Der Druck auf Unternehmen, immer schneller, günstiger und radikaler zu innovieren, ist in den letzten Jahren signifikant gestiegen. Nach wie vor tun sich insbesondere etablierte Unternehmen schwer, diesen Forderungen gerecht zu werden. Beeinflusst durch menschliche Verhaltensmuster und historisch gewachsene Strukturen in der Produktentwicklung sehen sich die Unternehmen oft nicht in der Lage, die an sie gestellten Herausforderungen umzusetzen. Im Rahmen dieses Beitrages werden fünf Paradigmen der agilen Produktentwicklung aufgezeigt, die es ermöglichen, die bestehenden Strukturen aufzubrechen.

Der menschliche Verstand ist an evolutionäre Entwicklungen gewöhnt und denkt bei der Neuentwicklung von Produkten in bekannten Verhaltensmustern, was einer radikalen Innovation entgegenwirkt. Daher stehen am Anfang der agilen Produktentwicklung die User Stories, welche auf Basis von Markt- und Technologiekenntnissen intern ohne Einbeziehung des Kunden definiert werden müssen und die zu adressierenden Kundenbedürfnisse beschreiben. Sie spannen den Lösungsraum für die agile Produktentwicklung auf, der auch gegen Widerstände im Projektverlauf eingehalten werden sollte.

Jede dieser User Stories beinhaltet Fragestellungen, die es im Rahmen der Entwicklung in priorisierter Reihenfolge zu beantworten gilt. Dabei werden bewusst unvollständige Produktumfänge entwickelt, die sich ausschließlich auf die für die Beantwortung der Fragestellung notwendigen Umfänge des Produktes beschränken. Durch eine iterative Identifikation, Priorisierung und Beantwortung von Fragestellungen wird dabei die Taktung des agilen Entwicklungsprozesses vorgegeben.

Die zunehmende Interdisziplinarität in der Entwicklung führt zu steigenden Verständnisproblemen zwischen Fachdisziplinen. Dies hat eine fachspezifische Optimierung von Produktumfängen zur Folge. Diese semantischen Konflikte können durch interdisziplinäre Entwicklungsteams und eine fachübergreifende Datendurchgängigkeit adressiert werden.

Neben einer Adaption der Unternehmensstrukturen erfordert die agile Produktentwicklung auch einen Wandel der Verhaltensmuster der MitarbeiterInnen. Das Handeln in etablierten Unternehmen ist heutzutage oftmals durch eine Mentalität der Absicherung und Risikoaversion geprägt. Dies hat ein starkes Denken in Standards und die Verfolgung bekannter Lösungsmuster zur Folge. Innovative Produkte erfordern aber das Verlassen bekannter Wege und das bewusste Akzeptieren kalkulierbarer Risiken.

Agile Unternehmen benötigen darüber hinaus die Fähigkeit, aus den eigenen Erfahrungen zu lernen und Änderungen schnell umzusetzen. Hierfür sind durchgängige und echtzeitfähige Datenstrukturen notwendig. Unternehmensweit einheitliche Informationsstände führen zur Reduktion von Informationsbeschaffungszeiten und ermöglichen in Kombination mit flexiblen Produktionstechnologien die hochfrequente Umsetzung von Änderungsaufträgen.

Die Vernetzung und Digitalisierung von Produktionssystemen im Sinne der Industrie 4.0 ermöglicht eine zentrale Aggregation von Planungs- und Prozessinformationen. Auswertungen auf Basis dieser stetig wachsenden Datengrundlage erlauben in einem nächsten Schritt die Ableitung von Prozesswissen sowie das Lernen für zukünftige Bearbeitungsfälle.

Für agile Unternehmen im globalen Wettbewerb stellt dies eine neue Möglichkeit dar, um Produktqualität, Produktivität und Verfügbarkeit weiter zu steigern. Zentrale Herausforderungen bestehen in der strukturierten Datenerfassung sowie einer kontextsensitiven Datenverarbeitung, mit dem Ziel einer Mehrwert-orientierten Auswertung.

Lernen durch Rückführung und Verarbeitung von Produktionsdaten

Die Anforderungen an Datenverfügbarkeit und –aufbereitung orientieren sich stark an den Fragestellungen, die durch Entscheider unterschiedlicher Planungsebenen vorgegeben werden. In der Praxis ergeben sich daher für verschiedene Planungsebenen unterschiedlich ausgeprägte Rückführungsschleifen. Bezogen auf die klassische CAD-CAM-NC-Verfahrenskette kann grundsätzlich zwischen drei solcher Schleifen unterschieden werden. Diese laufen nicht entkoppelt voneinander ab, sondern sind kaskadierend aufgebaut. Die Entscheidungsgrundlagen übergeordneter Schleifen werden dabei durch Kenngrößen untergeordneter Schleifen ergänzt.

Die innerste Schleife befindet sich auf Werkstattebene. Im Fokus stehen die echtzeitnahe Überwachung von Prozess und Maschine während einer spezifischen Bearbeitung sowie die Rückmeldung von identifizierten Fertigungsproblemen in die Arbeitsvorbereitung. Dementsprechend werden hier die höchsten Anforderungen an Datendichte und Einbindung von technologischem Domänenwissen zur Datenauswertung gestellt.

Eine angepasste produktspezifische Auswahl von Fertigungsressourcen und Betriebsmitteln innerhalb der Arbeitsvorbereitung wird bei der mittleren Schleife betrachtet. Ergebnisse der Qualitätssicherung werden hier mit den verwendeten Betriebsmitteln auf Werkstückebene in Verbindung gebracht, strukturiert abgelegt und zukünftig für eine statistische Bewertung von Planungsalternativen vorgehalten.

Ähnlich verfahren wird in der äußeren Rückführungsschleife. Um einer steigenden Variantenvielfalt flexibel zu begegnen, erfolgt hier eine Bewertung von alternativen Prozessketten für strategische Neuausrichtungen auf Basis von Produktions- und Logistikkenngrößen.

In den drei Expertenvorträgen der Session „Lernende Produktionssysteme“ werden die hier aufgezeigten, planungsspezifischen Verwendungen von Produktionsdaten detailliert beleuchtet und durch konkrete Anwendungsfälle der Industrie untermauert.

Darüber hinaus erfolgt im Keynote-Vortrag eine Vorstellung von themenbezogenen, industrienahen Demonstrator-Lösungen, welche im Rahmen der Ausstellung des AWKs präsentiert werden. Das hierzu benötigte Domänenwissen wird am Werkzeugmaschinenlabor an zahlreichen Prüfständen entwickelt und in Form von schnellrechnenden Modellen abgebildet. Auf diese Weise kann es effizient in Datenauswertungen eingebunden und angewendet werden.

Die Produktion wird sich in Zukunft selbstständig auf individuelle Bearbeitungsaufgaben einstellen und darüber hinaus Optimierungspotenziale im Hinblick auf Produktivität, Flexibilität und Qualität weiter ausschöpfen. Zentrale Voraussetzung ist die konsequente und umfassende Datenakquisition entlang der gesamten Wertschöpfungskette. Neue modellbasierte Analysemethoden ermöglichen es, Einzelprozesse und Prozessketten adaptiv zu steuern. Die vollständige Vernetzung der Maschinen, Werkzeuge und aller IT-Systeme garantiert dabei den Datenaustausch in Echtzeit.

Erweiterte Produktdatenmodelle, sogenannte „digitale Zwillinge“, werden relevante Daten der Fertigungshistorie kontextbasiert für Analysen bereitstellen und so die Prozessentwicklung und -optimierung in der Einzel- und Serienfertigung deutlich beschleunigen. Softwarebasierte Assistenzsysteme, sogenannte „Technology-Apps“ werden Prozessentwickler, aber auch Maschinenbediener befähigen, ihre Kompetenzen noch wirkungsvoller einzusetzen. Gerade die Herstellung hochwertiger Komponenten, etwa für die Luftfahrt, die Energietechnik oder den Werkzeug- und Formenbau, wird von einer vernetzten, adaptiven Produktion profitieren.

Produzierende Unternehmen leben heute praktisch in zwei Welten: in einer realen, in der Bauteile, Werkzeuge und Maschinen existieren und – getrennt davon – in einer virtuellen Welt, in der Prozess- und Bauteildaten gespeichert sind. Für eine Zuordnung des Bauteils zu den dazugehörigen Daten muss ein Mitarbeiter genau wissen, wo welche Daten zu finden sind. Diese Kluft zwischen Realdaten und der digitalen Welt soll mit dem Wandel zur Industrie 4.0 verschwinden. Ein digitaler Zwilling wird durch Identifikationssysteme direkt aus der zentralen unternehmensinternen Datenbank gewonnen und trägt mit sich alle aufgezeichneten Daten der Fertigungshistorie einschließlich der Projekt- und Auftragsdaten.

Aktuelle Projekte am Fraunhofer-Institut für Produktionstechnologie IPT in Aachen haben zum Ziel, eine Infrastruktur für diese Datenhaltung aufzubauen. Die Herausforderung ist hier, jedem aufgezeichneten Datensatz einen eindeutigen Verweis auf Ort und die Zeit hinzuzfügen, damit verschiedenartige Sensordaten wie Hallentemperatur, Vibrationen der Maschine oder eingestellte Prozessparameter richtig zugeordnet werden können.

Welche Daten sollen aufgezeichnet werden?

Oberstes Ziel der Produktion ist stets die Herstellung eines Bauteils unter Einhaltung aller vorgegebenen Toleranzen. Daher ist es wichtig, alle Daten aufzuzeichnen, die Hinweise auf die Entwicklung des Bauteilzustands entlang der Prozesskette geben können. Dazu gehört natürlich die klassische Geometrievermessung des Bauteils – ganz gleich, ob mit der Schieblehre oder mit einem hochmordernen optischen 3D-Messsystem. Durch Sensoren in der Fertigungsmaschine lassen sich wertvolle Informationen über Vibrationen, Bearbeitungskräfte und Prozesstemperaturen gewinnen, an denen der Werker oder der Ingenieur sehen kann, ob eine Toleranzverletzung droht oder nicht. Digitale Assistenzsysteme in einer vernetzten, adaptiven Produktion unterstützen die Mitarbeiter dabei, diese Daten im Auge zu behalten und weisen automatisch darauf hin, wenn die voreingestellten Prozessbedingungen verlassen werden.

Geeignete Visualisierungswerkzeuge, wie Smartphones oder Smart Glasses können die Informationen sofort bereitstellen, so dass unverzüglich Gegenmaßnahmen eingeleitet werden können.

Woher weiß ich, ob die Fertigung optimal läuft?

Häufig stellen sich produzierende Unternehmen die Frage, ob sie nicht einen Fertigungsschritt schneller und besser durchführen können. Und wie lässt sich das Zusammenspiel aller Maschinen in der Fertigung besser gestalten, um eine höhere Auslastung oder eine schnellere Produktion zu erreichen? Hier können modellbasierte Simulationen wichtige Informationen für Entscheidungen zur Optimierung bereitstellen. In der vernetzten, adaptiven Produktion kann eine einfach zu bedienende Software-App beispielsweise innerhalb einer Simulation der fräsenden Bearbeitung kritische Situationen im Fräsvorgang virtuell erkennen und markieren. Auf diese Weise kann der Prozessplaner bereits vor dem ersten realen Bearbeitungsversuch einen hohen Optimierungsgrad erreichen.

Ein weiteres Beispiel ist die Prozessentwicklung: Hier müssen Ingenieure an vielen Stellschrauben drehen, bis etwa eine 5-Achs-Fräsbearbeitung mit optimaler Performance wirtschaftlich läuft. Der Vergleich von Realdaten aus der Maschine mit der dazugehörigen Simulation bietet hier ein wichtiges Werkzeug, um diesen Vorgang immens zu beschleunigen.

Voraussetzung ist, dass maschinenintegrierte Sensorik, Simulationstools und Datenbanken mit der Historie ähnlich gefertigter Bauteile im Produktionsnetzwerk – dem „Smart Manufacturing Network“ - für den Prozessentwickler verfügbar sind.

„An der Schneide des Drehstahls entscheidet sich die Dividende des Unternehmens“ lautet ein bekanntes Zitat von Georg Schlesinger aus dem Jahr 1904, das auch heute noch von zahlreichen Unternehmen angeführt wird. Rund 100 Jahre später befinden wir uns im Zeitalter der Industrie 4.0 und Thesen wie „Data is the New Oil“ belegen den Stellenwert der Digitalisierung. Doch sollten produzierende Unternehmen Daten nicht zum Selbstzweck oder zu reinen Dokumentationszwecken erheben. Vielmehr ergeben sich erhebliche Potenziale für die Produktionspraxis, wenn die Datenerhebung, -bevorratung und -analyse in wissenschaftlicher Herangehensweise erschlossen werden.

Innovationen ergeben sich vor allem dann, wenn wissenschaftliche Methoden nicht aus den Ingenieurwissenschaften, sondern aus anderen Disziplinen angewandt werden.

Die beiden eingangs genannten Zitate untermauern eindrucksvoll den Paradigmenwechsel, der in den vergangenen Jahren Einzug gehalten hat: Längst bedient sich die Produktionstechnik nicht mehr nur der Erkenntnisse aus wenigen, einzelnen Wissenschaftsdisziplinen. Als Vorreiter kann sicher Frederick WinslowTaylor dienen, der mit dem „Scientific Management“, beziehungsweise „Scientific Engineering“, Methoden der Arbeitswissenschaften einführte und mit dem heute nach ihm benannten „Taylorismus“ Wegbereiter für einen Großteil der Arbeitsabläufe der heutigen Produktion war.

Doch wie groß ist der Suchradius, aus dem wir wissenschaftliche Methoden außerhalb der Ingenieurwissenschaften nutzen und an die Produktionstechnik adaptieren können? Hier wird der Beitrag zum Aachener Werkzeugmaschinen-Kolloquium zunächst einen Überblick über Beispiele geben, die aus unterschiedlichen wissenschaftlichen Disziplinen stammen und bereits in der Produktionsforschung betrachtet wurden.

Ein Beispiel aus der Zoologie ist der „Ant-Colony-Optimization-Algorithmus“, der das Schwarmverhalten von Ameisen imitiert, die bei der Futtersuche ihre Pfade mit Pheromonen markieren und anhand der resultierenden Pheromonkonzentration den kürzesten Pfad finden. Diese Art der Schwarmintelligenz lässt sich in der Produktionstechnik unter anderem zur Bahnoptimierung in der Koordinatenmesstechnik oder in Zerspanprozessen anwenden und ist in der Lage, mit Hindernissen umzugehen.

Das menschliche Gehirn ist Vorbild für neuronale Netze und sämtliche Methoden, die der künstlichen Intelligenz zugeordnet werden und in der Produktionstechnik beispielsweise zur Selbstoptimierung genutzt werden. Die beiden genannten Ansätze nutzen zwei gegensätzliche Ergebnisse der Evolution, bei der sich das Verhalten des Schwarms genauso etabliert hat wie das Lernverhalten des Individuums. Gleichzeitig zeigen sie auch, dass für den Transfer in die Produktionstechnik die dahinterstehenden Modelle entscheidend sind.

Modelle sind der Schlüssel

Die Modellbildung nimmt insgesamt eine zentrale Rolle bei der Erschließung neuer wissenschaftlicher Methoden für die Produktionspraxis ein. Hier leistet die Produktionsforschung in Aachen, vor allem am Fraunhofer IPT und WZL der RWTH Aachen, entscheidende Beiträge.

Angefangen von statistischen Modellierungsansätzen im Bereich der „Predicitive Analytics“ über die sogenannte „Produktionsklinik“, die sich ähnlich zu einer Universitätsklinik auf komplizierte und seltene Fälle spezialisiert und diese behandelt, bis hin zur Simulationsplattform „AixViPMaP“, die im Rahmen des Exzellenzclusters „Integrative Produktionstechnik für Hochlohnländer“ für die internetbasierte, multiskalige Simulation von Werkstoffen, Herstellprozessen und Prozessketten entwickelt wurde.

Das Aachener Werkzeugmaschinen-Kolloquium liefert in der Session „Wissenschaft in der Produktionspraxis“ Ansätze für die erfolgreiche Implementierung neuer wissenschaftlicher Methoden mit Mehrwert für die Produktion.