OEE-entwicklung durch AI-basiertes Smart Data Management in der Agrifood Industrie

Ressourceneffizienz und Maximierung der Betriebszeit haben für Lebensmittelhersteller ebenfalls höchste Priorität. Aus dieser Anerkennung entstand das S3FOOD-Projekt, in dessen Rahmen wir die Effizienzentwicklung für GoodMills Hungary zusammen mit REACH Solutions Kft. durchführen. Als Unternehmen mit Erfahrung in der Automobilautomatisierung sind wir beide stolz darauf, unsere i4.0 Kenntnisse nutzen zu können auf dem Gebiet des Agrarlebensmittelsektors.
 
Áron Pétervári, der ungarische technische Direktor der bekannten Agrifood-gruppe Goodmills, weiss, dass seine Branche immer noch mit vielen traditionellen Elementen arbeitet. Er stellte fest, dass sein Unternehmen besonders innovationsbedürftig ist, damit es effizienter und mit immer weniger Verlusten arbeiten kann. Robot-X und REACH wollten die Effizienz steigern und Verluste im Werk untersuchen, als sie sich dem S3Food-Projekt der Europäischen Union anschlossen.
 

--- 
Hatékonyságfejlesztés a komáromi malombanHatékonyságfejlesztés a komáromi malomban
Der Touchscreen ermöglicht die Interaktion des Bedieners in der Goodmills Komárom-Mühle
 

---
Die Zusammenarbeit zwischen REACH und Robot-X hat eine lange Geschichte. Die beiden Unternehmen haben mehrere erfolgreiche Projekte in anderen Branchen hinter sich. In diesem Projekt ermöglichten das umfassende Know-how von Robot-X im Bereich Automatisierung und Robotisierung sowie die Softwaretechnologielösungen von REACH, das gesamte Spektrum von der Datenerfassung bis zur Visualisierung in eine Hand zu nehmen.
 
Der Eckpfeiler der Entwicklung der Produktionsdigitalisierung in Komárom war die Datenerfassung, deren Qualität - sowohl quantitativ als auch qualitativ - während des Projekts erheblich gestiegen ist. In der Anfangsphase wurde eine Datenerfassungsschicht entwickelt, um Maschineninformationen an eine Datenbank zu übertragen, die große Datenmengen verarbeiten kann. Anschließend haben wir ein Touch-Display installiert, das die Interaktion mit dem Bediener ermöglicht. Die Mühle wurde auch mit einem großen Display an der Verpackungslinie angereichert. Dadurch sind die aktuellen Effizienzinformationen auf der Linie sofort sichtbar und sowohl für die Betriebsleitung als auch für die Mitarbeiter zugänglich.
 
Mithilfe des maschinellen Lernens können wir durch Modellierung der Produktionslinienbedingungen verschiedene Prognosen und Probleme identifizieren. Auf die gleiche Weise können wir die Leistung untersuchen, vorhersagen und optimieren.
 
Das noch laufende Projekt wird im Mai 2021 abgeschlossen sein. Ziel ist es, die bisherige OEE der Mühle durch besser organisierte Wartungs- und Ausfallzeitprognosen um 5% zu erhöhen. Darüber hinaus ist es unser Ziel, dass unser System die tatsächliche Produktionszeit um 7,7% pro Schicht erhöht und gleichzeitig den Energieverbrauch um 4% und den Verpackungsabfall um 8% senkt.
 
---
OEE-Entwicklung im Agrifood

---