Data Science in der Industrie 4.0

Am Dienstag fand ein ausgebuchtes Seminar rund um das Thema "Praktischer Einsatz von Machine Learning und Data Science im industriellen Umfeld" statt. Dazu haben wir die Data Science-Experten von unserer Partnerfirma LeanBI eingeladen. Wir haben unsere Highlights für Sie zusammengefasst.

Was ist überhaupt Industrie 4.0?

Mehr als 50% der Seminarteilnehmer hatten keine genaue Vorstellung davon, was I4.0 eigentlich ist. Dieses Phänomen haben wir schon an vielen Events und Messen beobachtet, weshalb wir für M&F eine eigene Definition von Industrie 4.0 gemacht haben. Für uns bedeutet I4.0 nicht Automatisierung und Vernetzung von Anlagen und Systemen. Das war Industrie 3.0! Was wirklich neu ist, ist die Verwendung von Web-Technologien im industriellen Umfeld. Insbesondere sind dies:

• Einsatz von Web-Technologien (WebServices, Cloud, IOT, HTML5, JavaScript, …)
• Bedienung (GUI) von Maschinen, Anlagen, Tools etc. über Webbrowser und Mobilgeräte
• Einsatz von datenbasierten Algorithmen (Data Science und Machine Learning)

All diesen Punkten gemeinsam ist, dass der Softwareanteil stetig steigt und dass professionelles Know-How für die Software-Entwicklung benötigt wird.

Wie zieht man einen Profit aus den Daten?

LeanBI hat im Seminar den spannenden Ansatz gebracht, bei Data Science Projekten immer beim Nutzen anzufangen. Es ist nicht das Wichtigste, einfach Daten zu sammeln. Noch wichtiger ist es, sich ein Ziel zu setzen, was man damit erreichen möchte. 

Folgende drei Nutzen können laut LeanBI mit Data Science generiert werden:

1. Prognose und Predictive Maintenance => Weniger Wartungs und Stillstandskosten
2. Kosten- und Prozessoptimierung => Besserer und effizienterer Einsatz der Ressourcen
3. Qualitätsverbesserung der Produkte => Stabilere Produktionsparameter und frühzeitige Erkennung von Anomalien 

Das Vorgehen: von Big Data zu Nutzen und Mehrwert

Während des Seminars wurde immer wieder betont: Daten sind nur Mittel zum Zweck und kein Selbstzweck. Deshalb ist es extrem wichtig, dass zuerst der Bedarf ermittelt wird und sogenannte „Painpoints“ festgehalten werden. Um von den Rohdaten zum eigentlichen Nutzen zu kommen, sind dann mehrere Schritte notwendig, welche von einem interdisziplinären Team bearbeitet werden müssen:

Bevor Sie die Daten sammeln, müssten Sie idealerweise bereits wissen, welchen Nutzen Sie damit erreichen möchten. 

Gratis-Tipp: Beziehen Sie den Kunden voll mit ein, aber richtig! Scheinbar wird dies in vielen Projekten zu wenig berücksichtigt.

Es ist auch möglich, durch Data Science neue (digitale) Business-Modelle zu generieren. Dies muss in der Regel von der Unternehmensführung aus getrieben werden. LeanBI hat dazu folgende Vorgehensweise vorgeschlagen:

Praxis-Beispiel: Geberit

Ich habe am Seminar ein konkretes Beispiel vorgeführt, wo wir gemeinsam mit unserem Kunden Geberit Nutzen aus den Produktionsdaten generieren konnten.

Dafür hat M&F Engineering zusammen mit Geberit und LeanBI einen Workshop gemacht, um mittels Rapid Prototyping die Produktionsdaten zu visualisieren und auszuwerten. Während dem Workshop haben wir Ideen gesammelt und bezüglich Nutzen und Kosten analysiert.

Daraus sind dann drei konkrete Projektideen entstanden, wovon M&F bereits zwei Ideen umgesetzt und in Betrieb genommen hat.

Predictive Maintenance

Bei einem Prüfstand muss regelmässig ein Verschleissteil ausgewechselt werden. Bis heute wurde dieses Kabel sicherheitshalber in einem fixen Intervall ausgetauscht.

Anhand der Analyse der Daten haben wir gesehen, dass beim entsprechenden Widerstandsmesswert der Widerstand mit dem Alter des Kabels ansteigt. 

M&F hat für die Online-Auswertung eine Web-Applikation entwickelt. Der Server greift dabei auf die Datenbank der Qualitätsdaten zu und berechnet aus den Widerstands-Messwerten automatisch, wann ein Wechsel des Kabels sinnvoll ist.

Die Software ist dabei so intelligent, dass sie automatisch aus der Signalform lernt und sich selbst kalibrieren kann. Sie detektiert ungewöhnliche Ereignisse wie z.B. Sprünge oder Trends in den Messwerten und generiert daraus Alarme.

Die Alarme werden über den Cloud-Dienst IFTTT versendet und können dann wahlweise als Push-Message, Email oder auch als Eintrag in eine Google Spreadsheets Tabelle versendet werden.

Produktionsoptimierung

Im Workshop haben die Teilnehmer festgestellt, dass es grosse Unterschiede gibt, wie die Bediener die Anlagen bedienen und die Prüflinge vorbereiten. Der Durchsatz variiert deshalb je nach Bediener um bis zu 20%!

M&F hat deshalb in die Analyse-Applikation ein Modul eingebaut, welches einen «Benchmark» für die Bediener errechnet. Daraus kann dann erkannt werden, welche Mitarbeiter noch Schulungsbedarf haben und welche Mitarbeiter sich eignen, um die Schulungen durchzuführen.

Besonders wichtig ist hier ein umsichtiger Umgang mit den Daten. So ist beispielsweise der Benutzer mit der schlechtesten «Performance» der Schichtleiter. Der Grund dafür ist, dass er immer bei Problemfällen geholt wird und dann die Tests wiederholt. Deshalb ist seine «Fehlerrate» natürlich höher als bei den anderen Mitarbeitern. Die Daten müssen also von erfahrenen Leuten ausgewertet, welche auch das Business verstehen und solche Zusammenhänge erkennen. Ebenso muss der Umgang mit den Erkenntnissen so gestaltet werden, dass die Mitarbeiter und Teams konstruktiv damit umgehen können und motiviert werden.

Wenn dank dieser Auswertung der Daten von den 20% zusätzlichen Fehlern nur 10% verhindert werden können, ergibt sich ein Einsparpotential von mehreren 10'000 bis 100'000 Franken pro Jahr! Hier wird also wirklich ein grosser und direkter messbarer Nutzen erzeugt.

Hier einige Eindrücke vom Seminar. Es freut uns, wenn Sie bei unserem nächsten Seminar auch (wieder) dabei sind!