Hogyan indult el a digitalizáció útján a Richter Gedeon Nyrt.? Hogyan gyűjtik az adatokat és milyen célokra használják fel ezeket? Mi az, ami már meg is valósult? Válaszol Dr. Tóth Martin, a Richter Gedeon Nyrt. Data Science témafelelőse.

Fotó: Richter Gedeon Nyrt.

- Mióta foglalkoznak Ipar 4.0-val a Richternél?
- Nagyjából két éve. Egy éve már koordinált programot is indítottunk. Belekezdtünk egy új Manufacturing Execution System (MES) bevezetésébe. Idetartozik a folyamataink automatizálása, a papírmentes gyártás megvalósítása, az elektronikus naplók bevezetése. Célunk, hogy felhasználó-központú digitalizált folyamatokat alakítsunk ki. Másrészről elkezdtük kiépíteni a fejlett analitikai kompetenciaközpontunkat. Ennek első lépése egy multidiszciplináris Data Science team létrehozása volt, melyben a termelésben érintett összes osztály képviselteti magát. Előbbi területen kiemelt projekt a folyamatvezérelt elektronikus sarzslap (gyártási tétel lap – a szerk.) bevezetése, utóbbi esetében pedig a keletkező hatalmas mennyiségű adat megfelelő kezelése – adatvagyon kezelés – és hatékony felhasználása. Ilyenek például a gyártási paraméterek optimalizálása, a hatékonyság növelése, az adatvezérelt döntéshozatal megerősítése.

- Honnan vannak adataik?
- A hatósági megfelelés miatt már 20 éve olyan gépeket használunk, amelyekbe szenzorok vannak beépítve. A jelenlegi kihívás, hogy az ezekből érkező adatok valós idejű centralizált gyűjtését megvalósítsuk, és a silószerű adattárolást felváltsuk egy egységes adatgyűjtő rendszerre.

- Kézenfekvő, hogy ezeket az adatokat prediktív karbantartás céljából is felhasználják.
- Így van. Ettől sokat várunk. Preventív karbantartásnál mondjuk kétévente cserélünk egy alkatrészt, pedig lehet, hogy még további két évig használhattuk volna. A prediktív karbantartás implementálásával reményeink szerint képesek leszünk a historikus adatok felhasználásával előre jelezni, hogy mikor lesz nem várt gépleállás, és a megfelelő időben be tudunk majd avatkozni. Mondok rá egy példát: ezt valósítjuk meg például egy berendezésünk kritikus alkatrésze esetén. Így egy, a kiszerelés során jelentkező probléma előfordulását – mely nem várt gépleálláshoz vezethet - képesek leszünk előre jelezni. Ezáltal mind a termelést, mind a karbantartást hatékonyabbá tesszük.

- Hogyan választják ki, hogy milyen projekteket hajtanak végre?
- Az igényeket üzleti oldalról tárjuk fel. Van egy Data Science csapatunk, aminek tagjai különböző osztályokon dolgoznak (és ezzel együtt jelen vannak az ipar 4.0. által érintett osztályok mindennapi életében is), így az információáramlás folyamatos, a felmerülő üzleti igényekre azonnal tudunk reagálni. A termelést nem érintő osztályokkal, pl. marketing, farmakológia stb. pedig gyakori a tudásmegosztás és a kölcsönös együttműködés fejlett analitikai témájú projektekben. Tizenegy osztályt és főosztályt felölelő belső kutatásban mértük fel a lehetséges projekteket és ezeknek a várható megtérülését. A tapasztalataink alapján az igények feltérképezése eredményes: jelenleg több Proof of Concept (PoC) és pilot projekt zajlik, a tavaly elkezdett PoC-ok és projektek közül több már befejeződött.