Big Data in der Fertigung: Eine Einführung in Konzepte und Applications

Da sich lean manufacturing im Zuge des fortschreitenden digitalen Wandels immer weiter durchsetzen, gibt es mehr Möglichkeiten denn je, routinemäßige Produktionsabläufe in Daten umzuwandeln, die einen entscheidenden Unterschied machen.

Dies ist vor allem auf die Weiterentwicklung von Big Datazurückzuführen – einemSammelbegriff für eine Reihe von Techniken zur Speicherung, Organisation und Analyse, die für riesige Datensätze entwickelt wurden.

In diesem Beitrag stellen wir Ihnen einige zentrale Big-Data-Konzepte sowie die wichtigsten Anwendungsfälle und Einsatzbereiche der Big-Data-Analyse in der Fertigungsindustrie vor.

Laden Sie unseren ultimativen Leitfaden zur Produktionsüberwachung digitalen Zeitalter herunter →

Unter Big Data versteht man außerordentlich große Datensätze, die potenziell Milliarden von Zeilen und Parametern umfassen können. In der Fertigung können Big Data Daten umfassen, die in jeder Produktionsphase erfasst werden, darunter Daten von Maschinen, Geräten und Bedienern.

Diese Daten können entweder strukturiert oder unstrukturiert sein.

Das schiere Volumen und die Komplexität großer Datensätze sowie die Vielzahl spezifischer Werkzeuge, Techniken und bewährter Verfahren für deren Bearbeitung haben dazu geführt, dass sich der Bereich der Datenwissenschaft und der Big-Data-Analytik in der Fertigungsindustrie und den damit verbundenen Bereichen weiterentwickelt hat.

Zwar kann man zwar nachvollziehen, wie das Wachstum von Big Data die Datenanalyse in der Fertigung revolutionieren wird, ohne sozusagen zu verstehen, wie das Ganze „unter der Haube“ funktioniert, doch die Kenntnis einiger Schlüsselkonzepte kann dabei sehr hilfreich sein.

Zum einen ist es wichtig zu verstehen, dass es bei der Big-Data-Analyse nicht nur um Software geht.

Für den Einsatz 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 statt mit herkömmlichen CPU-Prozessoren verarbeitet. All dies ist eine etwas fachspezifische Umschreibung dafür, dass die Datenmengen, die in modernen Fabriken anfallen, moderne Speicher- und Verarbeitungswerkzeuge erfordern, um sie bewältigen zu können.

Was die Datenanalyse angeht, so gibt es nur wenige grundlegende Ansätze, die den Ergebnissen und Abläufen selbst der ausgefeiltesten Techniken zugrunde liegen.

Korrelation und Kausalität mit Sicherheit voneinander trennen

Insbesondere in der Fertigung ist das Verständnis der Grundursachen für kontinuierlicher Verbesserungsprozess von entscheidender Bedeutung.

Es ist daher nicht verwunderlich, dass Werkzeuge, mit denen sich feststellen lässt, ob zwei Variablen miteinander korrelieren, oder die Rückschlüsse auf kausale Zusammenhänge zwischen Variablen zulassen, von so großer Bedeutung sind. Während Standardverfahren wie die lineare Regression seit Jahrzehnten sehr erfolgreich eingesetzt werden, ermöglichen machine learning die Ermittlung von Korrelationen und Kovarianzen in größeren, verrauschten Datensätzen.

Ausreißer und Inlier isolieren

Bei der Arbeit mit einem großen Datensatz ist es entscheidend zu erkennen, welche Datenpunkte zu einem Trend zusammengefasst werden können und welche Ausreißer sind.

Dies ist nicht nur deshalb wichtig, weil bessere Daten zu aussagekräftigeren Ergebnissen führen, sondern auch, weil die Erkennung von Ausreißern für Programme wie die vorausschauende Instandhaltung von entscheidender Bedeutung ist, die darauf beruhen, Anomalien zu erkennen und diese mit Maschinenausfällen oder dem Verschleiß von Bauteilen in Zusammenhang zu bringen.

Bei ausreichender Datenmenge können neuronale Netze und machine learning (Random Forest, Isolation Forest) dabei helfen, Datenpunkte zu erkennen, zu klassifizieren und deren Signifikanz zu bewerten.

Entwicklung neuartiger Klassifikationen

Eines der spannendsten Ergebnisse des machine learning die Erarbeitung neuartiger Klassifizierungsstrukturen und Hierarchien einer Organisation, die sich menschlichen Bemühungen leicht entziehen könnten. Diese Algorithmen, die üblicherweise als „unüberwachtes Lernen“ oder „Clusteranalyse“ bezeichnet werden, analysieren und klassifizieren die Informationen in einem Datensatz, indem sie den Daten innewohnende Muster erkennen. In der Fertigung könnte eine Anwendung für Klassifizierungsalgorithmen darin bestehen, aus Daten, die im Rahmen einer Maschinenüberwachung .

Letztendlich zeichnen sich diese Verfahren durch ihre Fähigkeit aus, anhand eines bestimmten Datensatzes „gelernt“ zu werden, um bei jeder neuen Eingabe zuverlässigere Ergebnisse zu liefern; durch die Größe des Datensatzes, den sie verarbeiten können; sowie durch die Zuverlässigkeit ihrer Klassifizierungs-, Vorhersage- und Prognosefähigkeiten.

Vorausschauende Instandhaltung

Die meisten Hersteller halten sich an einen Plan für vorbeugende Wartungsmaßnahmen (PM). Im Rahmen der PM planen die Verantwortlichen in regelmäßigen (oder auch unregelmäßigen) Abständen Stillstandszeiten ein, um Anlagen zu reparieren, bevor ein unerwarteter Ausfall zu kostspieligen ungeplanten Ausfallzeiten führt.

Vorausschauende Qualität

Das Konzept ähnelt hier der vorausschauenden Instandhaltung. Es gibt Dutzende von Variablen, die zur Qualität der Ergebnisse beitragen. Für Hersteller, die diese Variablen erfassen, kann die Analyse von Big Data dabei helfen, die Ursachen zu ermitteln und Faktoren zu identifizieren, die zu Abweichungen führen.

Anomalieerkennung

Ob es sich nun um eine geringfügige Abweichung von den Normwerten bei der Qualität eines gefrästen Teils oder um die von der Fräsmaschine selbst erzeugte Wärme handelt – dank Big-Data-Analysen lässt sich das Signal vom Rauschen trennen. Moderne Algorithmen ermöglichen es, Anomalien mit hoher statistischer Signifikanz zu erkennen.

Computervision

Computervision ist ein Werkzeug zur Analyse dynamischer menschlicher Handlungen in Echtzeit. Fortschritte in den Bereichen KI und machine learning es Computern ermöglicht, menschliche Handlungen zu beobachten, zu klassifizieren und darauf zu reagieren, während sie sich entfalten.

Optimierung des Werkzeuglebenszyklus

Zwar gibt es einige Tricks, um die Standzeit von Werkzeugen zu verlängern, doch kann dies schwierig sein. Das liegt daran, dass es viele Variablen gibt, die den Verschleiß eines Werkzeugs im Laufe der Zeit beeinflussen. Mithilfe von Big-Data-Analysen lässt sich die eigentliche Ursache mit größerer Sicherheit ermitteln.

Lieferkette

Das richtige Timing ist entscheidend. Dank Big Data lässt sich mit größerer Sicherheit vorhersagen, ob ein Lieferant wie vereinbart liefern wird, und es ist möglich, Lieferketten zu optimieren, um Risiken zu minimieren.

Produktionsprognose

Die Vorhersage der Nachfrage ist für die Optimierung der Produktion von entscheidender Bedeutung. Die Daten, die Sie über Ihre Betriebsabläufe, Ihr Unternehmen und Ihre Lieferanten erheben, können Ihnen helfen, sich besser auf die Zukunft vorzubereiten.

Steigerung von Durchsatz und Ausbeute

Es gibt unzählige Faktoren, die sich auf den Produktionsertrag auswirken. Mithilfe von Big Data können Sie verborgene Muster in Ihren Prozessen aufdecken und so kontinuierlicher Verbesserungsprozess mit größerer Sicherheit vorantreiben.

Optimierung von Arbeitszellen

Die Struktur einer Arbeitszelle ist entscheidend für die Effizienz. KI kann Muster in den Interaktionen zwischen Mensch und Umgebung erkennen, die es Ihnen ermöglichen, möglichst effiziente Fertigungssysteme zu entwerfen.

Produktlebenszyklus-Management (PLM)

In einigen Branchen (Pharma und Biotechnologie) vervielfacht sich der Lebenszeitwert eines Produkts mit jedem Monat, den es auf dem Markt ist. KI gewinnt Erkenntnisse aus früheren Produkten und entscheidenden Marktfaktoren, um Ihnen dabei zu helfen, den Wert, den Ihre Produkte im Laufe der Zeit schaffen, zu optimieren.

Die hier vorgestellten Innovationen sind nur ein kurzer Überblick. Es gibt unzählige weitere Anwendungen und Einsatzmöglichkeiten für Big Data in der Fertigungsindustrie.

Eines haben sie jedoch alle gemeinsam: Um sie umzusetzen, braucht man Daten. Je früher Sie damit beginnen, Daten über Ihre Fertigungssysteme zu sammeln, desto eher können Sie die neuesten Innovationen aus dem Bereich der Datenwissenschaft nutzen.

Möchten Sie mehr erfahren? In unserem Leitfaden zur Maschinenüberwachung erfahren Sie, wie Sie mit der Erfassung der benötigten Daten beginnen können.