Alte Probleme mit neuen Technologien angehen

18. September 2019 Maciej Mazur & Lukasz Panusz

Für viele Unternehmen und Branchen sind digitale Technologien der Schlüssel zur Bewältigung diverser Herausforderungen. Es gibt Probleme, die so komplex sind, dass sie nicht durch herkömmliche, analoge Methoden gelöst werden können – nur digitale Lösungen bieten die nötige Rechengeschwindigkeit und -leistung.

Probleme, wie sie zum Beispiel in der Taguchi Methode aufgegriffen wurden. Der japanische japanischen Ingenieur und Statistiker Genichi Taguchi wirft Aspekte der Produktionsoptimierung auf. Hier wird klar: manche Fragen können nur mit modernen digitalen Technologien gelöst werden. Und wir bei PGS Software haben eine Antwort gefunden.

Was ist die Taguchi Methode?

Die Taguchi Methode ist eine Versuchsmethode, die von Genichi Taguchi in den fünfziger Jahren entwickelt wurde. Sie zielt vor allem auf die Minimierung der Streuung um den Sollwert ab. In der Praxis bedeutet das: durch die Anpassung bestimmter statistischer Werte kann ein Idealzustand erreicht werden, in dem 2 bis hunderte von Faktoren perfekt aufeinander abgestimmt sind. Während die Methode in vielen verschiedenen Branchen verwendet wurde, hat sie Ihren Ursprung im Bereich Produktion.

Die Einbeziehung von Verlustfunktionen ist ein wichtiger Bestandteil der Methode. Verlustfaktoren sind Werte, die negative Auswirkungen auf das Endprodukt haben können und damit einen Verlust repräsentieren. Ein Gleichgewicht ist dann erreicht, wenn solche Verlustfunktionen möglichst tief gehalten werden, ohne dass dabei eine andere Verlustfunktion erhöht wird.

Produktionsprobleme des 21ten Jahrhunderts

Ein Gleichgewicht zu finden, in dem Produkte, Prozesse und Systeme möglichst robust gestaltet sind, ist nicht einfach. Ein komplexer und kostenaufwendiger Produktionsablauf mag zum Beispiel zu Verlusten von Einnahmen führen. Gleichzeitig führt die Nutzung billiger Materialien zu qualitätsarmen Produkten, die sich wiederrum schlecht verkaufen lassen, was zu weiteren Verlusten führen kann. Diese Kriterien gilt es also so anzupassen, dass der Produktionsablauf vor Störfaktoren möglichst gut geschützt bleibt.

Solange es sich um eine Handvoll Parameter handelt, sind sie noch von Menschenhand anpassbar. Nehmen wir als Beispiel die folgende Illustration, in der drei verschiedene Parameter so angepasst werden, dass ein Idealzustand erreicht wird:

Mesh Twin Learning Parameters Chart

In diesem Beispiel stellt der rote Bereich die optimale Lösung dar. Bei drei Parametern noch ein überschaubarer Prozess. Was aber passiert, wenn wir einen vierten oder fünften Faktor hinzufügen? Oder sogar 100? Ein solches System ließe sich ohne Hilfe von High-Tech nicht nachvollziehen.

Mit der Steigerung der Nachfrage auf dem Markt und der Kundenbedürfnisse müssen Unternehmen ihre Produkte schneller als je zuvor produzieren. Zwar erleichtern Fließbänder und Servo-Systeme wie auch fortgeschrittene Maschinen den Produktionsablauf, doch die eigentlichen analytischen und reaktiven Methoden haben sich in den letzten Jahrzehnten kaum geändert. Mit der Taguchi Methode konnte die Problematik theoretisch definiert werden. Jetzt existiert endlich die Technologie, mit der diese Herausforderungen gemeistert werden kann.

Digitale Lösungen

Dank neuster Entwicklungen in der Cloud haben Unternehmen jetzt Zugang zu schnellen, reaktiven Lösungen, die fast vollständig unabhängig voneinander laufen können.

Kommen wir im Folgenden auf einige der wichtigsten Bedürfnisse zu sprechen, die durch neue Technologien erfüllt werden können.

Analytics

Bevor etwas verbessert werden soll, muss klar sein, was funktioniert und was nicht.

Produktionsunternehmen waren schon immer auf Daten angewiesen. Anfänglich genügte es zu wissen, wie viel man in einem bestimmten Zeitraum produzieren konnte und was das kostet. Doch in der heutigen, komplexen Marktumgebung, in der auf globaler Ebene eine immer größere Anzahl Zulieferer, Bestandteile, Produktionsprozesse und -elemente eine zunehmende Rolle spielen, sind hochwertige analytische Einblicke zum Schlüsselelement geworden.

Zwei Kriterien sind hierbei ausschlaggebend. Zum Einen, die richtige Datenerfassungsmethode. Viele Unternehmen nutzen traditionelle Methoden – was oft viel zu langsam ist. Verbesserungen können erst nach der umfangreichen Analyse der erfassten Daten umgesetzt werden, und zwischenzeitlich läuft der ineffiziente Prozess weiter. Hier zeigen sich die Vorteile von IoT deutlich – mithilfe des Internets der Dinge können Unternehmen Informationen spontan anfordern, und bekommen sie sortiert und formatiert geliefert.

Diese Technologie haben wir bereits in einem Projekt für einen Kunden in der Metallindustrie angewandt. Bilderkennungssysteme fotografieren Produkte und liefern den Mitarbeitern genauere Informationen über Produktionselemente, die nicht den neusten Standards entsprechen.

Zum Zweiten sind leistungsstarke Tools nötig, um folgende drei Aspekte zu ermöglichen:

  • Schnelligkeit – wenn wir Daten schon augenblicklich erhalten, warum nicht auch Einblicke, Zusammenhänge und andere Faktoren (wie die von Taguchi aufgeführten Werte)
  • Verarbeitung – die erhaltenen Informationen müssen genutzt werden können. Big Data-Technologien erlauben großangelegte Datenverarbeitung
  • Verständlichkeit – die Ergebnisse müssen in Form von optischem Feedback, Datenzusammenhängen oder direkten, automatischen Maßnahmen in einen nachvollziehbaren Rahmen gerückt werden

Dieser Vorgang wiederholt sich ständig. Wenn in einem Unternehmen ein Faktor geändert wird, führt das zu Änderungen in anderen Parametern. Um ein Gleichgewicht zu finden, sind fortschrittliche digitale Methoden nötig.

Digital Twins

Wir haben Digital Twins bereits in unserem Blog erwähnt – insbesondere im Rahmen von Industrie 4.0 – und gehen daher im Folgenden nicht auf Einzelheiten diesbezüglich ein.

Mit Digital Twins – virtuelle Nachbildungen physischer Prozesse oder Maschinen – können Unternehmen bewerten, analysieren und experimentieren, ohne dass dabei die eigentliche Produktion beeinträchtigt wird.

In modernen Unternehmen besteht ein wachsender Bedarf an Anpassungsfähigkeit. Digital Twin kann man recht gut auf übersichtliche Ebene nutzen, zum Beispiel für ein Produktionsnest, eine Produktionslinie oder eine Produktionsanlage. Aber was ist mit Prozessen, die auch in einer zweiten oder dritten Anlage angewandt werden und sich ähnlich verhalten?

Mesh Twin Learning

Die Antwort heißt Mesh Twin Learning (MTL). Bei dieser Lösung sind Digital Twin und fortgeschrittene Machine-Learning-Modelle in einem Netzwerk kombiniert, in dem verschiedene Werke miteinander verbunden sind. Dieses Netzwerk ist mit der Cloud verbunden. Dabei kann jedes einzelne Modell dennoch unabhängig voneinander betrieben werden.

Als Beispiel nehmen wir folgendes Szenario in Betracht: Ein Produkt wird in mehreren Fabriken hergestellt. Das Produkt ist in jeder Fabrik dasselbe, und wir wollen wissen, wie es am besten hergestellt werden kann. Jede Fabrik oder Produktionslinie verfügt über einen Digital Twin, der lokale Daten erfasst und analysiert, um wertvolle Einblicke zu erhalten. Wenn ein optimierter Ansatz gefunden wird, sendet die Fabrik dieses neue Modell in die Cloud. Dort lernen die Digital Twins der anderen Fabriken die bewährte Methode.

Es können natürlich auch Experimente im digitalen Raum geführt werden, um Abläufe kontinuierlich zu verbessern…

Experimente mit mehreren Werken

Wenn ein Unternehmen über mehrere Werke verfügt, in denen unter Verwendung derselben Prozesse die gleichen Produkte hergestellt werden, dann entsteht in der Cloud eine ideale Kontrollgruppe für Experimente. Genichi Taguchi erwähnt diesen Idealfall in seinen Ausführungen und nennt die darauf basierenden Optimierungen „experimentelles Design“.

Nehmen wir an, Ihr Unternehmen verfügt über drei Fabriken. Es besteht Verbesserungspotenzial, aber um zu optimieren, müssen verschieden Parameter ausprobiert werden. In einer Fabrik wird die Temperatur etwas geändert, in der zweiten die Materialmenge und in der dritten bleiben die Einstellungen gleich. So lassen sich die Änderungen richtig messen.

Die daraus entstehenden Verbesserungen können im gesamten Fabriknetzwerk umgesetzt werden. Diesen Prozess kann man so lange wiederholen, bis alle Parameter getestet und optimiert wurden, und nach und nach entsteht eine Fülle an anwendbaren statistischen Informationen. Das hätte den Herrn Taguchi beeindruckt.

Welche Probleme können wir lösen?

Theoretisch mag das alles ganz gut klingen, doch welche konkreten Anwendungen gibt es?

  • Kosten – Kann eine kostengünstigere Lösung verwendet werden, ohne dass dabei die Qualität oder andere Faktoren beeinträchtigt werden?
  • Umgebung – Ermöglicht eine Änderung der Bedingungen ein besseres oder schlechteres Produkt?
  • Material – Verbessern die Nutzung bestimmter Materialien oder ein anderes Verhältnis der Inhaltsstoffe das Endprodukte?
  • Zeitaufwand – Gibt es einen wenig zeitaufwendigen Ansatz mit weniger Schritten oder Prozesswiederholungen?
  • Volumen – Kann mehr auf einmal produziert werden?
  • Zykluszeiten – Können mehr Zyklen durchlaufen werden, oder hat dies Auswirkungen auf andere Bereiche? Wenn zum Beispiel die Produktion schneller und häufiger läuft, würde die übermäßige Nutzung von Maschinen dazu führen, dass sich die Temperatur oder die Umgebungsbedingungen ändern?
  • Qualitätskontrolle – Bei Qualitätsfluktuationen können historische Daten eingesehen werden, um die relevanten Parameter zu definieren. So können Probleme gezielt behoben werden.

Die oben genannte Anwendungsfälle sind nur die Spitze des Eisbergs: bei den vielen Komponenten für die Herstellung eines Fahrzeugs und der Arbeit in jeder Phase geht die Zahl der Parameter, die tatsächlich berücksichtigt werden müssen, in die Tausende. Eine digitale Lösung wie Mesh Twin Learning ist der einzige Weg, um all diese Methoden und Materialien zu bewerten und umsetzbare Erkenntnisse in einem vorteilhaften Zeitrahmen zu liefern.

Zusammenfassung

Die Produktionsbranche entwickelt sich ständig weiter und muss sich stetig anpassen. Daher suchen Unternehmen nach Lösungen, die mit den sich verändernden Anforderungen Schritt halten. Während Digital Twins und Analytics auf einer kleiner Ebene funktionieren, kann Mesh Twin Learning dazu beitragen, nicht nur Analytics, sondern auch automatische Anpassung auch auf umfassendere Ebene zu ermöglichen.

Wenn Sie mehr über eine dieser Lösungen erfahren möchten, lesen Sie unseren Blog oder folgen Sie uns auf Social Media.

Geschäftsperspektive

Mit Mesh Twin Learning können Hersteller Systeme einrichten, mit denen sich die Abläufe über unzählige Faktoren hinweg kontinuierlich verbessern lassen – von Kosten über Effizienz bis hin zum Verbrauch. All dies bietet zahlreiche Vorteile. Sobald eine Optimierung vorgenommen wurde, wird sie im gesamten Unternehmen etabliert und das Mesh Twin Learning-System sucht automatisch nach der nächsten Optimierung.

Quellen

Unsere Empfehlungen