Pirelli: Analysesystem für einen Reifenhersteller | Evrone
Pirelli & C ist einer der weltweit größten Hersteller hochwertiger Pkw-Reifen. Das Unternehmen besitzt 24 Fabriken in 13 Ländern.
Im Jahr 2020 beschloss das Pirelli & C zugehörige Reifenwerk, ein System für Fertigungsanalyse und IIoT (Industrial Internet of Things) zu entwickeln, um die Produktionsprozesse des Unternehmens zu analysieren. Vorgefertigte „out of the box“-Lösungen konnten die gewünschte Funktionalität allerdings nicht bieten. Das Unternehmen hat daher Evrone mit der Bitte kontaktiert, ein einzigartiges Datenanalysesystem für die Produktion zu entwickeln, mit dem die Daten analysiert und visualisiert werden können, um Engpässe zu identifizieren.
Die Herausforderung: Daten von Hunderten von Maschinen zentralisieren
Das Werk verfügt über Hunderte von Maschinen, die täglich Millionen von Vorgängen ausführen. Zu dieser Zeit wurden alle Rohdaten an ein großes gemeinsames System gesendet. Jede Abteilung hat diese Daten manuell geladen und verarbeitet, was sehr viel Zeit in Anspruch nahm. Da es nicht möglich war, die Daten selbstständig via SQL zu laden, musste dies von speziell dafür beauftragten Experten erledigt werden.
Anschließend erstellte jede Abteilung einen Bericht entsprechend ihrem Profil: Planung, Qualitätsbewertung usw. Infolgedessen sammelte das Topmanagement mehrere verschiedene Berichte und erhielt auf der Grundlage der Daten ein gewisses Gesamtbild über die Produktion.
Allerdings wurden Tausende solcher Berichte für eine Schicht, einen Tag oder einen Monat gesammelt. Um einen Jahresbericht zu erstellen, mussten die Mitarbeiter der einzelnen Abteilungen große Datenmengen manuell verarbeiten. Dies nahm den größten Teil ihrer Arbeitszeit in Anspruch.
Das Werk musste eine industrielle Analyseplattform entwickeln, die die Effizienz der betrieblichen Abläufe erhöht, die primäre Analyse und Verarbeitung von Daten übernimmt und diese in leicht verständlicher Form mit Hilfe von Grafiken, Tabellen und Diagrammen ausgibt.
Grundlegende Anforderungen an das System:
- Die Fähigkeit, mit verschiedenen Datenquellen zu arbeiten
- Eine Integration mit den IT-Systemen des Unternehmens
- Eine Plattform zur Berichterstellung
- Eine flexible Ausgabe der Ergebnisse in Form von Diagrammen und Tabellen
- Authentifizierung und Autorisierung von Systembenutzern
- Einsatz des Systems im Rahmen der internationalen Unternehmensstandards von Pirelli
Die Lösung: Analytics und Clusterstruktur
Unternehmensanalyse
Wir mussten eine einzigartige Plattform für die Verwaltung von Industriedaten entwickeln. Daher haben wir viel Vorarbeit geleistet, bevor wir mit der Entwicklung des Systems zur Überwachung der Fertigung begonnen haben. In den ersten Monaten arbeiteten zwei Business-Analysten von Evrone an dem Projekt und untersuchten die Architektur und die Anwendungsfälle bestehender Datenbanken sowie die Benutzeranfragen für ein künftiges Produkt.
Auch das technische Team besuchte das Unternehmen und machte sich mit dem technologischen Zyklus und der Ausstattung vertraut, um zu verstehen, wie die Produktion abläuft und welche internen Grundlagen und Systeme vor Ort sind.
Derzeit arbeitet ein Analyst an dem Projekt. Er ist damit beschäftigt, die Bedürfnisse des Kunden zu klären, Feedback zu fertigen Lösungen einzuholen und Aufgaben für die Entwickler zu formulieren. Die gesamte Kommunikation mit dem technischen Team des Kunden, das sich größtenteils in Italien befindet, läuft über ihn.
Big Data in der Industrie
Wir mussten eine Anwendung für die Erfassung und primäre Verarbeitung von Big Data in der Fertigung entwickeln. Das Unternehmen verfügte bereits über ein IIoT-System. Zusätzlich zu den Daten über den direkten Betrieb der Maschinen, Betriebszeiten und Betriebstypen, sowie die Anzahl und Dauer der Zyklen und Ausfälle senden die Maschinen auch Daten über verschiedene Gummimischungen und Reifenmodelle an die Datenbanken. Diese Daten fließen in lokale Datenbanken und sammeln sich dann im allgemeinen Data Lake Pirelli. Die Verwaltung und der Zugriff auf die Daten erfolgen über das interne System des Unternehmens.
Wir haben der Anwendung beigebracht, die benötigten Daten schnell im Speicher zu finden, sie nach den angegebenen Kriterien zu filtern und dann darauf basierend Tabellen und Diagramme zu erzeugen. Die Anwendung sammelt allerdings nicht nur archivierte Daten, sondern arbeitet auch als Echtzeit-Produktionsüberwachungssystem, mit dem Benutzer laufende Prozesse überwachen und Fehler und Verstöße melden können. Darüber hinaus können die Ergebnisse auch korrigiert werden. In diesem Fall wird die bearbeitete Version separat gespeichert.
Technologiestack
Die Hauptplattform zum Starten und Verwalten von laufenden Anwendungen ist Kubernetes. Wir haben uns aus mehreren Gründen für diese Plattform entschieden. Eine der wichtigsten ist die Fähigkeit, die Umgebungsressourcen flexibel und schnell zu skalieren, wenn die Dienstauslastung steigt. Insbesondere dann, wenn die Anzahl der Analysemodule im System zunimmt. Eingebaute Isolierungsmechanismen ermöglichten es uns, sicher und genau mit den Daten zu arbeiten. Die Kollegen aus Italien haben bereits einige ihrer Dienste auf diese Plattform übertragen. Wir konnten unsere Bereitstellungsprozesse dank einheitlicher Ansätze und Tools der globalen DevOps-Community schnell für die Arbeit in der globalen Kubernetes-Umgebung optimieren.
Die Verteilung der Anwendung wird über Docker implementiert. Damit können wir Änderungen schnell in die Produktionsumgebung einbringen, indem wir die optimalen Entwicklungssprachen für bestimmte Aufgaben verwenden, sowie flexibel zwischen den Versionen wechseln. Der gesamte Prozess der Erstellung und Bereitstellung von Releases wird durch CI/CD-Tools und -Dienste automatisiert, wodurch der Einfluss des menschlichen Faktors in diesen Prozessen entfällt.
Die Anwendung ist in Python mit Django geschrieben, und für das Frontend wird React verwendet. Für die Arbeit mit Datenbanken wird eine Schicht in Form einer Query Engine verwendet, mit der sich der Zugriff auf Tabellen flexibel verwalten lässt und Abfragen bei der Arbeit mit Big Data optimieren und parallelisieren lassen. Das Zwischenspeichern von Daten, auf die häufig zugegriffen wird, wird mit Amazon ElastiCache implementiert.
Design
Die Anfrage für das Oberflächendesign des BI-Tools kam von unserem Entwicklungsteam, nicht wie üblich vom Kunden. Der Kunde war mit dem ersten Prototyp, der mit vorgefertigten Lösungen erstellt wurde, nicht zufrieden. Es gab zu viele verschiedene Arten von Daten im Projekt, und es war extrem schwierig, die Informationen, die in den finalen Diagrammen von Interesse waren, mit den bestehenden BI-Tools der Fertigungsindustrie zu identifizieren.
Es waren auch einige Konventionen zu berücksichtigen, die im Unternehmen bereits verwendet werden. Zum Beispiel die Farbcodierung. Bedingte Farben werden verwendet, um verschiedene Gruppen von Daten zu kennzeichnen. Es gibt auch Präferenzen im Bezug auf Diagrammtypen. Am häufigsten werden Pareto- und Wasserfalldiagramme verwendet.
Wir haben für verschiedene Benutzergruppen Skripte geschrieben, um die Arbeit mit dem System für verschiedene Fachkräfte zu vereinfachen. Es lässt sich beispielsweise der Zeitraum für die Anzeige der Statistiken, die Anzahl der Maschinen, Produktionszyklen usw. auswählen. Die nützlichsten Schaltflächen sind schnell zugänglich, damit die Elemente der Benutzeroberfläche die Wahrnehmung der wichtigsten Informationen nicht beeinträchtigen.
Das Ergebnis: ein modularer MVP-Release
Die Implementierung des Analysesystems ist in Module unterteilt, die für verschiedene Aspekte der Produktion zuständig sind und die wir in der Reihenfolge der Prioritäten für den Kunden umsetzen. Das Projekt besteht aus insgesamt 17 Teilen, von denen drei bereits in Produktion gegangen sind.
Neue Größen
Das erste Modul ist für die Überwachung der Phase In-Prozesse verantwortlich, also die Umstellung der Ausstattung auf eine neue Reifengröße und die Produktion dieser Größe. In diesem Fall gibt es zwei Arten von Phase Ins: BU (Blend Uniformity) und CU (Content Uniformity). Beide verwenden unterschiedliche Kontrollpunkte. Um diese Prozesse zu analysieren und die Leistung der Produktion zu optimieren, haben wir der Anwendung beigebracht, Kontrollpunkte für alle Produktionsstufen (Montage, Vulkanisierung und Endfertigung) zu sammeln und sie mit normalen Indikatoren zu vergleichen, um Abweichungen sofort zu identifizieren.
Effizienz der Ausstattung
Als Nächstes haben wir ein OEE-System eingeführt, mit dem wir die Leistung der Ausstattung bewerten können. Es arbeitet direkt mit den Betriebsdaten der Maschinen, ganz ohne Bezug auf Modelle und vorgeschriebene Anweisungen. Die Daten können nach Datum, Schichten, Maschinentypen und bestimmten Maschinen gefiltert werden. Oder man setzt alle Filter zurück und lässt sich eine allgemeine Übersichtstabelle anzeigen.
Arbeitszyklen
Mit dem dritten Modul lassen sich die Zyklen der Ausstattung und die Leistung der Bediener aufzeichnen. Das System erstellt Statistiken über die Zeit der Arbeitszyklen für Maschinen, Gummimodelle und Bediener.
Zukunftspläne
Wir stehen noch am Anfang unserer Reise und planen, das Analysesystem um viele weitere nützliche Funktionen zu erweitern, zum Beispiel das Tracking der Produktqualität und die Optimierung der Wartung. Als Ergebnis wird das Reifenwerk Woronesch über ein eigenes automatisiertes Überwachungs- und Primäranalysesystem verfügen, das zur Verbesserung der Prozesseffizienz beitragen und Geld, Zeit und Ressourcen sparen wird.
Wenn Sie auch auf der Suche nach maßgeschneiderten Lösungen für die Fertigungsanalytik oder smarte Produktionsapps für Big Data und industrielle Prozesse sind, senden Sie uns eine Nachricht. Unsere Experten helfen Ihnen gerne bei der Entwicklung eines maßgeschneiderten Produkts auf der Grundlage Ihrer Anforderungen.