Data Mining hebt den Wissensschatz der Produktion
Mittels „Data Mining“ lassen sich die gesammelten Informationen der Fertigung systematisch analysieren und Daten ausfiltern, die zusätzliche Wettbewerbsvorteile bringen.
Neben den eigentlichen Produktionsanlagen „gehören die im Rahmen der Informationsverarbeitung anfallenden Daten zu den wichtigsten Ressourcen im Unternehmen“, bestätigt Dr. Ralf Otte. Der Leiter des Data Mining Centers der Mannheimer ABB Kommunikations- und Informationsservices GmbH (ABB KIS) weiter: „Die während des Produktionsprozesses anfallenden Daten enthalten Informationen, welche Wettbewerbsvorteile und zusätzliches Rationalisierungspotenzial freisetzen können.“
Doch vielerorts werden im Unternehmen vorhandene Informationen nur unzureichend ausgewertet. Der Grund: Der wahre Nutzen dieser Daten offenbart sich erst, wenn sie entsprechend verknüpft und aufbereitet werden. Entsprechend setzt sich die Erkenntnis, wie Daten wesentlich besser verwendet werden können, unterschiedlich schnell in den einzelnen Branchen durch.
Gleichzeitig zeigen Studien führender Marktanalysten, dass die sorgfältige Datenanalyse für Unternehmen aller Branchen von hoher Bedeutung ist. Nach Meinung dieser Analysten gehört Data Mining zu den wichtigsten Innovationstechnologien, mit denen Unternehmen ihren Fortbestand sichern. Weiterhin gehen die Mannheimer Experten davon aus, dass schon in naher Zukunft die Hälfte der 500 größten Unternehmen diese Technik einsetzen wird.
„Die meisten Industrieunternehmen verfügen über hohe Datenbestände, die zur Verbesserung der Fertigungs- und Produktionsprozesse genutzt werden können“, weiß Ralf Otte. Erst die Anwendung von Data-Mining-Methoden schöpft den Wert aus den vorhandenen Daten und macht ihn für Optimierungsprozesse nutzbar.“ Neben der sorgfältigen Datenanalyse und dem Aufspüren von Informationszusammenhängen gehöre die richtige Interpretation der Ergebnisse zu den wichtigsten Schritten eines Data-Mining-Projekts.
Solche Projekte dienen der Verbesserung von Produktqualität, der Verkürzung von Entwicklungszeiten oder Rationalisierung der Produktion. Vor allem in der Prozessindustrie zeigen sich hervorragende Ansatzpunkte für erfolgreiches Data Mining. Ein Beispiel: Bei der verfahrenstechnischen Prozessführung werden typischerweise wesentliche Qualitätsparameter des Endproduktes nur stündlich im Labor gemessen. Dabei kann es sich zum Beispiel um die Festigkeit eines speziellen Grundstoffes oder die Viskosität eines Lackes handeln. Erst wenn bei den stündlichen Messungen Abweichungen festgestellt werden, wird korrigierend eingegriffen. Bis sich allerdings die Änderungen der Einstellparameter der Reaktoren auf die Qualität des Endproduktes auswirken, vergeht die prozessbedingte Totzeit. Hier setzt das Data Mining an: Mit seiner Hilfe werden in zahlreichen Produktionsanlagen schon heute Modelle zur Bestimmung aufwendig messbarer Größen genutzt. So lässt sich das Verhalten des Produktes direkt aus den Einstellparametern vorhersagen.
Doch nicht nur in der Prozess- sondern auch in der Fertigungsindustrie sorgt Data Mining für Vorteile. Beispielhaft hierfür ist die Vorausberechnung der zu erwartenden Lebensdauer von Lagern oder die Toleranzeinengung bei der Produktion von Türscharnieren für Kraftfahrzeuge. Im Rahmen eines vom Data Mining Center zusammen mit dem Automobilzulieferer Edscha AG in Remscheid durchgeführten Projektes sollte die Qualität der Türscharniere optimiert werden. Weil die Aufnahme aller qualitätsbeeinflussenden Messgrößen des vordergründig einfach erscheinenden Bauteiles zu aufwändig war, wurden nur die wichtigsten Parameter und deren Einfluss berücksichtigt. Mit Hilfe eines künstlichen neuronalen Netzes (KNN) gelang es, die wesentliche Produkteigenschaft in Abhängigkeit der Eingangsgrößen vorherzusagen. Für die Edscha AG verdeutlicht Dipl.-Ing. Markus Rasche, Projektverantwortlicher der Abteilung Manufacturing Planing, die Aussichten eines ersten KNN-Projektes: „Zusammen mit den Data Mining Experten von ABB haben wir auf Basis einer wissenschaftlichen Untersuchung mit umfangreichen Versuchsdaten das KNN-Steuerungskonzept entwickelt und in einem EDV-Simulationsmodell positiv getestet. In dem daraus resultierenden Pilotprojekt wurde eine automatische Montagelinie für Türscharniere installiert, bei der sich das Schwenkmoment durch ein KNN-Modell vorhersagen lässt.“
Dazu wurden toleranzbeeinflussende Parameter im Prozess gemessen, ihre hochkomplexen nichtlinearen Einflüsse auf die Zielgröße durch ein KNN abgebildet, um einen variablen Prozessparameter festzulegen, der als Steuergröße dient. „Die vorliegenden Ergebnisse aus der Testphase zeigen ein großes Verbesserungspotential durch diese Technologie und erlauben mit dem gesammelten Datenbestand den Aufbau einer Wissens-Datenbank für weitere Projekte“, freut sich Markus Rasche.
Aber auch im Umfeld der Elektronik und Halbleitertechnik zeigen sich Anwendungsmöglichkeiten von Data Mining. „In der Mikro- und Halbleiterelektronik ist die Bedeutung von technischem Data Mining enorm. Zur Vorhersage von Produktqualitäten, Zuverlässigkeit und Lebensdauer ist Data Mining in der modernen Chipproduktion nicht mehr wegzudenken“, beschreibt Prof. Karl Goser, Leiter des Institutes für Bauelemente in der Mikroelektronik der Universität Dortmund, die wachsende Bedeutung der Technologie. „Zur Optimierung der Ausschussrate werden wichtige Parameter wie beispielsweise die Dicke der Metallschichten, die Stärke der Dosierung und die Übergangswiderstände gemessen und zueinander in Korrelation gebracht. Mit Data-Mining-Methoden, wie z. B. neuronalen Netzen, werden die Messdaten interpretiert und daraus zuverlässige Vorhersagen über Qualität, Zuverlässigkeit und Lebensdauer der Endprodukte abgeleitet.“
Die Anwendungsmöglichkeiten von Data-Mining-Methoden sind allerdings derart vielfältig, dass die erfolgreiche Nutzung fast ausschließlich Experten mit entsprechendem Know-how übertragen wird. Rund ums Data Mining sind nicht weniger als 100 Softwaretools erhältlich, deren Bedienung durchaus komplex ist. „Dienstleister wie das Data Mining Center verfügen über die nötige Erfahrung, um beratende oder ausführende Leistungen zu erbringen“, so Ralf Otte.
Ein wesentlicher Faktor dabei sei die genaue Aufbereitung des vorhandenen Datenmaterials. Denn die Datenbereitstellung und –vorverarbeitung verursacht nicht selten 80 % des gesamten Projektaufwandes. Alle Fehler, die in diesem ersten Projektstadium womöglich entstehen, werden in die nächsten Phasen übernommen und verfälschen natürlich das Ergebnis. Um dies zu vermeiden, ist die Ausführung durch erfahrene Dienstleister ein wesentlicher Punkt. Doch obwohl Data-Mining-Projekte hohes Expertenwissen voraussetzen, rechtfertige das erzielte Ergebnis fast jeden Aufwand: „Am Ende eines solchen Prozesses stehen verbesserte Produktqualität oder verkürzte Designzyklen, mithin also erhöhte Wettbewerbsfähigkeit“, schließt Ralf Otte.
MICHAEL OSWALD/KIP
Ein Beitrag von:
