28.12.2023
In der schnelllebigen Welt der industriellen Produktion sind Effizienz und Produktivität entscheidende Erfolgsfaktoren. In der Gebäudetechnik spielt die Auslastung der Montageplätze eine entscheidende Rolle für die Gesamtleistung. In diesem Artikel befassen wir uns mit dem Konzept der Stationsauslastung, ihrer Bedeutung in der Branche und unserem innovativen System zur digitalen Messung.
Die Stationsauslastung bezieht sich auf den Grad, in dem eine Montagestation in einem bestimmten Zeitraum effektiv genutzt wird. Sie wird in der Regel anhand des prozentualen Anteils der Zeit gemessen, in der eine Station von einem Mitarbeiter, einer Maschine oder einem Prozess besetzt ist, verglichen mit der insgesamt verfügbaren Zeit. Eine hohe Stationsauslastung bedeutet, dass die Montagestation effizient und optimal genutzt wird, was zu einer höheren Produktivität und geringeren Leerlaufzeiten beiträgt.
Die Stationsauslastung ist aus mehreren Gründen ein wichtiger Leistungsindikator in der Gebäudetechnikbranche:
a. Optimierung der Ressourcen: Durch die Überwachung der Auslastung von Montagestationen können Hersteller Engpässe und Ineffizienzen im Produktionsprozess erkennen. Anhand dieser Daten können sie die Ressourcenzuweisung optimieren und sicherstellen, dass jede Station nahtlos zum gesamten Arbeitsablauf beiträgt.
b. Produktionsplanung: Effiziente Daten zur Stationsauslastung helfen bei einer besseren Produktionsplanung. Hersteller können Schichten, Pausen und Wartungsaktivitäten auf der Grundlage der Echtzeit-Auslastungsdaten planen, was zu einem reibungslosen Produktionsfluss und höherem Output führt.
c. Kostensenkung: Durch die Identifizierung unzureichend ausgelasteter Stationen können Hersteller unnötige Ausgaben im Zusammenhang mit Leerlaufzeiten und verschwendeten Ressourcen vermeiden. Die Optimierung der Stationsauslastung führt zu Kostensenkungen und höherer Rentabilität.
d. Leistungsbewertung: Die Stationsauslastung dient als Leistungsmaßstab für die Bewertung der Effektivität verschiedener Produktionslinien oder Arbeitsstationen. Sie hilft dabei, fundierte Entscheidungen über Prozessverbesserungen und Ressourceninvestitionen zu treffen.
In diesem Verpackungsprozess wird ein Durchgangsventil aus einer Transportbox entnommen und zusammen mit einem Ventiladapter und einer Bedienungsanleitung in einen Karton verpackt, zugeklebt, beschriftet und in einer anderen Transportbox verstaut.
Unser System nutzt eine KI-basierte Videoanalysetechnologie, um die Auslastung von Arbeitsstationen automatisch und in Echtzeit zu messen. Mit einer Kombination aus einem 2D-Kamerasystem, Bildverarbeitung und Edge Computing bietet unsere Lösung wertvolle Einblicke in die Effizienz der Produktionslinie.
a. Hardware-Integration: Das Kamerasystem wird oben an der Station montiert, um die verschiedenen Handbewegungen des Bedieners zu erkennen. Die Kamera erfasst Videodaten und sendet diese an ein kleines Edge-Gerät, das im unteren Teil der Station installiert ist und die Daten dort verarbeitet.
b. Datenanalyse: Die von der Kamera erfassten Daten werden mithilfe vortrainierter tiefer neuronaler Netze verarbeitet und analysiert, um Handkoordinaten mit einem Landmark-Detection-Ansatz zu erkennen und mit logischen Elementen wie Bewegungszonen auszuwerten. Das System berechnet den Prozentsatz der Zeit, in der jede Station aktiv ist, und vergleicht diesen mit der insgesamt verfügbaren Zeit.
c. Echtzeitüberwachung: Unser System bietet Echtzeitüberwachungsfunktionen, die es Produktionsleitern ermöglichen, die Nutzung der Stationen auf Dashboards zu verfolgen. Diese Funktion erlaubt sofortige Eingriffe bei suboptimaler Auslastung.
In diesem Beispiel wird deutlich, dass, obwohl die Zielzeit von 35,2 Sekunden erreicht wird und die Produktion somit mit ausreichender Kapazität läuft, die Verpackungsstation (Station 3) mit einer Zykluszeit von 28,1 Sekunden im Median der Engpass ist. Dies könnte problematisch werden, falls die Nachfrage steigt. Ein Blick auf die Auslastung der Station zeigt zudem, dass Station 3 mit 30 % Stillstandszeit noch Optimierungspotenzial bietet. Es lohnt sich daher, hier geeignete Gegenmaßnahmen zu ergreifen. So können verschiedene Problemfelder in der Produktion priorisiert und Engpässen frühzeitig entgegengewirkt werden. Da die Daten in Echtzeit vorliegen, kann die Wirkung der Maßnahme auch unmittelbar nach ihrer Umsetzung überprüft werden.
Unterstützt von Intel sind wir stolz darauf, diese Lösung auf den Markt zu bringen.
Die Lösung ist für datenintensive Workloads optimiert, flexibel anpassbar, umfassend geprüft und bereit für den sofortigen Einsatz.
Sie basiert auf Intel® Core™ i5 Prozessoren, die als modernste Prozessoren maximale Flexibilität und Leistung in industriellen Umgebungen bieten. Die erstklassige Wi-Fi-Konnektivität mit Intel® Wi-Fi 6 (Gig+) sorgt für eine reaktionsschnelle und zuverlässige Verbindung, selbst in großen Fabrikhallen.
Zur Erstellung von Trainingsdaten für das Vorab-Training eines Modells zur fortgeschrittenen Handerkennung – auch mit Arbeitshandschuhen – nutzen wir die Intel® RealSense™ Depth Camera D435f. Mit ihren fortschrittlichen Tiefenerkennungsfähigkeiten ist diese Kamera dafür ausgelegt, präzise 3D-Bilder und Videos in Echtzeit zu erfassen, was sie ideal für unseren industriellen Anwendungsfall macht.
Mit dem Intel® OpenVino™ Toolkit optimieren wir unsere KI-Modelle, um effizient auf Intel-Hardware zu laufen und dabei eine beispiellose Leistung und Genauigkeit zu erzielen. Da viele Arbeitsstationen ausgestattet werden müssen, vereinfacht OpenVino™ die skalierbare Bereitstellung unserer KI-Modelle erheblich.
Diese enge Zusammenarbeit mit Intel ermöglicht uns, innovative Lösungen für die Industrie zu entwickeln und die Effizienz auf ein neues Niveau zu heben.
Kevin Denker
CEO, ANTICIPATE GmbH
Egal, ob Sie Fragen zu Funktionen, Preisen, Testversionen oder anderen Themen haben, ich freue mich auf ein Gespräch mit Ihnen. Senden Sie mir einfach eine E-Mail oder vereinbaren Sie einen Termin mit mir.
© 2024 ANTICIPATE GmbH. All rights reserved.