Produktionsoptimierung – Identifikation von Qualitätstreibern (Referenz)

Titelbild Produktionsoptimierung

Kurzzusammenfassung

Produktionsprozesse sind häufig sehr komplex und umfassen viele, oft sequentielle, Schritte. Jeder einzelne Bearbeitungsschritt hat Auswirkungen auf die Qualität des Endproduktes. Mit Hilfe von Data Science Methoden haben wir Zusammenhänge über mehrere Produktionsschritte hinweg analysiert. Auf Basis dieser Untersuchungen konnten viele Optimierungsmaßnahmen ergriffen werden, und unter anderem der Einsatz eines teuren Hilfsstoffes reduziert werden. Bei gleicher Qualität des Endproduktes wurden so die Produktionskosten gesenkt. 

Ausgangslage – Wettbewerbsdruck erfordert effizientere Produktion

In einem Hightech-Bereich der Fertigungsindustrie, in welchem einer unserer Kunden tätig ist, herrscht ein harter Konkurrenzkampf. Unser Kunde bewegt sich trotz enormem Marktdruck seit Jahrzehnten erfolgreich mit einem zweistelligen Marktanteil unter den Weltmarktführern. Dies nicht zuletzt aufgrund seiner stetigen Investitionen in die Optimierung seiner Produktionskette.

Die Komplexität des Produktionsprozesses führte immer häufiger zu kausal nicht mehr greifbaren Auswirkungen. So hatten Änderungen in Prozessschritten Auswirkungen auf nachgelagerte Teilprozesse, die zunächst nicht erklärbar waren. Dies führte schnell zur Erkenntnis, dass mit konventionellen Methoden nicht mehr alle relevanten Zusammenhänge erkannt werden können. Der hochkomplexe sequentielle Herstellungsprozess mit seinen maschinellen, chemischen und prozessualen Einflüssen machte daher ein innovatives Vorgehen bei der Produktionsoptimierung erforderlich.

Lösung – Data Science zum Erkennen neuer Zusammenhänge im Prozess

Zunächst wurden die Daten der verschiedenen Prozessschritte integriert und die Messwerte automatisiert auf Richtigkeit überprüft. Falsche Messwerte durch defekte Sensoren haben wir korrigiert und fehlende Werte intelligent ersetzt. Im nächsten Schritt wurden durch den Einsatz mathematischer Verfahren und durch parallele Diskussionen mit Prozessexperten die Parameter des Datensatzes reduziert.

Auf dieser Datenbasis haben wir Methoden aus dem Bereich Data Science eingesetzt. Insbesondere wurden verschiedene Entscheidungsbäume, neuronale Netze und probabilistische Netze eingesetzt, um Einflussfaktoren auf die Qualität des Endproduktes zu bestimmen. Probabilistische Netze konnten die Einflussfaktoren über Produktionsprozesse am besten abbilden. Darüber hinaus konnten mit diesen Netzen Auswirkungen der Änderung eines Produktionsparameters auf das Endprodukt datengestützt simuliert werden. Durch die grafische Darstellung der Netze haben wir bei den Prozessexperten schnell Akzeptanz für die eingesetzten Methoden geschaffen und in gemeinsamer Diskussion relevante  und bisher nicht bekannte Treiber für die Qualität des Endproduktes über mehrere Prozessschritte hinweg identifiziert.

Ergebnisse – Maßnahmen zur Produktionsoptimierung identifiziert

Mit Hilfe der probabilistischen Netze und der datengestützten Simulation für prozessübergreifende Zusammenhänge wurde ein deutlich verbessertes Prozessverständnis geschaffen. Auf Basis dieser Untersuchungen hat unser Kunde verschiedene Optimierungsmaßnahmen ergriffen, und unter anderem den Einsatz eines teuren Hilfsstoffes reduziert.

Die datengetriebene Modellierungsumgebung für prozessübergreifende Zusammenhänge bietet den Prozessexperten unseres Kunden die Möglichkeit nun fortlaufend durch Einbindung neuer Daten und individueller Treiberidentifikation noch weiteres Optimierungspotential zu heben.

Haben wir Ihr Interesse geweckt? Sprechen Sie uns an.

Markus FrondorfManaging Directoranacision GmbH
Mail-Kontakt+49 172 7395191
Rico KnapperChief Data Scientistanacision GmbH
Mail-Kontakt+49 152 22649878