Predictive Process Quality: Big Data in der Produktion

Bei der zunehmenden Individualisierung kundenspezifischer Produkte ergeben sich zahlreiche Konfigurationsvarianten und Bauteilkombinationen. Wird eine solch hohe Produktvielfalt in Linienproduktion gefertigt, wird versucht, die Arbeitsinhalte und Bauteilrüstungen so auf die verschiedenen Montagestationen der Linie zu verteilen, dass die Arbeiten in einem festen Takt durchgeführt werden können. In diesem wird die Produktionslinie dann vorgetaktet. Dabei treten aber immer wieder Störungen auf, da die Arbeiten an einzelnen Stationen nicht in der vorgegebenen Taktzeit fertiggestellt werden können. Störungen, welche die gesamte Linie bis zum Abschluss der Arbeiten an dieser Station behindern.

Die Produktionsplaner möchten nun analysieren können, welche Konfigurationsvarianten bzw. Bauteilkombinationen eine signifikant häufigere Wahrscheinlichkeit von derartigen Störungen aufweisen.

Mit klassischen Auswertungen und Dashboards in der Produktion können meist keine Aussagen über die Zusammenhänge zwischen den vielfältigen Konstruktionsparametern der Produkte getroffen werden. Eine Lösung bieten BigData Tools, mit denen Vorhersagen über die zu erwartende Stabilität derartiger Produktionsprozesse gemacht werden können (Predictive Process Quality).

Die Funktionsweise einer solchen Lösung soll anhand eines stark vereinfachten Beispiels mit sechs Produktvariablen erläutert werden: Bauform, Höhe, Gerätetiefe, Farbe, Highlights und Konfigurationscode. Sind beispielsweise von jeder Variablen nur sechs weitere Ausprägungen möglich, ergeben sich bereits 720 verschiedene Endprodukte. In realen Anwendungsfällen kann die Zahl der möglichen Kombination um Größenordnungen höher sein.

Methodologie

Liegen die Daten zu den Konfigurationsvarianten bzw. zur Bauteilkombination von bereits gefertigen Aufträgen mit den tatsächlich aufgetretenen Störungen in Datenbanken vor, kann auf Machine Learning-Algorithmen zur Datenanalyse zurückgegriffen werden. So lassen sich kausale Zusammenhänge zwischen Variablen vorhersagen und dabei auch die Komplexität reduzieren.

Der Lösung liegt ein zweistufiges Klassifikationsmodell zugrunde. Im ersten Schritt schließt der Algorithmus automatisch alle Produktvariablen aus, die keinen signifikanten Einfluss auf die Störungswahrscheinlichkeit haben. Dadurch bleiben in diesem Beispiel lediglich Höhe sowie Highlights als signifikante Variablen übrig.

Die Anwendung eines weiteren prädiktiven Modells auf die zuvor gebildeten Faktoren führt dazu, dass nur noch signifikante Ausprägungen der beiden zuvor genannten Variablen beibehalten werden. Alle Ausprägungen, die keinen statistisch messbaren Einfluss auf die Störungswahrscheinlichkeit haben, werden hingegen ausgeschlossen.

Die übriggebliebenen aussagekräftigen Kombinationen werden als Datengrundlage für ein Dashboard verwendet, das die Aussagen hinreichend intuitiv für die Produktionsplaner darstellt. Neben den Varianten, die besonders häufig zu Störungen führen, werden gleichzeitig auch jene dargestellt, die für die Störungen statistisch besonders unwahrscheinlich sind (also Ausprägungen, die hauptsächlich grün sind). Durch die Analyse der Kombinatorik kann zielgerichtet evaluiert werden, ob die Störungen auf die Qualität der verbauten Teile selbst zurückzuführen sind oder auf damit einhergehende Prozessabläufe – sofern sich diese anders gestalten als bei störungsresistenten Teilen.

Interpretation

Die HTML-Visualisierung unterscheidet zwischen No-Delay (grün) und Delay (rot) und stellt dazu absolute sowie relative Merkmalshäufigkeiten dar. Über „alpha“ lassen sich die Merkmale entweder alphabetisch an- oder absteigend anordnen. Mithilfe von „size“ kann man gemäß der Häufigkeiten sortieren. Die hervorgehobene rote Kombination zeigt in diesem Beispiel den Anteil der Verzögerungen bedingt durch eine Höhe von 1525 mm und dem Verbau des Highlights 899. Anhand der Verteilungsbreite lässt sich intuitiv nachvollziehen, dass Störungen für diese Kombination am wahrscheinlichsten sind. Der Handlungsbedarf ist dementsprechend dringend.

Die Lösung gestattet also eine datengetriebene Maßnahmen-Priorisierung für den Produktionsplaner mit dem Vorteil, dass eine transparente Frontend-Visualisierung die umfassenden Machine Learning-Prozesse leicht bedienbar macht.

 


Weiterführende Informationen:

Hinterlassen Sie einen Kommentar

Nach oben