Ausgangssituation
Die kontinuierliche Vernetzung der realen und digitalen Welt ermöglicht Unternehmen im Sondermaschinenbau mit Kunden im Bereich Pharma oder Kosmetik den Zugang zu unzähligen verschiedenen Daten von Maschinen, Menschen und Objekten. Allerdings stehen viele Unternehmen derzeit vor der Herausforderung, dass ihnen die notwendige Erfahrung und die Herangehensweise fehlt, aus diesen Daten Wissen zu generieren.
Die Gesamtanlageneffektivität (engl. Overall Equipment Effectiveness, kurz OEE) einer Abfüll- und Verschließanlage bei einem Kunden von groninger ist durch häufige ungeplante Stillstandszeiten, produzierten Ausschuss und undefinierte Störungen der Maschine nicht optimal. Bereits heute können große Mengen an Daten von dieser Maschine erfasst und gesammelt werden. Jedoch kann aus den Daten allein kaum Wissen extrahiert werden, um die Stopps und Stillstandzeiten zu verringern und somit eine Erhöhung der Anlageneffektivität zu ermöglichen.
Zudem ist die Verknüpfung von Kundendaten und spezifischem Prozesswissen der Bedienenden für den Sondermaschinenbau schwer zu realisieren. Des Weiteren können durch die sehr heterogenen Anlagen keine standardisierten Parameter erfasst werden, welche die Datenauswertungen zusätzlich erschweren. Hierzu fehlt eine pragmatische Vorgehensweise.
Lösungsidee
Eine automatisierte Erkennung und Klassifikation von Störsituationen und Anomalien im Prozess kann die Maschinenverfügbarkeit erhöhen. Hierfür sollen Zusammenhänge und Auswirkungen von relevanten Daten in dem im Quick-Check-Projekt ausgewählten Betrachtungsgegenstand der Maschine mit einem definierten Störszenario analysiert werden. In diesem Fall sollen die Fehler während des Abfüllprozesses analysiert und klassifiziert werden. Die daraus abgeleiteten Erkenntnisse sollen anschließend mithilfe eines Machine Learning Modells abgebildet werden. Das Modell soll zukünftig Störszenarien der Abfüll- und Verschließanlage beim Kunden frühzeitig erkennen, klassifizieren und falls möglich, bereits detektieren, bevor diese auftreten. So sollen entsprechende Gegenmaßnahmen angestoßen oder Maschinenbediener frühzeitig und zielgenau informiert werden.
Nutzen
Die aufgezeigte Lösung ermöglicht bereits durch die gewonnenen Erkenntnisse aus der Datenanalyse ein besseres Verständnis für den Einsatz der Maschinen im realen Betrieb für den Hersteller. So können ausgelieferte, sich im Betrieb befindende Maschinen, wie auch zukünftige Maschinengenerationen um neue Funktionalitäten wie bspw. Vermeidung von Fehlern und Stillständen durch entsprechende Hinweise und Warnungen vor deren Auftreten erweitert und hierdurch die OEE gesteigert werden. Des Weiteren kann der Maschinenbediener im Fehlerfall durch Schulungen oder geeignete Maßnahmen wie z. B. zusätzliche situationsabhängige Informationen oder Anleitungen unterstützt werden, um den Fehler schneller zu identifizieren und zu lösen.
Weiterhin werden die Mitarbeitenden des Projektes dazu befähigt, KI in der Praxis anzuwenden und neue Lösungen zu entwickeln.
Umsetzung der KI-Applikation
Zu Beginn des Projektes lagen die Herausforderungen darin, dass keine Daten und kein Prozesswissen der Anlage vorhanden waren, da sich die Anlage beim Kunden befindet. Des Weiteren konnte aus einer reinen Datenanalyse der beim Kunden gesammelten Daten kein Anwendungsfall zur Verbesserung der OEE abgeleitet werden.
Aus diesem Grund war der erste Schritt im interdisziplinären Projektteam Verständnis für den gesamten Maschinenprozess aufzubauen, um anschließend den Betrachtungsgegenstand auf eine konkrete Störsituation, welche die OEE mindern, einzugrenzen. Im nächsten Schritt konnte mithilfe von Domänen- und KI-Expertise erörtert werden, welche Kriterien die Störsituation beeinflussen und geeignete Variablen identifizieren werden. Hieraus konnte wiederum der Anwendungsfall gestaltet und die relevanten Daten festgelegt sowie deren erwartete Veränderung im Fehlerfall beschrieben werden.
Im weiteren Projektverlauf galt es die gesammelten Daten näher zu betrachten. Zu diesem Zweck wurden die Daten zuerst beschrieben und ungeplante Stillstände der Maschine in Störsituationen untersucht, um die relevanten Variablen für den Prozesszustand zu definieren. Deren Zusammenhänge wurden anschließend mithilfe einer Korrelationsmatrix und grafischen Auswertungen bestimmt. Bevor ein Machine-Learning-Modell erstellt werden konnte, mussten die Daten ausgewählt, bereinigt und deren Qualität durch Prozessverständnis gegengeprüft werden. Für das ML-Modell wurde der Klassifizierungsalgorithmus »RandomForestClassifier« aus dem Python-Paket scikit-learn verwendet, welches mittels einer Confusion Matrix evaluiert wurde. Durch das ML-Modell konnten so teilweise Fehler im Prozess klassifiziert werden. Allerdings müssen für eine genauere Klassifizierung oder für eine Vorhersage größerer Datensätze, aufwändigere Datenvorbereitungen und zusätzliche Variablen mit aufgenommen werden.
Jedoch konnten bereits durch die Datenanalyse die Hauptursachen für die Störsituation erkannt und durch einfache Maßnahmen wie Schulungen der Maschinenbediener abgestellt werden. Hierdurch konnten eine verbesserte OEE von ca. 5% erzielt werden.
Fraunhofer-Gesellschaft | KI-Fortschrittszentrum »Lernende Systeme und Kognitive Robotik«
