Wie Machine Learning und Prozessintegration Ihre Produktion verbessert

Die Integration von Advanced Analytics in der Produktion bietet die Möglichkeit, Prozesse besser zu steuern, Ausfälle zu vermeiden und die Produktentwicklung zu unterstützen. Der Druck durch die „Just-in-time“ Produktion mit teils hohem Individualisierungsgrad kann so ein wenig berechenbarer gemacht werden.

Die Herausforderung

Prozesssteuerung und Fehlerbehebung erfolgen aktuell immer noch in einer reaktiven Ausrichtung. Dashboards und deskriptive Analysen setzen auf vergangenen Daten auf und spiegeln nicht oder nur ungenau die Zukunft wider. Des Weiteren ist die Zielperson eher der Manager als der Mitarbeiter in der Fertigung.

Um eine proaktive Steuerung im Unternehmen zu implementieren, bedarf es eines generischen konzeptionellen Rahmens, welcher auf der grundlegenden Idee einer Service Oriented Architecture aufsetzt. Einzelbausteine der Analyseplattform sollen einfach in neue Prozessteile oder Arbeitsschritte integriert werden können, um den Analytics-Reifegrad der Fertigung zügig auf ein hohes Niveau zu heben und dieses Niveau auch bei der Geschäftsentwicklung zu halten und zu unterstützten.

Die Basis

Die Systemlandschaft im Manufacturing-Umfeld kann in drei Ebenen unterteilt werden:

  • Unternehmensleitebene

  • Fertigungsleitebene

  • Fertigungsebene

In der Unternehmensleitebene sind ERP-, CRM- und CAD-Systeme angesiedelt, welche die Basis für die Produktionsprozesse bilden. Durch eine gezielte Integration von Daten aus der Fertigung und Fertigungsplanung können der Produktentwicklung neue Impulse gegeben, Probleme in der Fertigung frühzeitig adressiert und Kunden proaktiv informiert werden.

Die Fertigungsleitebene profitiert von einer übersichtlicheren und gezielteren Informationsbasis. Informationen über z. B. Ressourcenengpässe und zukünftige Probleme von Maschinen können genutzt werden, um diese zu beheben, bevor es zu Qualitätsmängeln oder Lieferschwierigkeiten kommt.

In der Fertigungsebene können direkte Handlungshinweise durch eine gezielte Entscheidungsunterstützung gegeben werden. Somit kann man Problemen vorbeugen und kritische Situationen gezielt lösen.

Das Framework

Um die o. g. Möglichkeiten umsetzen zu können, benötigt man ein generisches Framework. Dieses wird als „Advanced Manufacturing Analytics Plattform“ bezeichnet (nach Christophe Gröger, 2015).

word-image-8.png (2)

In diesem Framework wird das Thema Analytics nicht als separate Einheit betrachtet. Die Ebene ermöglicht eine zukunftsorientierte Problembetrachtung, ersetzt aber nicht eine saubere Datenbereitstellung und Wissensmodellierung in der unteren Schicht, genauso wenig wie die visuelle Aufbereitung und Prozessintegration.

Im Rahmen des Frameworks werden drei Herausforderungen in den Ebenen Datenbereitstellung (1), Prozessanalyse (2) und Prozess-Dashboards (3) definiert:

  • H3: Fokussierung auf Fertigungsleitebene und Unternehmensleitebene

  • H2: Deskriptive, reaktive Analyse

  • H1: Heterogene Datenbasis

 

Basierend auf diesen Herausforderungen können die Ziele definiert werden:

  • Z3: Integration der Analyseergebnisse in die Fertigungsebene

  • Z2: proaktive/prädiktive Modellierung

  • Z1: ganzheitliche Datenbasis mit einer erweiterten Wissensmodellierung

 

Im nächsten Schritt würde die Architektur und Umsetzung des Wissensrepositorys erfolgen, welches eine ganzheitliche Datenbasis ermöglicht. Wie Sie mithilfe einer Machine Learning Engine und anschließender Prozessintegration der Analytics-Ergebnisse große Verbesserungen in Ihrer Produktion erzielen können, erläutern wir gerne mit Ihnen in einem persönlichen Gespräch.  

Kontaktieren Sie uns für ein unverbindliches und kostenloses Angebot. 

Kontakt aufnehmen

Veröffentlich am 28.4.2020

Thema: big data, Datenstrategie, datengesteuertes Unternehmen, Machine Learning, Industrie 4.0, Advanced Analytics