Stadt Lippstadt Aktuell

Spätestens seit dem Beginn der Automatisierung von Produktions- und Dienstleistungsprozessen hat jedes Unternehmen Datenbestände. Mit der Digitalisierung und dem Einsatz von mobilen Geräten steigt das Datenvolumen rasant und verändert die Produktion. Die zur Auswertung notwendigen Daten stehen vielen Unternehmen also bereits zur Verfügung. Diese zu finden und aufzubereiten stellt die weit größere Herausforderung dar. Es gibt viele meist historisch gewachsene Datenquellen und Systeme in der Produktion. Leider sind diese aufgrund ihrer Heterogenität wenig vernetzt.

Insbesondere für das Qualitätsmanagement sind viele Daten von großer Bedeutung: Prozessdaten, Nutzungsdaten aus sog. Smart Products, Kundenbewertungen im Internet, Fehlerdaten aber auch Reklamations- und Reparaturberichte.
Mittels Data Analytics wird aus diesen Daten Wissen, was zur aktiven Prozessbeeinflussung und somit zur Produktionsoptimierung genutzt werden kann. "Die Datenanalyse wandelt sich so von einer retrospektiv erklärenden hin zu einer proaktiv eingreifenden Funktion", so Prof. Dr.-Ing. Robert H. Schmitt vom Lehrstuhl für Fertigungsmesstechnik und Qualitätsmanagement im Werkzeugmaschinenlabor der RWTH Aachen, in seinem Vortag am Dienstag im CARTEC.
Fehler werden teilweise vorhersehbar und damit vermeidbar. Reaktionszeiten bei Problemen verkürzen sich so, dass im Idealfall ein echtzeitfähige Optimierung von Prozessen möglich wird.

Doch der Weg dahin ist nicht leicht und erfordert im Betrieb ein Team, welches sich aus den verschiedensten Bereichen zusammen setzt und oft auch externe Unterstützung. Beschäftigte müssen weitergebildet, geeignete Anwendungsfälle, Analysemethoden und Software-Tools ausgewählt werden.

Dass dies aber durchaus leistbar ist und sich auch für das Unternehmen am Ende lohnt, zeigten Dr. Olga Erohin und Martina Ringeln von der Firma Miele & Cie. KG in ihrem praktischen Anwendungsbeispiel auf. In ihrem Unternehmen wird an einem Text-Mining-Projekt gearbeitet, was auch hier der Verbesserung von Produktionsprozessen dienen wird vor allem aber der Fehlerdiagnose und dann Prognose. "So können wir vermeiden, dass beim Kunden die Waschmaschine ausfällt, indem der Techniker sich rechtzeitig meldet und beispielsweise gezielt Verschleißteile frühzeitig ausgetauscht werden", so Martina Ringeln, die das Projekt leitet.
Natürlich habe man große digitale Datenmengen, die bereits in der Produktion entstünden, intelligent werde das System dadurch, dass es durch die Daten, die in der Nutzungszeit der Produkte entstehen, ergänzt werde. Doch seien diese Datenbestände sehr heterogen: So rufe beispielweise der Kunde bei seinem Lieferanten an und berichte von ein einem "Schleifen oder Knattern", diese Diagnose werde schriftlich aufgenommen und mit anderen Begrifflichkeiten beschrieben. Zum Reparaturtermin beim Kunden angekommen, erfasse der Kundendienst erneut eine Diagnose, unter Umständen wieder mit anderen erweiterten Beschreibungen.

So entstehe eine Vielfalt von Informationen, die im Datenanalyseprozess reduziert werden müsse auf relevante Begriffe und Diagnosen. Auch seien nur solche Fehler aussagefähig, die in einer entsprechenden Häufigkeit auftreten. Nach dem Durchlaufen der entsprechenden Analyseverfahren sei aber immer die menschliche Fachkraft gefragt, die die Ergebnisse verifizieren müsse. "Nicht jeder Zusammenhang, der von einer mathematischen Methode erkannt wird, macht auch Sinn", betonte Dr. Erohion. Daher sei eine Plausibilitätsprüfung wichtig, damit nicht die falschen Schlüsse gezogen und umgesetzt würden.

Darauf wies auch Prof. Schmitt hin, als er sagte, dass die Häufigkeit von Badeunfällen zwar mit dem Konsum von Speiseeis korreliere, das eine aber ursächlich nichts mit dem anderen zu tun habe.

Zu dieser Meldung können wir Ihnen folgendes Medium anbieten: