Wie funktioniert Data Mining in der Produktion?

In der produzierenden Industrie gibt es oft Produkte oder Prozesse, die einen wesentlich höheren oder geringeren Verbrauch als der Durchschnitt erzeugen. Was verursacht diese Ausreißer? Durch welche Parameter werden diese beeinflusst?

Ausreißer mit einem höheren Energieverbrauch als der Durchschnitt sollten möglichst vermieden werden – sie treiben die Energiekosten unnötig in die Höhe. Dagegen können Ausreißer mit einem geringeren Verbrauch als Best Practice dienen, um zukünftig effizienter zu produzieren.

Das Ziel dieses Ansatzes ist es, Prozessparameter, wie Umdrehungszahl, Geschwindigkeit oder Temperatur, zu optimieren. So können die Verbräuche zukünftig in Richtung der Best Practices reduziert werden.

In der Praxis hat sich gezeigt, dass es Unternehmen häufig schwerfällt, diese Einflussgrößen zu identifizieren.

Für eine Optimierung sind verschiedene Analysen notwendig, bei denen es sich um typische Disziplinen des Data Minings handelt.

Was ist Data Mining?

Unter Data Mining versteht man die Anwendung von statistischen Methoden und Algorithmen auf große Datenbestände. Das Ziel ist es, Regelmäßigkeiten, Gesetzmäßigkeiten und Zusammenhänge zu erkennen. Die Datenbestände werden auf Grund ihrer Größe meist computergestützt verarbeitet.

Typische Aufgabenstellungen des Data Minings sind folgende:

• Cluster-Analyse
• Klassifikation
• Ausreißer-Erkennung
• Regressions- und Korrelationsanalyse
• Assoziationsanalyse

Wir stellen den Data Mining-Prozess in der Produktion anhand des Beispiels „Lackierprozess in einem Ofen“ vor. Für unseren Fall wurden die Ausreißer-Erkennung, Clusteranalysen sowie Korrelationen genutzt, um die Daten aus der Produktion zu analysieren.

Bild 1: Data Mining-Prozess in der Produktion

Für die Durchführung der Analysen wird eine spezielle Energiemanagement-Software eingesetzt, die alle relevanten Daten erfasst und über die nötigen Algorithmen verfügt.

Echtzeitdaten sind hierfür nicht nötig, die Energie- und Prozessdaten sollten jedoch in einem hohen Detailierungsgrad und möglichst lückenlos vorliegen. Eine automatisierte Erfassung bietet sich deshalb an.

Die Ausreißer-Erkennung zeigt, wo sich ein genaueres Hinschauen lohnt

Die Ausreißer-Erkennung zeigt in unserem Beispiel die Streuungen der spezifischen Gasverbräuche einzelner Produkte. Sie wird mit Hilfe eines Boxplott-Diagramms visualisiert.

Die gestrichelte, schwarze Linie wird Whisker genannt und zeigt Minimum und Maximum der Daten an. Die graue Box zeigt dabei den Bereich an, indem die mittleren 50% der Daten liegen.

Wenn Produkte hier eine große Streuung aufweisen, lässt das auf Optimierungspotenziale schließen: Wenn Ausreißer mit einem höheren Energieverbrauch langfristig vermieden werden können, kann das eine erhebliche Senkung des Energieverbrauchs bedeuten.

Weitere Analysen leiten sich hieraus ab. Die Untersuchungen bauen aufeinander auf und gewinnen Schritt für Schritt aus den Daten Handlungsempfehlungen.

Bild 2: Das Boxplott-Diagramm zeigt die Streuungen der spezifischen Gasverbräuche einzelner Produkte.

In unserem Beispiel sollte eine Analyse der Parameter beim Lackierprozess von Produkt C durchgeführt werden. Hier schwankt der Gasverbrauch erheblich. Hier liegen nicht nur Minimum- und der Maximum weit auseinander (siehe Whisker), auch der durchschnittliche Verbrauch (siehe Box) schwankt mehr als bei den anderen Produkten.

Was hat diese Schwankungen verursacht?

Cluster-Analysen bringen zusätzliche Erkenntnisse über das Optimierungspotenzial

Die oben dargestellten schwankenden Verbräuche unseres Produktes lassen sich in Gruppen einteilen. Mit Hilfe einer Cluster-Analyse haben wir unser Produkt nach der Höhe des spezifischen Gas-Verbrauchs in die Cluster C1 (geringer Verbrauch) bis C5 (hoher Verbrauch) eingeteilt.

Bild 3: Cluster-Analyse des Produktes C nach Gasverbrauch.

Das Diagramm zeigt, dass die Gruppen C3-C5 einen höheren Ausschuss-Anteil aufweisen als C1 und C2. Hier steigt mit dem Gasverbrauch auch die Ausschussproduktion.

• Aufträge des Cluster C1 waren besonders effizient. Welche Parameter wurden hier benutzt?
• Dagegen waren die Aufträge aus dem Cluster C5 nicht effizient und haben zu 100% Ausschuss geführt. Welche Parameter beeinflussen den Prozess?

Bild 4: Gegenüberstellung der Parameter der Cluster C1 und C5

Unsere Erkenntnis: Diese Parameter sind verantwortlich für die in Bild 2 gezeigte Streuung.

Die effizientesten Parameter können nach einer Machbarkeits-Prüfung als Best Practice definiert werden – sie stellen die optimale Einstellung der Parameter dar. 

Dank der vorangegangen Ausreißer-Analyse können wir die geschätzten Aufwände für eine Optimierung auch direkt mit dem Einspar-Potenzial vergleichen. Die Cluster-Analyse zeigt zusätzlich das Potenzial durch Qualitätssteigerung.

Korrelationen zeigen beeinflussende Parameter

Sollen oder können die Daten nicht auf der Produktebene untersucht werden, können Korrelationen dabei helfen, die Prozesse effizienter zu gestalten. Das kann beispielsweise der Fall sein, wenn die entsprechenden Daten nicht vorhanden sind oder Prozesse unabhängig von den Produkten optimiert werden sollen.

Die Analysen zeigen, an welchen „Stellschrauben“ gedreht werden muss, um den Energieverbrauch zu reduzieren: Durch Korrelationen zwischen bestimmten Prozessparametern können wir Verbrauchstreiber erkennen.

In unserem Beispiel zeigt die Analyse, dass weder das Materialgewicht noch die Durchlauf-Geschwindigkeit einen signifikanten Einfluss auf den Energieverbrauch haben. Ganz anders sieht es bei der Länge aus.

Bild 5: Welche Produktionsfaktoren haben den größten Einfluss auf den Gasverbrauch?

Die kritischen Prozessparameter können dann genauer untersucht werden. Wann ist es möglich die Länge zu reduzieren?

Die Erkenntnisse der verschiedenen Analysen können nun zukünftig in die Produktionsplanung einbezogen werden, um die Effizienz nachhaltig zu erhöhen. Werden diese Analysen kontinuierlich in die Verbesserungsprozesse der Produktion einbezogen, ist es nachhaltig möglich die Qualität des Fertigungsprozess auf ein Optimum zu bringen.

Finden Sie das Thema genauso spannend wie wir? Diskutieren Sie mit! Schreiben Sie uns doch beispielsweise in die Kommentare, welche weiteren Anwendungsfälle Sie in der Produktion sehen.

Noch mehr Produktionskosten sparen

Data Mining in der Produktion ist einer von vier Ansätzen zur Senkung der Produktionskosten, die wir in unserem Whitepaper vorstellen. Dort wird jeder Ansatz in einer übersichtlichen Schritt-für-Schritt-Anleitung erklärt. Plus: Checkliste für alle 4 Ansätze.

Jetzt Whitepaper kostenlos downloaden und Kosten sparen.