Da die Methoden vonlean manufacturing mit dem Eintritt in das digitale Zeitalter immer mehr Verbreitung finden, gibt es mehr Möglichkeiten denn je, Routineproduktionsläufe in Daten zu verwandeln, die einen Unterschied machen.
Das liegt vor allem an der Reifung von Big Data - einSammelbegriff für eine Reihe von Speicher-, Organisations- und Analysetechniken, die für riesige Datensätze entwickelt wurden.
In diesem Beitrag stellen wir Ihnen einige wichtige Big Data-Konzepte sowie die wichtigsten Anwendungsfälle und Anwendungen für Big Data-Analysen in der Fertigung vor.
Big Data in der Fertigung definiert
Big Data ist definiert als außergewöhnlich große Datensätze, die möglicherweise Milliarden von Zeilen und Parametern umfassen. In der Fertigung können Big Data Daten umfassen, die in jeder Phase der Produktion gesammelt werden, einschließlich Daten von Maschinen, Geräten und Bedienern.
Diese Daten können entweder strukturiert oder unstrukturiert sein.
Der schiere Umfang und die Komplexität großer Datensätze sowie die Anzahl spezifischer Tools, Techniken und bewährter Verfahren für die Arbeit mit ihnen haben dazu geführt, dass der Bereich der Datenwissenschaft und Big Data Analytics in der Fertigung und im Umfeld der Fertigung ausgereift ist.
Verbinden Sie die Systeme, Maschinen und Bediener in Ihrem Betrieb
Gehen Sie über das traditionelle MES hinaus und erfahren Sie, wie Tulip Ihnen helfen kann, die Datenerfassung zu automatisieren und Produktionskennzahlen in Echtzeit zu verfolgen.
Big Data-Konzepte
Es ist zwar möglich zu verstehen, wie das Wachstum von Big Data die Datenanalyse in der Fertigung revolutionieren wird, ohne zu wissen, wie das Ganze sozusagen "unter der Haube" funktioniert, aber die Kenntnis einiger Schlüsselkonzepte kann sehr hilfreich sein.
Zum einen ist es wichtig zu verstehen, dass die Analyse von Big Data nicht nur eine Frage der Software ist.
Für die Unterstützung von KI, machine learning und Deep-Learning-Algorithmen ist eine enorme Menge an Hardware und Infrastruktur erforderlich.
In vielen Fällen werden Fertigungsdaten über die Cloud in Data Lakes gespeichert und auf GPU-Clustern verarbeitet, anstatt mit herkömmlichen CPU-Prozessoren. All dies ist ein Jargon, um zu sagen, dass die Menge an Daten, die von der modernen Fabrik generiert wird, aktualisierte Speicher- und Verarbeitungstools erfordert, um sie zu unterstützen.
Was die Datenanalyse betrifft, so gibt es selbst hinter den ausgefeiltesten Techniken nur wenige grundlegende Wege, Ergebnisse und Prozesse zu erzielen.
Korrelation und Kausalität mit Sicherheit voneinander trennen
Vor allem in der Fertigung ist das Verständnis der Ursachen für kontinuierlicher Verbesserungsprozess unerlässlich.
Es sollte daher nicht überraschen, dass Tools, mit denen festgestellt werden kann, ob zwei Variablen miteinander korreliert sind oder nicht, oder die Rückschlüsse auf kausale Zusammenhänge zulassen, so wichtig sind. Während Standardtechniken wie die lineare Regression seit Jahrzehnten mit großem Erfolg eingesetzt werden, ermöglichen es die Algorithmen von machine learning , Korrelationen und Kovarianzen in größeren, verrauschten Datensätzen zu finden.
Ausreißer und Ausreißer isolieren
Wenn Sie mit einem großen Datensatz arbeiten, ist es wichtig zu verstehen, welche Datenpunkte zu einem Trend zusammengefasst werden können und welche Ausreißer sind.
Dies ist nicht nur wichtig, weil bessere Daten sauberere Ergebnisse bedeuten, sondern auch, weil die Erkennung von Ausreißern für Programme wie die vorausschauende Wartung wichtig ist, die sich auf die Erkennung von Anomalien und deren Korrelation mit Maschinenausfällen oder Teileverschleiß stützen.
Bei ausreichender Datenmenge können neuronale Netzwerke und die Analyse von machine learning (Random Forest, Isolation Forest) dabei helfen, Datenpunkte zu erkennen, zu klassifizieren und ihre Bedeutung zu messen.
Neuartige Klassifizierungen erstellen
Eines der aufregendsten Ergebnisse von machine learning ist die Erstellung neuartiger Klassifizierungsstrukturen und Hierarchien einer Organisation, die sich menschlichen Bemühungen leicht entziehen könnten. Diese Algorithmen, die gewöhnlich als "unüberwachtes Lernen" oder "Clusteranalyse" bezeichnet werden, analysieren und klassifizieren die Informationen in einem Datensatz, indem sie den Daten innewohnende Muster erkennen. Eine Anwendung für Klassifizierungsalgorithmen in der Fertigung könnte darin bestehen, neue Informationen über die Effizienz von Maschinen in Daten zu finden, die im Rahmen eines Maschinenüberwachung Programms gesammelt wurden.
Letztlich unterscheiden sich diese Techniken in ihrer Fähigkeit, auf einem bestimmten Datensatz zu "trainieren", um mit jeder neuen Eingabe zuverlässigere Ergebnisse zu erzielen, in der Größe des Datensatzes, den sie verarbeiten können, und in der Zuverlässigkeit ihrer Klassifizierungs-, Vorhersage- und Prognosefunktionen.
Anwendungsfälle für Big Data in der Fertigung
Prädiktive Wartung
Die meisten Hersteller halten sich an einen Zeitplan für die vorbeugende Wartung (PM). Bei der vorbeugenden Wartung planen die Vorgesetzten in regelmäßigen (oder auch weniger regelmäßigen) Abständen Ausfallzeiten ein, um Anlagen zu reparieren, bevor ein unerwarteter Ausfall zu kostspieligen ungeplanten Ausfallzeiten führt.
Prädiktive Qualität
Das Konzept ist ähnlich wie bei der vorausschauenden Wartung. Es gibt Dutzende von Variablen, die zu den Qualitätsergebnissen beitragen. Für Hersteller, die diese Variablen verfolgen, kann die Big Data-Analyse helfen, die Ursachen zu ermitteln und Faktoren zu identifizieren, die zu Nichtkonformität führen.
Anomalie-Erkennung
Ganz gleich, ob es sich um eine kleine Abweichung von der Norm bei der Qualität eines gefrästen Teils oder um die von der Mühle selbst erzeugte Wärmemenge handelt, Big Data Analytics ermöglicht es, das Signal vom Rauschen zu trennen. Moderne Algorithmen ermöglichen es, Anomalien mit einem hohen Maß an statistischer Signifikanz zu identifizieren.
Computervision
Computervision ist ein Werkzeug zur Analyse dynamischer menschlicher Handlungen in Echtzeit. Fortschritte in der KI und machine learning haben es Computern ermöglicht, menschliche Ereignisse zu beobachten, zu klassifizieren und auf sie zu reagieren, während sie sich entfalten.
Optimierung des Lebenszyklus von Werkzeugen
Es gibt zwar ein paar Tricks, um die Lebensdauer von Werkzeugen zu verlängern, aber das kann schwierig sein. Das liegt daran, dass es viele Variablen gibt, die den Verschleiß eines Werkzeugs im Laufe der Zeit beeinflussen. Big Data-Analysen ermöglichen es, die Ursache mit größerer Sicherheit zu isolieren.
Lieferkette Management
Timing ist alles. Mit Hilfe von Big Data lässt sich mit größerer Sicherheit vorhersagen, ob ein Lieferant wie vereinbart liefern wird oder nicht, und es ist möglich, die Lieferketten zu optimieren, um das Risiko zu verringern.
Produktionsprognose
Die Vorhersage der Nachfrage ist entscheidend für die Optimierung der Produktion. Die Daten, die Sie über Ihren Betrieb, Ihr Geschäft und Ihre Lieferanten sammeln, können Ihnen helfen, sich besser auf die Zukunft vorzubereiten.
Verbesserung von Durchsatz und Ausbeute
Es gibt unzählige Faktoren, die den Produktionsertrag beeinflussen. Big Data kann Ihnen dabei helfen, verborgene Muster in Ihren Prozessen zu finden, so dass Sie kontinuierlicher Verbesserungsprozess Initiativen mit größerer Gewissheit verfolgen können.
Optimierung der Arbeitszellen
Wie eine Arbeitszelle strukturiert ist, ist entscheidend für die Effizienz. KI kann Muster in den Interaktionen zwischen Mensch und Umgebung finden, die es Ihnen ermöglichen, die effizientesten Fertigungssysteme zu entwerfen.
Produktlebenszyklus-Management (PLM)
In einigen Branchen (Pharma und Biotech) vervielfacht jeder Monat auf dem Markt den Lebenszeitwert eines Produkts. KI zieht Erkenntnisse aus früheren Produkten und kritischen Marktfaktoren heran und hilft Ihnen, den Wert Ihrer Produkte im Laufe der Zeit zu optimieren.
Schlussfolgerungen: Das Jahrzehnt der Daten
Die hier vorgestellten Innovationen sind nur ein kurzer Überblick. Es gibt unzählige weitere Anwendungen und Einsatzmöglichkeiten für Big Data in der Fertigung.
Eines jedoch eint sie alle. Sie brauchen Daten, um sie zu verwirklichen. Je eher Sie damit beginnen, Daten über Ihre Produktionssysteme zu sammeln, desto eher werden Sie in der Lage sein, die neuesten Innovationen der Datenwissenschaft anzuwenden.
Möchten Sie mehr erfahren? Lesen Sie unseren Leitfaden Maschinenüberwachung, um zu erfahren, wie Sie die benötigten Daten sammeln können.
Erfassen Sie in Echtzeit Produktionsdaten und verbessern Sie die Art und Weise, wie Sie Ihren Betrieb verwalten.
Sehen Sie sich an, wie ein System von Apps Ihnen helfen kann, bessere datengestützte Entscheidungen zu treffen - mit einer kostenlosen Testversion von Tulip.