Blick in die Glaskugel Mit Predictive Analytics Einsparungspotenziale aufdecken

Transparenz ist der elementare Bestandteil einer effizienten Fertigungsumgebung. Sie durchleuchtet vergangene und aktuelle Abläufe, zeigt Potenziale auf und hilft Industriebetrieben dadurch bei der Optimierung ihrer Wertschöpfung. Mit der hereinbrechenden Digitalisierungswelle in die Fertigung steigen allerdings auch die Anforderungen an eine effiziente Verarbeitung der schier unbegrenzten Datenmengen, die daraus gewonnen werden – und das idealerweise in Echtzeit. Diese Datenmengen in Kombination mit neuen Erkenntnissen rund um die Themen ‚Künstliche Intelligenz’ und ‚Machine Learning’ erlauben nun auch den viel zitierten Blick in die Glaskugel mit entsprechenden zuverlässigen Vorhersagen.

Eine Funktionalität, die zeitgemäße MES-Lösungen schon lange bieten, bekommt im Zuge der oben erwähnten Digitalisierungswelle und der Etablierung des IIoT eine ganz neue Bedeutung: Predictive Maintenance, die vorausschauende Instandhaltung. Experten sprechen von ‚Data Analytics’. Algorithmen, Big-Data-Anwendungen und KI erkennen gewisse Muster in den Daten des IIoT. Dies erlaubt Vorhersagen über zu erwartende Zustände und neue Trends. Data Analytics generiert mit entsprechenden Modellen daraus fundamentale Einsichten. Geschäftstätigkeiten erzeugen genau die Daten, die durch Analyse wieder zu weitreichenden Erkenntnissen, aktuellen Entscheidungen und am Ende vielleicht sogar in neue Geschäftsmodelle münden können.

Herangehensweise entscheidend

Der in das Forschungsprojekt involvierte Universitätsprofessor Dr. Alfred Taudes von der Wirtschaftsuniversität Wien kennt die Stärken von Predictive Analytics nur zu gut: „Mittels Predictive Analytics können Fertigungsunternehmen heute durch Sensoren generierten Datenmengen sinnvoll für eine bessere Planung einsetzen. Eine genauere Prognose des Ausschussanteils etwa führt zu verbesserter Kapazitätsauslastung, Termintreue und geringeren Lagerständen.“ Wie in einem MES wie cronetwork von Industrie Informatik die vorhandenen Daten sinnvoll im Rahmen der Predictive Analytics eingesetzt werden können, beschreibt Taudes so: „Die in der Vergangenheit im MES erfolgten Aufzeichnungen zu Ausschuss, Maschinenausfall, Störungen und Produktqualität im jeweiligen Umfeld (Maschine, Personal, Umwelt, Material, Auftrag und Zeit) geben unter Einsatz geeigneter Methoden Aufschluss über Konstellationen, in denen diese Probleme gehäuft auftreten. Diese Muster werden bei der Vorhersage der Qualitätsmetriken bei künftigen Planungen angewandt.“

Dass Predictive Analytics kein neues Thema ist, weiß Industrie Informatik-Mitbegründer und Head of Strategic Product Management, Thomas Krainz, natürlich. Für ihn ist allerdings die
Herangehensweise entscheidend: „Unser Ziel war es, eine Out-of-the-box-Lösung zu entwickeln, mit der unsere User schnell, einfach und natürlich leistbar zu Ergebnissen kommen. Vor allem mittelständischen Unternehmen soll so der Umgang mit großen Datenmengen und damit der Zugang zu umfassenden Digitalisierungsmaßnahmen ermöglicht werden. Das ist im Bereich der Predictive-Themen keine Selbstverständlichkeit.“

Rasche Umsetzbarkeit

Der Weg zum markttauglichen Produkt führte über ein mehrjähriges Forschungsprojekt, an dem mehrere Instanzen maßgeblich beteiligt waren. Den theoretischen, wissenschaftlichen Zugang ermöglichte die Wirtschaftsuniversität Wien. Mit RISC Software konnte man zudem ein etabliertes und international anerkanntes Forschungsunternehmen gewinnen. Die gemeinsam gewonnenen Erkenntnisse wurden dann in Fallbeispielen von ausgewählten Kunden erarbeitet. Im Fokus stand die Erarbeitung möglicher Anwendungsfelder auf Basis vorhandener Daten, sowie die Ausarbeitung, Entwicklung, Erprobung und Bewertung von Algorithmen, Verfahren und Technologien zu Prognosezwecken.

„Das Ergebnis aus dem Forschungsprojekt ist einerseits ein Out-of-the-Box-Technologie-Stack, der sowohl in der Cloud als auch on-premises einsetzbar ist. Zudem haben wir ein Data Preprocessing-Modell entwickelt, das dem Anwender dabei hilft, Daten aus cronetwork MES im ersten Schritt zu bereinigen und aufzubereiten, bevor eine KI die laufende Bewertung und Interpretation der daraus gewonnenen Informationen vornimmt“, so Thomas Krainz. Dass all diese Vorgänge auf dem Standard-Datenmodell von cronetwork MES basieren, schafft für den User große Effizienzvorteile, die sich in der raschen Umsetzbarkeit der Predictive Analytics-Methoden niederschlagen.

Hinzu kommt die Verwendung des Random Forest Modells als Lern-Algorithmus, welches bekannt ist für schnelle Durchlaufzeiten und sehr gute Interpretierbarkeit der Ergebnisse. „Die meisten Daten sind bereits vorhanden, es fehlt lediglich an einer passenden Analyse und bedienergerechten Integration in den Planungsprozess“, so Uni-Professor Taudes. Neben den Prozessdaten könnten beim Qualitätsmangement auch textuelle oder visuelle Informationen relevant sein. „Hier stehen wir erst am Anfang der Analyse, insbesondere die Integration heterogener Datenbestände ist ein aktives Forschungsgebiet.“

Zuverlässige Prognosen

Krainz ergänzt: „Erfolgsentscheidend ist am Ende die Anpassung all dieser Technologien und Funktionen an die jeweilige Datensituation und vor allem die Erwartungshaltung der Kunden. Künstliche Intelligenz und Predictive Analytics sind keine Wunderheiler. Sie sind weder besser noch intelligenter in ihren Aufgaben als ein Mensch. Ihr Vorteil liegt in der Nachbildung von menschlichem Know-how – und das bei hoher Geschwindigkeit und außerdem rund um die Uhr. Daraus leiten sich viele Möglichkeiten ab.“

Konkret gemeint sind damit Prognosen zu relativen Ausschüssen und Arbeitsplatzstörungen in Folgeschichten sowie zu Qualitätsstati nach Fertigungsschritten. Alleine mit diesen Informationen könne man verborgene Einsparungspotenziale aufdecken und die Effizienz am Shopfloor massiv optimieren, so Krainz.