Durch Fehler klug

Selbst Qualitätsführer einer Branche können ihre Effektivität in der Produktion noch steigern und gleichzeitig Kosten senken. Eine Möglichkeit hierzu bietet der systematische Einsatz von Data & Analytics in der Fertigung, wie das Beispiel eines führenden Automobilzulieferers zeigt. Dessen Maschinen fallen im Laufe eines sehr komplexen Produktionsprozesses unvorhersehbar aus, wenn sich bestimmte Maschinenteile im Laufe der Zeit abnutzen. Das führt zu zeit- und kostenintensiven Verzögerungen im Fertigungsprozess, die sich aber durch den Einsatz von intelligenten Algorithmen im Rahmen von „Predictive Maintenance“ signifikant verringern lassen. „Dabei können durch eine Analyse von Sensor- und Betriebsdaten Fehlerursachen und Zusammenhänge identifiziert und zukünftige Ausfälle vorhergesagt werden. Vom Verschleiß bedrohte Maschinenteile können rechtzeitig vor dem Ausfall ausgetauscht werden“, erläutert Michael Bruns, Senior Manager Data & Analytics bei PwC Deutschland. „Das führt im Ergebnis zu höherer Maschinenverfügbarkeit, geringeren Wartungskosten und höherer Produktqualität.“

Um den Ausfallursachen auf die Schliche zu kommen, hat ein Team von PwC Data Scientists die von den betroffenen Maschinen produzierten Daten intensiv unter die Lupe genommen. Ein Unterfangen, das nur mit menschlichem Urteilsvermögen nicht möglich war, denn allein eine der betroffenen Maschinen des Automobilzulieferers liefert 6.500 Datensätze pro Sekunde und insgesamt 65 Millionen Datensätze pro Jahr. Um der Datenflut Herr zu werden, wurde ein System auf Basis von künstlicher Intelligenz eingerichtet, um die Daten zu sammeln, zu analysieren und nach ihrer Relevanz zu klassifizieren. „Mit diesem System konnten wir die Sensordaten im Detail auswerten und über Algorithmen hochdimensionale Muster identifizieren, die sich vor einem Werkzeugbruch in den Daten abzeichnen. Diese Muster können nun als Frühwarn-Indikatoren für Maschinenausfälle dienen und geben Aufschluss darüber, wann die Maschine gewartet oder ausgeschaltet werden sollte“, so Felix Gerdwilker, Data Scientist bei PwC Deutschland. „Ein weiterer wesentlicher Schritt ist es, anhand von qualifizierten Mustern in den Sensordaten zu verstehen, warum der jeweilige Fehler eingetreten ist, um ihn zukünftig vermeiden zu können.“

Das wiederum ist nur im engen Schulterschluss mit dem Wissen des Fachbereichs möglich, der als Ergebnis der Analyse eine Liste mit Fehlerzuständen und Zeitpunkten sowie den identifizierten Mustern als Voraussetzung für die Ursachenerkennung zur Verfügung gestellt bekommt. In einem nächsten Schritt lassen sich dann die Fehler im Einzelnen betrachten und entsprechende Maßnahmen zur Ursachenbekämpfung dafür ableiten.

Die Methodik hinter diesem Vorgehen lässt sich laut PwC-Experte Bruns auch auf andere Maschinen übertragen. „Für den Erfolg von Predictive Analytics muss das Unternehmen allerdings zunächst die Daten sammeln, damit eine anschließende intelligente Auswertung zu Produktivitätsgewinnen führen kann“, sagt er.

Bildnachweis: Creatas Video/GettyImages(2), Image Bank Film/GettyImages, Image Bank Film:Signature/GettyImages, Vetta Film/GettyImages(2) PwC(7)

Newsletter abonnieren

Mit dem Newsletter verpassen Sie keine Ausgabe der next: Das Magazin für Vorausdenker

Anmelden
Feedback

Sie möchten uns Feedback zu diesem Beitrag geben? Wir freuen uns auf Ihre Rückmeldung.

Feedback
Diesen Beitrag teilen

Hier können Sie den Beitrag über soziale Medien teilen.

Teilen