaffen werden. Die industrielle Funktionalität des Verfahrens wird anhand eines Demonstrators getestet und verifiziert. Die Ergebnisse werden sowohl durch wissenschaftliche Veröffentlichungen als auch durch aktive Pressearbeit hochwertig in den Außenraum kommuniziert.

Adressierte Zielmärkte sind Automotive, Anlagen- und Maschinenbau, sowie die metallverarbeitende Industrie. Sowohl in Deutschland als auch in Österreich trägt allein die Automobilindustrie jeweils rund 5% zur wirtschaftlichen Leistung bei. Es wird erwartet, dass die im Projekt IBPA-JOIN geschaffenen Ergebnisse besonders für diese Industrie relevant sind. Grundsätzlich haben die Ergebnisse aber für jeden Bereich der fertigenden Industrie, welcher automatisiert unlösbare Fügeverbindungen fertigt, hohe Relevanz.   

Produktionssysteme müssen fortwährend effizienter und produktiver gestaltet werden, um konkurrenzfähig zu produzieren. Die Wertstrommethode ist hierzu ein bereits etabliertes und hochwirksames Werkzeug zur Prozessverbesserung in der Industrie, das aufgrund des hohen manuellen Aufwands jedoch nur für Momentaufnahmen genutzt wird. Abhilfe möchte Fraunhofer Austria gemeinsam mit dem Fraunhofer IPA im Forschungsvorhaben NEW schaffen. Ziel ist es, alle benötigten Werkzeuge und Methoden für ein nachhaltiges und kontinuierliches Wertstrommanagement zu ermöglichen zu entwickeln. Dies bringt produzierenden Unternehmen folgende Vorteile:

• Drastische Reduktion des Aufwands für auf regelmäßiger Basis durchgeführter Wertstromaufnahmen
• Kontinuierliche Bewertung und Steigerung der Effizienz von Produktionssystemen
• Verbesserungspotenziale zur Erreichung von Klimazielen identifizieren und heben

Das Forschungsvorhaben ist dazu in drei Phasen gegliedert:
In der ersten Phase werden die Grundlagen für die Erstellung eines digitalen Datenmodells des Wertstroms geschaffen. Dies beinhaltet die Erweiterung des Wertstroms um Nachhaltigkeitskennzahlen, wie zum Beispiel Abfallaufkommen, Transportwege oder Energieintensität, sowohl im Bereich der Produktions- als auch der Logistikprozesse, die Erarbeitung eines Sensor-Toolkits zur Komplettierung der meist unvollständigen, fehlerhaften und veralteten Basisdaten sowie die Entwicklung einer Referenzarchitektur.

In der zweiten Phase werden mit einer automatisierten Wertstromanalyse die Anforderungen an einen hochfrequenten Transport und die echtzeitnahe Bereitstellung von Daten und Informationen im Wertstromkontext umgesetzt. Dies wird zunächst anhand von Simulationsdaten erfolgen, um beim Nachweis der Industrietauglichkeit die Lösung in ein Realsystem zu überführen.

In der dritten Phase erfolgt abschließend eine Befähigung für ein kontinuierliches Wertstrommanagement mit entscheidungsunterstützenden Diensten wie Anomalie-Erkennung oder Parameterüberwachung zur Optimierung des Wertstroms.

Insgesamt wird im Forschungsvorhaben NEW die manuelle und diskrete Wertstrommethode von heute in ein nachhaltiges und echtzeitnahes Wertstrommanagement von morgen überführt. Das Ergebnis wird als Plattform genutzt, um darauf aufbauend kundenspezifische Wertstromservices zu entwickeln und einzusetzen

Übergeordnetes Projektziel von ZERO³ ist die Verbesserung definierter Nachhaltigkeitsparameter: ZERO Ressource Loss, ZERO Human Potential Loss und ZERO Data Gap bei gleichzeitiger Steigerung der Produktivität in österreichischen Produktionsunternehmen. Dazu soll im Leitprojekt eine wertstromübergreifende und verlässliche Datenbasis –in Form einer „Sustainability Monitoring Platform“ –zur Analyse und Generierung von Handlungsempfehlungen im Ansatz des "Zero Defect Manufacturings" geschaffen und bei österreichischen Produktionsunternehmen verankert werden.

Durch den Einsatz der zu entwickelnden Algorithmen der künstlichen Intelligenz (KI) sowie durch Lösungen des Einsatzes von Robotiksystemen (Basistechnologien) ist es das Ziel, nachhaltige und gleichzeitig wettbewerbsfähige Produktionen (ZERO³ Produktionen) in Österreich zu etablieren. Die „Sustainability Monitoring Platform“ gibt Produktionsunternehmen die Möglichkeit, ZERO³ Engpässe und Potenziale transparent und unternehmensindividuell zu identifizieren sowie Handlungsempfehlungen und Umsetzungsmaßnahmen zu erhalten. In Use Cases bei Industriepartnern werden Umsetzungslösungen zu vorliegenden ZERO³ Engpässen und Potenzialen entwickelt und deren Einflüsse und Wechselwirkungen im Hinblick auf resultierende Produktivität und Nachhaltigkeit (ZERO³) evaluiert.

addmanu ist ein nationales Leitprojekt zur Erforschung, Entwicklung und Etablierung der Generativen Fertigung. Dabei werden vier Themen als Leittechnologien für generative Fertigung definiert: lithographiebasierte Fertigung (LBF), Fused Deposition Modelling (FDM), selektives Laserschweißen (SLM) und der  Inkjet-Druck. Sie haben aus heutiger Sicht das höchste Potential für Anwendungen und Weiterentwicklungen.

Die additive Fertigung steht für einen rasanten, innovativen Wandel und hohe Dynamik in der Produktionstechnik und der damit zusammenhängenden Wertschöpfungskette. Dies erfordert eine rasche Weitergabe von gewonnenem Wissen und Erkenntnissen aus der aktuellen Forschung, um so den systematischen Aufbau und die Höherqualifizierung des vorhandenen Forschungs- und Innovationspersonals in den Unternehmen zu stärken. Im Rahmen des Qualifizierungsnetzes „addmanu knowledge“ sollen Themen wie neue Werkstoffe für additive Fertigung, neue Prozesse und Anlagen, neue Methoden in der Bauteilgestaltung und Konstruktion sowie die Umsetzung in neue Geschäftsmodelle und relevante Querschnittsthemen vermittelt werden.

Im Konsortium wirken von Seiten der Lehrenden ausgewiesene österreichische Experten der additiven Fertigung mit. Durch die Beteiligung von einer Vielzahl von Unternehmen mit starker Beteiligung von KMUs gelingt es, den Wissenstransfer zwischen Hochschulen und Unternehmen zu forcieren sowie das aufgebaute Wissen in die Wirtschaft zu tragen, um damit die Innovationskompetenz zu steigern.
Um einen hohen Multiplikator Effekt in der Wissensweitergabe zu erreichen, werden im Ausbildungsprogramm personenzertifizierte Trainer (nach ISO 17024) für additive Fertigung ausgebildet.

Projektziele

Im Rahmen des Forschungsprojekts werden Anwendungsfelder für Generative Fertigung sowie die Auswirkungen der Technologie auf die Wertschöpfungskette identifiziert und Anforderungen für neue Geschäftsmodelle ermittelt.

Die Ziele des Projekts sind im Detail:

• Entwicklung neuer Werkstoffe wie Metallpulver, Keramiken, thermoplastische Photopolymere und Inkjet-Tinten mit deutlich verbesserten Eigenschaften

• Entwicklung einer Methode zur Herstellung von Hybridsystemen Metall/Keramik sowie  Stahl/Alu auf Basis der SLM-Technologie

• Entwicklung neuer lithographiebasierter  Prozesse mit deutlich verbesserter Auflösung und höherem Durchsatz

• Methoden zur Inline-Prozesskontrolle bei Generativer Fertigung

• Entwicklung von Nachbehandlungsmethoden zur Verbesserung der Oberflächengüte

• Anwendungsentwicklung unter Betrachtung einer integrierten Prozesskette

Aktuelle Entwicklungen im Bereich Deep Learning und deren erfolgreiche praktische Anwendung in unterschiedlichen Anwendungen (z.B.: Bildklassifikation) suggerieren, dass diese Methoden auch zur Prognose von Maschinenausfällen herangezogen werden können.

In den Bereichen Produktion und Logistik, welche die Anwendungsfelder von COGNITUS darstellen, wird der Bedarf an neuen, effektiveren Lernansätzen ganz klar durch die Tatsache motiviert, dass Wartungskosten zwischen 15% und 40% der Gesamtkosten darstellen.
Drei Aspekte behindern derzeit jedoch den Einsatz von Deep Learning in diesen Bereichen:

• Modelle sind nicht erklärbar
• es ist unklar wie algorithmische Prognosen in Wartungsprozesse und Entscheidungen einfließen sollen, und
• es fehlen Pilotstudien basierend auf realweltlichen Datensätzen.

Projektziele

Das Ziel von COGNITUS ist es, eine Deep Learning Pipeline bestehend aus generischen algorithmischen Bausteinen zur Verfügung zu stellen, die zur Prognose von Maschinenausfällen auf Basis von Sensor Datenströmen herangezogen werden können. Diese Bausteine sollen dann in zwei unterschiedlichen realweltlichen Anwendungsfällen eingesetzt werden und Ausfälle von Schmuck-Produktionsmaschinen im Bereich Produktion (Swarovski) bzw. Lagertechniksystemen im Bereich Logistik (SPAR) prognostizieren. Orthogonal dazu werden in COGNITUS neue datengetriebene Wartungsprozesse und -strategien entwickelt die Entscheidungen auf Basis algorithmischer Prognosen unterstützen.

Innovation in COGNITUS ergibt sich durch die Interdisziplinarität, die eine Kombination von Expertise aus den Bereichen Data Science (AIT, LineMetrics) und Instandhaltungsplanung (FhA) ermöglicht. Daraus werden neue, integrierte Data Science und Instandhaltungsplanungsmethoden hervorgehen, die offene wissenschaftliche und technische Fragestellungen adressieren, wie z.B.: die Verwendung von Deep Learning Modellen in Streaming Plattformen, oder neue Sondierungsmethoden zur Erforschung der inneren Strukturen von trainierten Deep Learning Ansätzen. COGNITUS wird außerdem neue prototypische Dashboards entwickeln, die zeigen sollen wie algorithmische Prognosen den Benutzern kommuniziert werden können und dabei versuchen, existierende Wartungssoftwarelösungen hinsichtlich User-Experience zu übertreffen.

Experten und Entscheidungsträger aus dem Bereich Wartung stellen die Benutzer-Zielgruppe des Projekts dar. Sie werden von automatisierten Prognosen profitieren und wissen wie diese Prognosen in Wartungsprozesse und -entscheidungen einfließen sollen. Dies kann ungeplante Ausfälle reduzieren und die Effektivität von Maschinen und Anlagen in beiden Anwendungsfällen um bis zu 25% erhöhen.

Projektergebnisse

• daten-getriebene Wartungs- und Entscheidungsunterstützungsmodelle die algorithmische Prognosen unterstützen,
• Komponenten zur Analyse und Visualisierung von Datenströmen,
• Softwarebibliotheken zum Training, zur Evaluierung und zur Erklärung von Deep Learning basierten Ausfallsprognosemodellen, sowie
• zwei Pilot-Demonstratoren in den Bereichen Produktion und Logistik, die eine Beurteilung und Quantifizierung des Nutzens auf operativer und geschäftlicher Ebene ermöglichen.

Die integrierte Nutzung der Digitalisierung und Automatisierung (DA) gilt derzeit als einer der bestimmenden Faktoren zur Wohlstands- und Effizienzsteigerung in Gesellschaft und Industrie. Trotzdem gehen die Entwicklungen zur Erhöhung der DA, vor allem in österreichischen Produktionsunternehmen, verglichen mit den technologischen Möglichkeiten, langsam voran. Dies ist neben der hohen Abstraktheit und Komplexität der DA-Konzepte - etwa in Form von Industrie 4.0-Lösungen - vor allem auf fehlende Ansätze zur Bewertung und Steigerung des Unternehmens-DA-Grades zurückzuführen. Aus Wissenschaftssicht ist das Fehlen ganzheitlicher und objektiver Bewertungsmethoden des DA-Grades wiederum mit unzureichenden Operationalisierungen grundlegender DA-Elemente in realen Produktionsumgebungen zu begründen.

Ziel dieses Dissertationsprojektes ist daher, die DA im industriellen Umfeld zu analysieren, zu operationalisieren und mittels einer eigens entwickelten, praktisch anwendbaren Methode in Produktionsunternehmen messbar und bewertbar zu machen. Wissen über den eigenen DA-Grad soll Unternehmen folglich befähigen, den Soll-DA-Grad abzuleiten, Digitalisierungsstrategien zu definieren und letztendlich konkrete Investitionen in organisatorische und technologische Entwicklungen zu tätigen.

Zur Umsetzung wird ein integriertes Konzept der industriellen Automatisierung und Digitalisierung aus der Literatur abgeleitet und dieses auf reale Arbeitsumgebungen von Produktionsunternehmen angewendet. Hohe Praxisrelevanz und Anwendbarkeit wird über die Zusammenarbeit mit 4 Partnerunternehmen und 2 Fachverbänden der WKÖ zur Testung und Validierung der Inhalte sichergestellt. Das Resultat ist eine Methode zur Erhebung des Digitalisierungs- und Automatisierungsgrades von Wertschöpfungs- und Organisationsfaktoren produzierender Unternehmen (kurz: DAWO).

Der Innovationssprung aus Wissenschaftssicht liegt vor allem im integrierten Konzept des DAWO speziell für Produktionsunternehmen, sowie in einer objektiven Erhebungsmethode, welche die realen Unternehmensstrukturen, Prozesse, Technologien und Mitarbeiter berücksichtigt. Für österreichische Produktionsunternehmen aller Größen soll die bereitgestellte DAWO-Erhebungsmethode die innerbetriebliche Digitalisierung und Automatisierung vorantreiben und so einen Wettbewerbsvorteil für die heimische Industrie schaffen. Parallel soll durch diese Entwicklung die Vorreiterrolle des Forschungsstandortes Österreich im Bereich der industriellen Digitalisierung und Automatisierung weiter gestärkt werden.

Projektziele

Ziel dieses Dissertationsvorhabens ist die Digitalisierung und Automatisierung im industriellen Umfeld zu analysieren, zu operationalisieren und infolge messbar und bewertbar zu machen. Hierfür wird ein integriertes Konzept der industriellen Automatisierung und Digitalisierung aus der Literatur abgeleitet und dieses, mithilfe von 4 Partnerunternehmen sowie 2 Fachverbänden der WKÖ, auf reale Strukturen von Produktionsunternehmen angewendet.

Projektergebnisse

Das Resultat ist eine Methode zur Erhebung des Digitalisierungs- und Automatisierungsgrades produzierender Unternehmen, sowie zur Nutzbarmachung moderner DAWO-Konzepte (Industrie 4.0) für konkrete Problemstellung der Unternehmen. Die gewonnenen Erkenntnisse sollen die Basis für strategische Entscheidungen und Entwicklungen in den Unternehmen, sowie für politische Initiativen bilden, und so zur Erhöhung der Digitalisierung und Automatisierung in Österreichs Industrie beitragen.

Kurze Reaktionszeiten und Produktlebenszyklen sowie eine hohe Variantenvielfalt bringen mehr Komplexität in der Materialver- und -entsorgung komplexer Produktionssystem mit sich. Dadurch ergeben sich auch neue Herausforderungen für die zugehörige Kapazitätsplanung. Heute bestehende Methoden werden jenen gestiegenen Anforderungen hinsichtlich Digitalisierung und Vernetzung im Kontext von Industrie 4.0 nicht gerecht. Folglich kommt es vermehrt zu einer mangelhaften Versorgung des Produktionssystems, ineffizienter Flächennutzung im Produktionsbereich sowie zu einer Verschwendung von Ressourcen. Um stabile Produktionsprozesse erfolgreich realisieren zu können, ist eine adäquate produktionslogistische Kapazitätsplanung notwendig.  

Im vorliegenden Forschungsvorhaben wird eine Methode zur Prognose schwer planbarer kapazitiver Aufwände in der Ver- und entsorgung entwickelt. Anhand der Abweichungen von Ist- zu Plan-Werten wird mittels eines Machine Learning Algorithmus auf die ausschlaggebenden Wechselwirkungen geschlossen. Durch die selbstlernende Prognose sollen Mehr- bzw. Minderaufwände für zukünftige Planungsperioden präzise und verlässlich vorausgesagt werden.

Projektziele

Ziel ist es, die Grundlage für eine möglichst realitätsnahe Kapazitätsplanung für die Materialver- und -entsorgung komplexer Produktionssysteme zu schaffen. Diese soll insbesondere der zunehmend höheren Komplexität gerecht werden und einen stabilen Produktionsprozess ermöglichen.

Eine steigende Variantenvielfalt, individualisierbare Produkte, verkürzte Produktlebenszyklen aber auch sinkende Losgrößen fordern zunehmend eine erhöhte Flexibilität seitens der Industriebetriebe. Um auch in Zukunft jenen Anforderungen gewachsen zu sein, müssen vor allem die Produktionsbereiche flexibler werden. Bisher eingesetzte Linien-Montagesysteme werden teilweise jenen Ansprüchen nicht mehr gerecht. Neue Trends zeichnen sich vor allem im Bereich der Zellenmontage ab.

In der Wissenschaft sind mittlerweile vereinzelt Konzepte vorhanden, die derartige wandlungsfähige modulare Montagesysteme beschreiben. Jedoch gilt es für eine erfolgreiche technische und wirtschaftliche Umsetzung noch einige Herausforderungen zu bewältigen. Aktuelle Konzepte und Methoden zur Produktionsplanung, vor allem solche für wandlungsfähige modulare Systeme, sind nur teilweise in das physische Montagesystem integriert und können so nur längerfristige Anpassungen berücksichtigen.

Im Forschungsprojekt »Stabile Produktion in wandlungsfähigen zellenorientierten Montagesystemen durch einen Digital Twin (StaProZell)« forschen die Projektpartner unter der Konsortialführerschaft von Fraunhofer Austria an der Entwicklung und Evaluierung einer Methode zur Planung und Steuerung in wandlungsfähigen zellenorientierten Montagesystemen durch einen Digital Twin, um eine stabile Produktion zu ermöglichen. Durch die Wandlungsfähigkeit der Module und der Konfiguration der Montagezellen stellt das Montagesystem kein statisches Konstrukt mit fest vorgegebenen Montagefunktionen dar, sondern repräsentiert ein dem effizientesten Wertschöpfungsfluss folgendes System.

Projektziele

Das Ziel von StaProZell ist es, eine Methode für die optimierte Planung und Steuerung von wandlungsfähigen modularen cyberphysischen Montagesystemen, basierend auf rekonfigurierbaren Zellen zu entwickeln. Die grundlegende Basis hierfür bildet ein Digital Twin, ein digitales und stets aktuelles Abbild des physischen Montagesystems. Der Digital Twin bietet die Möglichkeit unterschiedliche Szenarien in einer Simulation zu bewerten und basierend auf den Ergebnissen aktiv das physische Montagesystem zu steuern. Durch ständige Neuplanung und Neuausrichtung der Systemmodule des Montagesystems wird dieses den kapazitiven und funktionalen Ansprüchen gerecht und ermöglicht so eine stabile, bedarfsorientierte und effiziente Montage. Der zu entwickelnde Proof-of-Concept-Demonstrator wird in der TU Wien Pilotfabrik Industrie 4.0 evaluiert sowie eine Machbarkeitsstudie durchgeführt.

Thöni entwickelt und baut Gussanlagen, in welchen aus flüssigem Buntmetall im Stranggussverfahren Bänder, Profile und Rundformate gegossen werden. Das Metall wird im Schmelzofen verflüssigt, über eine Gießrinne einer Kokille zugeführt und als erstarrender Bolzenstrang kontinuierlich aus der Kokille herausgeführt. Zurzeit wird erstmals eine Gussanlage mit umfangreicher Industrie-4.0-fähiger Sensorik, Aktorik und Regelungstechnik ausgestattet. Die dadurch zur Verfügung stehenden Prozessdaten sollen unter anderem dazu genutzt werden, Optimierungspotential für den Anlagenbetrieb zu erkennen.

Projektziele

Die in der Stranggussanalage mittels moderner Sensorik gemessenen Produktionsparameter sollen durch die Auswertung unter Einbeziehung modernen Datenverarbeitungsmethoden aus den Bereichen Data Science und KI zur Optimierung des Anlagenbetriebs beitragen.

Der Fokus dieser Optimierungsbestrebungen liegt auf der Steigerung der Produktqualität mittels kontinuierlicher und automatisierter Überwachung der Produktionsparameter und regelmäßiger Ableitung von Optimierungspotentialen für den Anlagenbetrieb.

Projektergebnis

Das Ergebnis stellt ein in der Praxis evaluiertes Konzept für die Anwendung von Data Science-Methoden auf Anlagenbetriebsdaten dar, um dadurch Optimierungspotential für den Anlagenbetrieb zu erkennen und somit einen Mehrwert für die Anlagenbetreiber zu generieren.

Die produzierende Industrie sieht sich aufgrund der digitalen Transformation mit der zentralen Herausforderung konfrontiert, die Instandhaltung an neuartige und komplexe Anforderungen der Digitalisierung anzupassen. Es besteht speziell die Notwendigkeit, derzeit überwiegend klassisch ausgerichtete Instandhaltungsorganisationen, -strategien und -systeme in Richtung prädiktiver sowie präskriptiver Instandhaltungskonzepte weiterzuentwickeln.

Obwohl gerade dieses Themenfeld in den kommenden drei Jahren mit 79% als das wichtigste Anwendungsfeld im Bereich „Industrial Analytics“ gilt (vgl. Lueth et al., 2016), nutzen derzeit nur rund 20% produzierender Unternehmen einzelne Anwendungen im Bereich der prädiktiven bzw. präskriptiven Instandhaltung (vgl. St. Gallen, 2016).

Die Gründe hierfür sind vielfältig: Im wissenschaftlichen Kontext wird auf die fehlende Anwendbarkeit akademischer Entscheidungsunterstützungsmodelle in der industriellen Praxis, veraltete Prozessmodelle zur Datenanalyse sowie auf vage Leitlinien zur prädiktiven und präskriptiven Instandhaltung hingewiesen. Einzelne Methoden zur Minderung dieser Probleme werden in aktuellen Veröffentlichungen (bspw. von Wang et al, 2017 oder Abramovici et al., 2017) aufgezeigt, es fehlt jedoch ein ganzheitlicher, integrierter Ansatz.

Projektziele

Der Innovationsgehalt stellt sich durch die systematische Verknüpfung der drei Research Streams Wissensbasierte Instandhaltung, Entscheidungsunterstützungs- und Reifegradmodelle in der Instandhaltung mittels eines Vorgehensmodells dar. Durch Anwendung des Modells wird eine signifikante Reduktion ungeplanter Maschinenstillstände um bis zu 50% erreicht, sodass sich eine Erhöhung der Informationsqualität und Entscheidungsfähigkeit des Instandhaltungsplaners um bis zu 30% und eine Entlastung des operativen Instandhaltungspersonals ergibt.

Projektergebnisse

Ergebnis ist ein multidimensionales Vorgehensmodell zur Einführung und quantitativen Reifegradbewertung einer präskriptiven Instandhaltungsstrategie. Das Modell wird in ein Excel-basiertes Berechnungstool überführt und hinsichtlich dessen Effektivität sowie Effizienz auf die operative, taktische und strategische Instandhaltungsebene im industriellen Kontext eines KMU sowie großem Unternehmens ermittelt und methodisch gegenüberge-stellt.

Elektronische Komponenten und Systeme befähigen große wie auch kleine Unternehmen im Wachstum und sichern attraktive Arbeitsplätze für die BürgerInnen Europas. Mit dem Innovationsprojekt SemI40 werden künftige Herausforderungen im Bereich der smarten Produktionsverfahren adressiert. Basierend auf einem expliziten Industrie-4.0-Ansatz, stehen die Nutzung modernster Kommunikationstechnologien und Big-Data-Methoden im Fokus. Ziel ist es, die Wettbewerbsfähigkeit der Produktion von Halbleitern "Made in Europe" langfristig abzusichern.

Projektziele

Erste Zielsetzung im Projekt SemI40 ist es, die Sicherheitsstandards der vernetzten Produktionsstandorte mit den verwendeten Maschinen zu steigern und gleichzeitig die Flexibilität in der Planung und Konfiguration der Linien zu sichern. Der Einsatz von cyber-physischen Systemen (CPS), ein sicherer und authentischer Datenverkehr innerhalb der Produktion, aber auch in der Lieferkette sowie eine rasche Identifikation von Schadsoftware stehen dabei im Mittelpunkt.

Die erforschten Maßnahmen sollen das Risiko und die potenziellen Auswirkungen von Schadsoftware in einer historisch gewachsenen Produktionslinie drastisch reduzieren. Ein weiterer Schwerpunkt im Projekt SemI40 ist die Innovation von dynamischen Simulationsmodellen für die Optimierung von Produktionsflüssen. Ziel ist es, im Umfeld sich ständig ändernder KundInnenanforderungen dynamisch einen neuen Betriebspunkt der Produktion mit optimierter Kapazitätsnutzung sicherzustellen und die Produktionszeiten zu minimieren.