Blog per Mail folgen

Damit Sie nie wieder Blog Posts von uns versäumen!

Visuelle Lösung für die Suche nach dem optimalen Prozess

BI_94928972.png

Neben den Daten, die sich aus dem Prozessverlauf ergeben – zum Beispiel Temperatur, Druck, Verarbeitungsgeschwindigkeit – geben auch die Produkteigenschaften selbst oft genug Hinweise darauf, wie sich eine hohe Qualität beim Endprodukt erreichen lässt. Ein Visualisierungsansatz gehört ganz oben in das Methodenrepertoire des Big-Data- Spezialisten.

Parallel Coordinates“ ist eine mächtige Visualisierungsmöglichkeit für Produkteigenschaften, die sich gut kombinieren lässt mit bekannten grafischen Aufbereitungen, beispielsweise Veränderungen über die Zeit, Linien- oder Punktdiagramme.

Durch die gleichzeitige Darstellung von bis zu 15 Parametern („Features“) und Aufzeigen von deren Zusammenhängen in einem Chart lassen sich schnell neue Erkenntnisse zwischen den verschiedenen Parametern und der Qualität des Endproduktes gewinnen.

ParallelsCoordinatesDemo.png

In diesem interaktiven Beispiel aus der Prozess-Industrie zur Produktion von Dialysefilter-Folien werden folgende Parameter verglichen:

  • Breite
  • Temperatur 1
  • Temperatur 2
  • Dicke
  • Lochabstand
  • Materialeigenschaft
  • Zuggeschwindigkeit
  • ID-Nummer
  • Filterwert

Sie können mit dem Cursor eine Achse markieren und dann den Auswahlbereich verkleinern und an verschiedene Positionen ziehen. Sofort werden nur noch die dazu passenden Treffer angezeigt, mit den Korrelationen, die ausschliesslich im gewählten Achsenbereich liegen. So lassen sich Zusammenhänge sehr schnell visuell nachvollziehen. Denn die Stärke der Korrelation zwischen den verschiedenen Eigenschaften wird durch die Linienkonzentration aufgezeigt.

Big Data für alle

Um solche komplexen Aufgabenstellungen zu bewältigen, empfiehlt sich der Einsatz eines externen Dienstleisters, der mit Big-Data-Methoden vertraut ist. Wir von der acs ag bieten mittelständischen und grossen Unternehmen einen Zugang zur datenbasierenden Prozessoptimierung, wie sie sonst nur von Konzernen zu leisten ist.

Senior Data Analyst Stefan Pauli hat im Rahmen vieler Projekte gute Erfahrungen mit der Analysemethode Parallel Coordinates gemacht. Für ihn ist sie ein gutes Mittel, um bereits am Anfang der Prozessanalyse bestimmte Korrelationen aufzudecken. Sie eignet sich stets, wenn man messbare Eigenschaften des Produktes in Relation setzen will, wie Gewicht, Grösse oder ähnliches. Dagegen sind unbearbeitete Zeitreihen aus diskontinuierlichen Prozessen, zum Beispiel Temperaturverläufe, wie sie in Batch-Prozessen vorkommen, nicht für diese Darstellung geeignet. Dafür empfiehlt sich die Batch-Analyse per Score Plot. Bei der Parallel-Coordinates-Methode könnte dagegen beispielsweise für Keramikherstellung die Eigenschaft „Höchsttemperatur des Sinterns“ eingetragen werden.

„In diesem Projekt zeigt sich, dass hohe Werte bei der Materialeigenschaft im engen Zusammenhang mit hohen Filterwerten stehen. Die Kunst besteht nun darin, bei schwankender Materialeigenschaft die Produktion mit Temperaturen und Zuggeschwindigkeiten so zu steuern, dass trotzdem konstante Filterwerte resultieren“, so der erfahrene Big-Data-Experte.

Einflussfaktoren für den optimalen Prozess aufspüren

Der Vorteil der Analysemethode Parallel Coordinates liegt darin, verschiedene Produktionsläufe zu vergleichen, um zu sehen, ob unterschiedliche Fahrweisen der Produktionsanlage zu unterschiedlichen Ergebnissen führen. Stefan Pauli erläutert: „Der direkte Vergleich verschiedener Abläufe zeigt auf einen Blick, welche Korrelationen es gibt. So lassen sich typische Einstellungen finden, die im Prozessverlauf immer wieder zu Fehlern führen. Ebenso können damit lange Produktionsstrecken untersucht werden, die eine Vielzahl an Einflussfaktoren aufweisen. Auch hier lässt sich schnell erfassen, was mit der gewünschten Zielgrösse korreliert – sei es die Qualität des Endprodukts, ein niedriger Energie-Verbrauch oder andere gewünschte Eigenschaften“.

Die Erkenntnis aus dem oben genannten Beispiel – der starke Einfluss der Materialeigenschaft auf die Filterwerte – zeigt zudem, dass die Optimierung nicht immer nur im Produktionsprozess selbst zu suchen ist, sondern dass auch auf andere Einflussmöglichkeiten, etwa die Zusammensetzung des Ausgangsmaterials, geachtet werden muss.

Unterstützung durch Visualisierung

Für den Daten-Analysten liegt der grösste Vorteil der Parallel-Coordinates- Methode darin, das „Sehen und Verstehen“ des Kundenprozesses zu fördern. Er muss aus den vorliegenden Daten ein Modell schaffen, das die Produktion realistisch abbildet und daher zu zuverlässigen Vorhersagen führt, wie sich andere Produktionsmethoden oder Abweichungen von Soll-Werten auswirken. 

Stefan Pauli nennt noch ein weiteres Beispiel, bei dem Parallel Coordinates zur Lösung beitragen können: „Wenn plötzlich ein Problem immer wieder auftritt, dann kann man über die historischen Daten schnell einen Vergleich starten zwischen den Produktionen, die ohne den Fehler abgelaufen sind, und den Produktionen, die problembehaftet sind. Auch hier ergeben sich oft neue Erkenntnisse aus dieser Analysemethode.“

Fazit

Wer sich auf den Weg macht, die Produktion mittels Big-Data-Analysen zu optimieren, muss sich unter Umständen mit einer hohen Komplexität auseinander setzen, die sich aus den unzähligen erfassten Daten und den verschiedenen Prozessschritten ergibt. Das Ergebnis am  Ende jedoch muss keineswegs komplex ausfallen – im Gegenteil. Nur wenn die Erkenntnisse des Data Minings auch handhabbar sind, sind sie auch ein gutes Ergebnis. Bei der Methode der „Parallel Coordinates“ steht am Ende ein Modellbildung, die auf die Visualisierung der gefundenen Korrelationen setzt.

„Auch die Produktionsingenieure, die ja keine Datenanalysten sind, können dadurch die Zusammenhänge leicht verstehen“, betont Stefan Pauli. Dadurch ergibt sich ein direkter Erkenntnisgewinn für die Produktion, da die Betriebsmannschaft konkrete Anhaltspunkte bekommt, wie der Prozess im operativen Betrieb zu steuern ist, um einen optimalen Verlauf zu nehmen.

Big Data Analytics