Anwendungsbeispiele

Die gestiegene Komplexität von modernen verfahrenstechnischen Anlagen und der Bedarf an Energie, Produktqualität, Umweltschutz, und Ausfallsicherheit erfordern neue Lösungen für die automatische Prozessführung und -optimierung.

Für die Prozessführung kommen häufig SCADA Systeme (supervisory control and data acquisition) zum Einsatz, die einem Operator über entsprechende Bedienfelder eine einheitliche Sicht auf die Anlage ermöglichen. Die Anlagenfahrer sind in der Regel verantwortlich für High-Level Prozessführungsfunktionen wie z.B. die Einschätzung von Prozesszuständen, die Auswahl von Betriebspunkten und Aktivierung entsprechender Fahrweisen, die Verwendung von Ressourcen, das Reagieren auf Störungen bzw. veränderte Anforderungen und Randbedingungen.

Die Entscheidungen des Anlagenfahrers basieren auf seinem Wissen über Prozesszustände, Prozessverläufe und den verfügbaren Steuer- und Eingriffsmöglichkeiten. Die Erfahrungen aus der Vergangenheit über historische Daten und Situationen spielen eine wesentliche Rolle bei der Prozessoptimierung.

Mit der ProDaMi-Suite lassen sich historische Prozessdaten analysieren und typische Prozesszustände und -verläufe identifizieren. Diese können sowohl für Prognosezwecke als auch zur Optimierung verwendet werden und so den Anlagenfahrer bei seiner Prozessführung unterstützen. Es können zum einen komplexe Systemeigenschaften extrahiert werden, z. B. in Form von Kennlinien. Zum anderen können wesentliche Prozessvariablen bzw. wesentliche dynamische Merkmale hinsichtlich des Einflusses auf Gütekriterien wie Produktqualität, Ausschuss oder Energieverbrauch automatisiert bestimmt werden. Numerisch effiziente Data-Mining-Algorithmen (z.B. Support Vector Machines) garantieren kurze Berechnungszeiten.

In der ProDaMi-Suite stehen dazu Methoden und Workflows in diesen Anwendungsklassen zur Verfügung:

• Anwendungsklasse 1: Analyse und Optimierung
  
• Anwendungsklasse 3: Kennlinienbasierte Prognose und Prozessführung

Moderne automatisierte Produktionsanlagen zeichnen sich einerseits durch eine wachsende Komplexität und Vernetzung, andererseits durch eine zunehmende Dynamik bedingt durch zufällige Störungen aus. Die Überprüfung der korrekten Funktionalität, die Fehlersuche, das frühzeitige Erkennen von drohenden Störungen und insbesondere die Diagnose und das Monitoring des zugrundeliegenden physikalischen Prozesses sind von entscheidender Bedeutung für das wirtschaftliche Betreiben komplexer Produktionsprozesse in der Industrie.

Das Grundprinzip der modellgestützten Diagnose technischer Systeme stützt sich dabei auf ein quantitatives mathematischen Modell des zu überwachenden Prozesses. Die Schwierigkeit bei der Realisierung solcher modellbasierten Diagnosesysteme liegt in der Erstellung des Prozessmodells. So ist es z. B. bei verfahrenstechnischen industriellen Prozessen oft nur mit großem Entwicklungsaufwand unter Einbezug von detailliertem Expertenwissen über die physikalischen Zusammenhänge des Prozesses möglich, ein robustes Prozessmodell zur Merkmalgenerierung aufzustellen. Eine Alternative zu den analytisch modellbasierten Methoden bieten datengetriebene lernfähige Modellansätze. In der Anwendungsklasse Performance und Condition Monitoring von verfahrenstechnischen Prozessen werden Methoden des maschinellen Lernens / Data Mining bereitgestellt, welche es ermöglichen, auf Basis von unüberwachten Lerndatensätzen geeignete Prozessmodelle zum Performance und Condition Monitoring zu generieren.

Die ProDaMi-Suite stellt für das Performance und Condition Monitoring verschiedene Funktionalitäten bereit:

• Unterstützung bei der datengetriebenen Modellierung komplexer verfahrenstechnischer Prozesse in der chemischen Industrie: Modellierung des Prozessverhaltens auf Basis historischer Prozessaufzeichnungen durch Methoden des maschinellen Lernens insbesondere für technische Prozesse mit langsam veränderlichem Prozessverhalten (quasi-statische Prozessdynamik)
• Erfassung von Prozesswissen durch strukturentdeckende Data-Mining-Methoden: Erkennung und Beschreibung von Prozessphasen in verfahrenstechnischen Produktionsanlagen durch strukturentdeckende unüberwachte Lernverfahren
• Online-Monitoring und Diagnose des Prozessverhaltens: Nutzung der datengetriebenen Modelle zum Monitoring des Prozessverhaltens, Überwachung der Prozessparameter, Erkennung von schleichenden Veränderungen der Betriebspunkte. Diagnose von Fehlern, Komponentenausfällen und Lokalisierung (FDI) Typische Anwendungsgebiete sind kontinuierliche Prozesse in der chemischen / pharmazeutischen Industrie.

Diese Prozesse sind insbesondere durch die folgenden charakteristischen Eigenschaften gekennzeichnet:

• Kontinuierliche langandauernde Prozesse für eine Produktvariante, z. B. Kolonnenprozesse
  • Beispiele: Großindustrielle Herstellung von Grundstoffen für z. B. Lacke, Pharmaprodukte, etc. Neben diesen chemischen Großanlagen werden in der Anwendungsklasse auch Batchprozesse in der chemischen / pharmazeutischen Industrie behandelt.

Dabei konzentriert sich die Anwendungsklasse auf folgende Prozesse:

• Batchprozesse zur Herstellung qualitativ hochwertiger chemischer und pharmazeutischer Produkte in Universal-Batchreaktoren
  • Beispiele: Grundstoffe für Pharmaprodukte, Impfstoffe, Pflanzenschutzmittel, etc. Anwendungsklasse 2: Performance und Condition Monitoring

Sowohl in der Entwicklung neuer Produkte als auch in der Optimierung von Produktionsprozessen ist es notwendig, mit Hilfe systematischer Experimente den Einfluss kontrollierbarer Parameter (z. B. Eigenschaften von Rohstoffen, Prozess- und Maschinenparameter) auf bestimmte Zielgrößen quantitativ zu bestimmen. Als Zielgrößen kommen dabei alle messbaren Eigenschaften des betrachteten Produktes oder Prozesses in Frage, insbesondere Qualitäts- und Effizienzeigenschaften.

Die Palette möglicher Parameter ist sehr breit und reicht von Einstellungen der Produktionsanlage bis zu den Eigenschaften der Ausgangsmaterialien für das Produkt. Meistens gibt es kein hinreichend genaues physikalisches Modell, das die Abhängigkeit der Zielgrößen von den Parametern mittels mathematischer Gleichungen beschreibt. Man ist daher gezwungen, ein solches Modell empirisch anhand von Messdaten zum Beispiel mittels Data-Mining-Methoden zu bestimmen. Konkret muss also beispielsweise eine bestimmte Qualitätseigenschaft eines Produktes bei verschiedenen Einstellungen der Produktionsanlage gemessen werden.

Es ist klar, dass man hierbei aus Aufwands- und Kostengründen die Anzahl der durchzuführenden Messungen möglichst niedrig halten will. Dem steht allerdings entgegen, dass grob gesprochen ein empirisches Modell umso höhere Qualität hat, je mehr Messdaten in das Modell einfließen. Hier setzt nun das Werkzeug der statistischen Versuchsplanung (englisch Design of Experiments / DoE) ein: Mit ihrer Hilfe kann bei vom Anwender vorgegebener Anzahl von Experimenten ein Modell bestimmt werden, das innerhalb der Klasse aller empirischen Modelle, die auf der vorgegebenen Anzahl von Versuchen basieren, optimal ist. Dies geschieht durch eine geeignete Festlegung der durchzuführenden Experimente, also der bei jedem Experiment zu betrachtenden Werte der Kontrollparameter. Die Versuchsplanung hilft so, den Konflikt "Kosten gegen Modellqualität" in den Griff zu bekommen.

Der Erfolg einer Versuchsplanung hängt wesentlich von einer sorgfältigen Analyse des vorliegenden Systems ab: Fragen wie "In welchen Bereichen können die kontrollierbaren Parameter überhaupt variieren?" und "Welche Kombinationen von Anlageneinstellungen sind sinnvoll?" müssen vorab präzise beantwortet werden. Hierzu sind klarerweise Experten aus dem jeweiligen Bereich gefragt. Die mathematische Basis der Versuchsplanung ist zwar komplex, kann aber durch entsprechende Softwareunterstützung soweit vom Anwender ferngehalten werden, dass die Methodik sicher und zügig auch ohne tiefe statistisch/mathematische Vorbildung erlernbar ist.

In der ProDaMi-Suite werden dazu in der Anwendungsklasse Analyse und Optimierung entsprechende Workflows und Methoden zur Verfügung gestellt:

• Anwendungsklasse 1: Analyse und Optimierung

Stammdaten stellen ein wichtiges unternehmerisches Kapital dar. Alle wesentlichen betrieblichen Abläufe benötigen aktuelle und qualitativ hochwertige Daten. Ob dies nun die Kundendaten betrifft, die vom Vertrieb im CRM-System verwaltet werden, oder die Unternehmensressourcen wie Maschinen, Transportmittel, Werkzeuge etc., sowie Produkte und Prozesse, die im ERP-System abgelegt und gepflegt werden. Erst gepflegte, aktuelle Stammdaten schaffen die Voraussetzung, im Vertrieb aktuelle Produktionskapazitäten zu berücksichtigen und umgekehrt in der Produktion den realen Bedarf des Vertriebs ins Kalkül zu ziehen. Die Qualität der Stammdaten ist eine wesentliche Grundlage für unternehmerischen Erfolg. Hohe Datenqualität schafft die Voraussetzung für fundierte Entscheidungen.

Kleine und mittelständische Unternehmen verfügen häufig nicht über ein zentrales ERP-System, in dem alle fertigungsrelevanten Daten abgelegt sind, aber auch in Großunternehmen ist das Wissen oftmals auf verschiedenste Quellen wie Excel-Tabellen, Word-Dokumente, EDV-Systeme zur Qualitätssicherung, Prozessführung, Leitsysteme und nicht zuletzt auf die Köpfe der Mitarbeiter verteilt. Im Bereich der Produktionsplanung und Fertigungssteuerung können schlecht gepflegte, fehlerhafte Stammdaten dazu führen, dass die Planungsergebnisse nicht in der Produktion umgesetzt werden können. Fehlerhafte Stammdaten können folgende gravierende Auswirkungen haben: Fehlproduktionen, falsche Produktionsmengen, falsche Terminaussagen, Falsche Kapazitätsaussagen, zu hohe oder niedrige Bestände, fehlerhafte Kalkulationen, falsche Kennzahlen im Berichtswesen, Unzufriedenheit beim Kunden und Lieferanten, etc.

Die Qualität der Planungsaussage hängt also maßgeblich von der Qualität der Stammdaten ab. Die manuelle Stammdatenpflege kommt im betrieblichen Produktionsalltag häufig zu kurz. Über Statistik- und Data-Mining-Methoden soll die Datenqualität von Bearbeitungs- und Übergangszeiten, Ressourcenanforderungen etc. durch automatisiertes Lernen aus dem Produktionsprozess verbessert werden. Das Ziel hierbei liegt darin, Änderungsvorschläge für die Stammdaten zu generieren, um mittelfristig mit korrekten, konsistenten, vollständigen, genauen und zeitaktuellen Stammdaten zu arbeiten.

In der ProDaMi-Suite werden dazu in der Anwendungsklasse Aktualisierung der Fertigungsstammdaten entsprechende Workflows und Methoden zur Verfügung gestellt:

• Anwendungsklasse 5: Aktualisierung der Fertigungsstammdaten

Viele Unternehmen der Fertigungsindustrie werden heute mit kleineren Auftragsgrößen bei steigender Produktvielfalt konfrontiert, was zu einer Vergrößerung der Auftragsbestände in den Fertigungsbereichen führt. Durch die kundenseitigen Forderungen nach kurzen Lieferfristen und hoher Termintreue, verbunden mit den alltäglichen Änderungen und Störungen im Fertigungsablauf, verschärft sich die Aufgabenstellung der kurzfristigen Produktionsplanung und Fertigungssteuerung weiter. Oft fehlen Informationen über den aktuellen Fertigungszustand im ERP-System und die Unterstützung bei der Beurteilung von aufgetretenen Störungen hinsichtlich ihrer Auswirkungen auf die Terminsituation laufender und geplanter Aufträge ist unzureichend.

Aus diesem Grund haben sich neben den ERP-Systemen (Enterprise Resource Planning), die für das Unternehmensmanagement insbesondere für die Bereiche Finanz- und Rechnungswesen, Controlling, Personalwirtschaft, Einkauf, Verkauf und Marketing verantwortlich sind, ME-Systeme (Manufacturing Execution Systeme) etabliert. ME-Systeme haben das ganzheitliche Fertigungsmanagement zum Ziel. Während sich die Planung in ERP-Systemen im wesentlichen auf die im Rahmen der Materialwirtschaft erforderliche Bedarfsplanung sowie eine Grobkapazitätsplanung beschränkt, stellt die Feinplanung und steuerung der Fertigungsprozesse eine wesentliche Aufgabe von ME-Systemen dar.

Der Schwerpunkt liegt hierbei in der Planung und Belegungssteuerung der Ressourcen Maschine, Personal, Transportmittel und Werkzeuge und sollte heute auch die realistische Terminierung von Kundenanfragen umfassen. Durch die Feinplanung können die wesentlichen Zielkriterien wie Termineinhaltung, Durchlaufzeiten und Bestände optimiert werden. Dies setzt jedoch voraus, dass die erzeugten Prozesspläne der tatsächlichen Produktion möglichst gut entsprechen.

Zur Durchführung dieser Feinplanungsaufgabe sind sehr exakte und feingranulare Informationen erforderlich, die den Produktionsprozess möglichst genau beschreiben. Die Stammdaten aus der ERP-Welt reichen hierzu in der Regel nicht aus, wo mit durchschnittlichen Bearbeitungs- und Übergangszeiten gearbeitet wird und wesentliches fertigungstechnisches Wissen gar nicht abgebildet ist. Durch die Datenaufbereitung zur Feinplanung und steuerung können hohe Aufwände entstehen, die mittels Data-Mining-Methoden durch die automatische Generierung von erforderlichen Datenbausteinen drastisch reduziert werden können.

In der ProDaMi-Suite werden dazu in der Anwendungsklasse Aktualisierung der Fertigungsstammdaten entsprechende Workflows und Methoden zur Verfügung gestellt:

• Anwendungsklasse 5: Aktualisierung der Fertigungsstammdaten

In verschiedenen Branchen werden Produkte von den Herstellern in einer Vielzahl von Varianten angeboten. Man denke etwa an den Fahrzeugbau (PKWs, LKWs, Traktoren etc.), die Elektroindustrie (z. B. Haushaltsgeräte) oder die Spielwarenindustrie (z. B. Lego-Bausätze). Die Produktion ist dort stark modularisiert; Varianten werden durch die Kombination unterschiedlicher Typen von Modulen erzeugt. Im einfachsten Fall ist ein Modul ein Produktteil: Eine Metallschraube eines bestimmten Typs, ein Legostein einer bestimmten Form und Farbe. Komplexere Module bestehen aus Kombinationen von Produktteilen: Ein Zahnradsatz, der in verschiedenen Traktorgetrieben verwendet werden kann, oder ein Mahlwerk bestimmter Größe und Leistung für Kaffeebohnen.

Durch das Angebot individueller Produktkonfiguration wie z. B. im Fahrzeugbau wird teilweise auch die Vermarktung dieser Produktionsweise angepasst. Entsprechend steht die »richtige« Wahl der Menge verwendeter Modultypen im Zentrum verschiedener strategischer Fragestellungen: Das Erreichen einer hohen Marktabdeckung und das Erfüllen der Kundenwünsche stehen der Minimierung der Lager- und Produktionskosten gegenüber. Die Berücksichtigung der Struktur bestehender Produktionsanlagen bei der Festlegung neuer Produktfamilien ist ein weiteres Thema. Data Mining in den jeweiligen Produktions- und Kundendaten kann in diesem Kontext beim Entwickeln einer Strategie helfen: Beispielsweise erlaubt die Anwendung eines geeigneten Clusterverfahrens die Segmentierung einer Kundendatenbank in Gruppen von Kunden, die ähnliche Produktvarianten gekauft haben. Dabei wird Ähnlichkeit über die im Produkt verwendeten Module definiert und das Mindestmaß an Ähnlichkeit innerhalb einer Kundengruppe kann frei gewählt werden. Eine inhaltliche Interpretation der dann erhaltenen Segmentierung liefert in der Regel direkte Hinweise für die Beantwortung von Fragen der folgenden Art:

• Welchen Einfluss hat die Reduktion der Modulmenge um bestimmte Module auf Marktabdeckung und Erfüllbarkeit von Kundenwünschen?
• Kann mit einer kleineren Modulmenge eine ähnliche Variantenpalette angeboten werden?
• Welche Potentiale für neue Varianten besitzt eine konkrete Modulmenge?

In Verbindung mit einer grafischen Darstellung der Segmentierung erlauben Clusterverfahren ganz allgemein einen Einblick in die Struktur der meistens komplexen Kunden- oder Produktionsdatenbank.

Eine hohe Produktqualität sichert in hohem Maße die Wettbewerbsfähigkeit eines Unternehmens. Fehlerhafte Produkte sowie Produktrückrufe schmälern den Gewinn und schaden dem Unternehmensimage. Für die frühzeitige Erkennung versteckter Produktfehler bedarf es einer gezielten Analyse der Produktionsdaten hinsichtlich Qualitätsabweichungen. Unter Nutzung von Data-Mining-Methoden der PRODAMI-Suite sind Beziehungen zwischen einzelnen Kriterien wie Fehlerart, Fehlerort, Arbeitsschritt, eingesetztes Betriebsmittel, Bearbeiter und Schicht ermittelbar. Auf Basis dieser rechnergestützten Ergebnisses können ereignisabhängige Gegenmaßnahmen abgeleitet und getroffen werden.

Zusätzlich ermöglichen die Data-Mining-Methoden der PRODAMI-Suite qualitätsrelevante Fragestellungen über die gesamten Prozessketten eines Unternehmens zu beantworten. Mögliche Beispiele dieser Fragestellung sind:

• Tritt bei einem Produkt während des Gewährleistungszeitraums ein Defekt auf?
• Beeinflusst die Qualität gelieferter Bauteile oder Rohmaterialien einzelne Prozessschritte oder das Endprodukt?
• Ist bereits im laufenden Produktionsprozess die Qualität des Endprodukts voraussagbar?

Mit den entwickelten Data-Mining-Methoden sind die wesentlichsten Prozessparameter und deren Wechselwirkungen prozessabschnittsübergreifend identifizier- und beschreibbar. Weiterhin können über alle Prozess-Schritte Muster und Regeln erkannt sowie Modelle zur Qualitätsvorhersage erstellt werden.

Vorbeugende Wartungsmaßnahmen helfen, Maschinenstillstände oder Qualitätsmängel aufgrund sich verändernder Prozessparametern zu vermeiden. Durch gezielte Auswertung der von MES-Systemen online erfassten Produktionsdaten können frühzeitig Maschinenstillstände oder Verschlechterungen in der Bearbeitungsqualität prognostiziert sowie abnehmende Prüfmittelfähigkeiten oder sonstige Fehlerursachen erkannt werden. Die von der PRODAMI-Suite bereitgestellten Data-Mining-Methoden unterstützen die Instandhaltung, den großen verfügbaren Produktionsdatenbestand nach unterschiedlichen Kriterien und Einflussgrößen zu analysieren. Aufgrund der dabei zu berücksichtigenden Vielzahl möglicher Prozessparameter besteht zusätzlich die Möglichkeit, einzelne Parameter entsprechend ihrem Einfluss zu gewichten. Auf diese Weise erhält die Instandhaltung gezielt Hinweise auf durchzuführende Wartungsarbeiten, sodass die Anzahl von Ad-Hoc-Instandhaltungen zugunsten vorbeugender Wartungsarbeiten reduziert und der Personaleinsatz in der Instandhaltung besser geplant werden kann.