Für Unternehmen gilt es heutzutage mehr denn je, nicht nur in der Gegenwart gut aufgestellt zu sein, sondern auch einen Blick in die Zukunft zu wagen. Mit fortschreitender Umstellung auf Industrie 4.0 und der vermehrten Kommunikation vernetzter Systeme steigt auch die Notwendigkeit dazu, interne Prozesse besser nachzuverfolgen. Ziel davon ist es, aus den Erfahrungen der Vergangenheit bessere Aussagen für die Zukunft treffen zu können, die Qualität der Prozesse zu erhöhen und auf Ereignisse insgesamt schneller und auf Basis aussagekräftiger Daten reagieren zu können.

Bei einem unserer Kunden aus der Automotive Branche hatten wir kürzlich ein Projekt, in dem Predictive Analytics zum Einsatz kamen. Durch das von uns implementierte Analyseverfahren kann das Unternehmen nun gezielter vorhersagen, wann für die einzelnen Maschinen in einer Produktionskette eine Wartung notwendig wäre. Das Unternehmen verringert damit deutlich Ausfallwahrscheinlichkeiten in der Produktionskette.

Erhöhter Qualitätsanspruch des Kunden

Unser Kunde ist Zulieferer für einen namhaften Automobilhersteller, der hohe Qualitätsanforderungen an seine Produktionsprozesse stellt, um diese zu optimieren und Produktionskosten zu senken. Um dies zu gewährleisten sollen in allen Prozessschritten Daten ausgewertet werden, die eine Aussage über die Qualität produzierter Werkstücke und den Zustand von Produktionsmaschinen zulassen. Durch dieses Tracking könnten Arbeitsschritte in Echtzeit angepasst werden, wodurch der Ausschuss der Produkte und die Ausfallquote der Maschinen verringert werden.

Unser Kunde stellt die in der Produktionsstraße des Automobilherstellers verwendeten Maschinen her. Die hohen Anforderungen des Automobilherstellers machen es nötig, alle Maschinen mit Sensoren auszustatten die alle betriebsrelevanten Parameter messen und entsprechende Daten ausgeben. Im ersten Projektschritt sollte nun der Verschleißgrad der Maschine bestimmt werden, um diese abzuschalten, bevor ein kritischer Punkt überschritten wird. In späteren Versionen sollte die Datenanalyse präzise vorhersagen, ob das Werkstück getauscht werden muss oder ob beispielsweise eine Erneuerung des Schmiermittels ausreicht.

Vorhersagemodell zum Maschinenverschleiß

Zur Vorhersage des Verschleißgrades der Maschine nutzen wir Predictive Analytics Tools. Das erstellte Vorhersagemodell gleicht die neuen Daten mit den bereits vorhandenen Daten ab, analysiert diese und trifft anhand der Erfahrungswerte eine Vorhersage. In unserem Fall generierten wir somit ein Modell, welches anhand gemessener Kraftwerte mit sehr hoher Genauigkeit vorhersagt, ob eine Maschine bei einem Durchlauf verschlissen ist oder nicht.

Um ein gutes, aussagekräftiges Modell zu erhalten muss dieses an Testdaten trainiert werden. In unserem Projekt erstellte der Kunde mehrere Testreihen, in denen der Zustand der Maschine durch geschulte Mitarbeiter bewertet wurde. Das spätere Predictive Analytics-Modell wurde anhand der so gewonnenen Daten und Vorhersagen der Mitarbeiter generiert, sodass die Wahrscheinlichkeit, richtig vorherzusagen, so hoch wie möglich ist.

Beim Einsatz in der Produktion galt es darüber hinaus noch die Hürde der Infrastruktur zu nehmen. Das auf IBM SPSS Modeler basierende Modell wird auf einer direkt an der Maschine angebrachten speziellen Hardwarekomponente deployed. Um eine reibungslose Kommunikation zwischen den Messsensoren, dem SPSS Modeler Server und der Maschine zu gewährleisten, müssen mehrere Software Container miteinander verknüpft werden. Hierbei haben wir besonderes Augenmerk auf die Performance gelegt, da bei einer Produktionstaktung im Sekundenbereich die Antwortzeit des Vorhersageprozesses – vom Messen der Daten über die Vorhersage des SPSS Modells bis zum Senden der Nachricht an die Maschine, ob eine Wartung nötig ist – ebenfalls im Sekundenbereich liegen muss.
Für zukünftige Vorhersagemodelle werden die Messdaten zusätzlich in einer Datenbank gespeichert. Die so in der Produktion erhobenen Daten und der Vergleich der Ergebnisse mit den Beobachtungen geschulter Mitarbeiter über den Verschleißgrad können dann dazu genutzt werden, das Modell weiter zu trainieren und dessen Robustheit und Genauigkeit weiter zu erhöhen.

Fazit

Predictive Analytics findet in vielen Bereichen Anwendung, in denen aus vorhandenen Daten genaue Vorhersagen für die Zukunft getroffen werden können. Und wer die Zukunft kennt, ist immer einen Schritt voraus. Wollen Sie ebenfalls mit Predictive Analytics einen Blick in die Zukunft werfen? Dann kontaktieren Sie uns! Wir beraten Sie gerne.