Mit Data Analytics versteckte Potenziale aufdecken

Sie haben eine automatisierte Produktionslinie, die laufend Daten generiert? Ihre Prozess-Experten haben gefühlt bereits das letzte Pulver zur Verbesserung an der Linie verschossen, die Qualitäts- und Kostenziele sind jedoch noch immer nicht erreicht? In Ihrer Produktion stecken noch weitere Potenziale – versteckt in der Flut an generierten Prozessdaten!

Vielfalt, Dynamik und Unsicherheit. Diese drei Dimensionen der Komplexität zeigen sich in produzierenden Unternehmen nicht nur in Form von Auftragsschwankungen. Kürzere Produktlebenszyklen, die sich in immer häufigeren Produktionsanläufen niederschlagen sowie zahlreiche und häufig bis in die Produktion reichende Änderungen führen zu häufig wechselnden Anforderungen an die Produktionslinie.

Vielfach steht man in der Produktion trotzdem vor der Herausforderung, in immer kürzerer Zeit immer größere Kosteneinsparungen realisieren zu müssen. Jedoch lässt sich in der Industrie beobachten, dass vielfach nicht die für die Realisierung der angestrebten Optimierung erforderlichen Ressourcen zur Verfügung gestellt werden und somit die Umsetzungskraft und wertvolles Expertenwissen fehlt. Wie also, können unter diesen sich verstärkenden Herausforderungen die Qualitäts- und Kostenziele weiterhin erreicht werden? 

Doch die Komplexität hat aus Sicht der Produktion auch etwas Gutes: Moderne, automatisierte Produktionslinien generieren eine Vielzahl an Daten. Mittels Data Analytics können aus diesen Daten neue Erkenntnisse gewonnen und zur Steigerung der Produktivität und Qualität genutzt werden.

Dies ist jedoch nur möglich, wenn einige Anforderungen erfüllt sind. Zum einen müssen die Daten strukturiert aufgebaut sein. Es bedarf einer eindeutigen Bezeichnung, einer prozessübergreifenden Identifikationsnummer sowie damit verknüpfter Zeitstempel. Zum anderen werden ausreichend Daten sowohl in der Tiefe, also die verschiedenen Aufzeichnungspunkte innerhalb eines Prozessschrittes und der Umgebung, als auch in der Breite, sprich genügend aufeinanderfolgende Prozessschritte sowie ausreichend Datensätze von vollständig durchlaufenen Produktionszyklen vorhanden sein.

Ziel ist es, in den Datensätzen bisher unbekannte Ursachen-Wirkbeziehungen zu erkennen. Entgegen dem Vorgehen in klassischen Workshops zur Prozessverbesserung werden nicht zuerst aufgestellte Hypothesen anhand von Feldversuchen überprüft, sondern es wird andersherum vorgegangen.

Unser Ansatz beinhaltet im Kern zunächst eine Korrelationsanalyse, die auf die Gesamtheit der aufbereiteten Datensätze angewendet wird. Anschließend bereiten wir die durch den Algorithmus erzeugten Ergebnisse in einer Heatmap grafisch auf, um erste interessante Korrelationen überprüfen zu können. Automatisierte Algorithmen führen bereits zu ersten Erkenntnissen, doch nur in Kombination mit dem notwendigen Expertenwissen werden Daten interpretierbar und entfalten ihre volle Wirkung zur Erkenntnisgewinnung. Unsere Produktionsexperten verfügen daher über das zwingend erforderliche Domänenwissen, um die richtigen Schlüsse aus den durchgeführten Analysen zu ziehen. Für die identifizierten Korrelationen werden schließlich geeignete Scatterplots erstellt. An diesem Punkt sind ausreichend Informationen verfügbar, um diese gemeinsam mit Ihren Prozessexperten hinsichtlich einer kausalen Ursachen-Wirkbeziehung zu diskutieren. Können diese Beziehungen durch das Erfahrungswissen oder durch nachträglich durchgeführte Versuche bestätigt werden, kann das neue Wissen in konkrete Verbesserungsvorschläge überführt werden. 

Die hochautomatisierte Produktionslinie arbeitet mit einer Zykluszeit von acht Sekunden und nimmt in über 40 Teilprozessen zusammen knapp 6000 Aufzeichnungspunkte in das MES auf. Auch in wenigen Tagen stehen somit nach einer Anpassung der Linie ausreichend neue Daten zur Verfügung. Der Datensatz von über zwei Monaten wurde in der Aufbereitungsphase von über 650 Millionen Datenpunkten auf 70 Millionen beschränkt. Diese Größenordnung zeigt, warum die Daten nur selten im Zusammenhang stehend zur Prozessverbesserung benutzt werden. Über einen Algorithmus werden in einer Matrix der Korrelationsgrad zwischen jeweils zwei Aufzeichnungspunkten erzeugt. Um den Fokus der Experten auf die interessanten Stellen zu lenken, wurden im Folgeschritt sieben Korrelationen in der aufbereiteten Korrelationsmatrix identifiziert.

Schließlich ermöglichen Scatterplots mit der Ergebnisverteilung der Qualitätsprüfung eine genauere Untersuchung der vorausgewählten Attributspaarungen. Auf dieser Ebene konnte eine geringere Druckabfallrate bei einem Schweißprozess unter einem gewissen Verfahrweg erkannt werden. In Kombination mit dem Scatterplott des Wärmeeintrags beim Schweißprozess ließen sich somit Qualitätsmängel logisch erklären und gezielt durch Anpassung der Prozesseinstellungen gegensteuern.

Auf dem Level der Korrelationsmatrix und der Scatterplotts können die Korrelationen ausreichend genau untersucht und bzgl. einer möglichen kausalen Ursachen-Wirkbeziehung diskutiert werden. Diese zielgenaue Diskussion mündet unter geringem Aufwand der Experten in neue Erkenntnisse oder kann auch bisherige Bauchgefühle quantitativ bestätigen, um Verbesserungen an der Linie zu ermöglichen.

Zusätzlich können die auf diese Weise aufgedeckten Ursache-Wirkbeziehungen zur Prognose des Prozessverhaltens bei der Anpassung von Einstellwerten genutzt werden. Dadurch lassen sich Versuchszeiten deutlich reduzieren.