Was bietet Industrie 4.0 für den Fertigungstest?

„Mit den gesammelten Informationen lassen sich letztendlich Fertigungsprozesse über die einzelnen Standorte und einzelne Maschinen hinweg vergleichen und daraus Rückschlüsse ziehen“, berichtet Dr. Joachim Hilsmann von der Measx GmbH. „Die größere Datengrundlage führt zu mehr Informationen.“

„Ein wichtiges Thema neben der Predictive Maintenance ist die Möglichkeit der Bildung ganz neuer Geschäftsmo­delle“, ergänzt Joachim Kurpat von der Kunbus GmbH. „Denkbar ist zum Beispiel ein ,Pay-per-use‘ für Teststände oder das Leasing spezieller Testroutinen über die Cloud.“ Dem entgegen stünde jedoch, dass es noch niemandem ­gelungen sei, eine Eier legende Wollmilchsau – einen Tester beziehungsweise eine Testroutine für alle denkbaren Anwendungsfälle – zu entwickeln, meint dazu M. Solbach und erläutert: „Ein Getriebe ist nun einmal etwas anderes als ein Smartphone oder ein hoch verfügbarer ADAS-(Advanced Driver Assist System)Controller: „Es ist nicht so einfach möglich, eine universelle Testplattform für alle Produkte zu entwickeln.“ Derzeit bleibt eine universelle Testerplattform, die mit verschiedenen Adaptern für verschiedene Produkte anwendbar ist und über die möglichst frei in der Cloud verfügt werden kann, eine große Herausforderung, auch wenn es dahin gehende Entwicklungen gibt und wir bei Noffz Technologies täglich daran arbeiten.“

„Es gibt viele Parallelen zwischen automatisierten Prüfständen und automatisierten Maschinen“, setzt Rahman Jamal, seit 28 Jahren bei National Instruments, fort. „Beide sind heute vernetzt und produzieren eine Menge von Daten.“ Gerade die Vernetzung ist ein wichtiges Element, ­welches in der Vergangenheit nicht gegeben war. „CIM scheiterte daran zum Beispiel“, so der NI-Manager.

„Heute lassen sich die Daten mittels Business Analytics nutzen, vorausschauende Wartung und Zustandsüber­wachung zu realisieren – sowohl bei automatisierten Maschinen als auch bei automatisierten Prüfständen“, schließt R. Jamal an. Entscheidend dabei ist das Datenmanagement. Hier könne man viel vom kommerziellen IoT-Bereich ­lernen, unter anderem, wie Daten verwaltet, priorisiert, ­validiert und weitergeleitet werden. Als Beispiel nennt R. Jamal den Fitness-Tracker, der unterschiedliche Daten­typen sammelt und verarbeitet: „Um Synergien auf der untersten Ebene zu erzielen, muss man sich auf der obersten Ebene auf die nutzbringenden Daten konzentrieren und diese verfügbar machen. So lassen sich Einsichten aus einer strukturierten Herangehensweise gewinnen, was bei ziel­losem Datensammeln nie möglich gewesen wäre.“