OEE Anomalieerkennung durch Maschinelles Lernen

Maschinendaten zählen in Unternehmen zu einem der am schnellsten wachsenden Bereiche des so genannten „Big Data“ – und aus einem Teil dieser Maschinendaten kann die OEE berechnet werden. Der wertvollste Teil der Daten entsteht, wenn diese nicht den Erwartungen entsprechen, wenn „Soll“ also ungleich „Ist“ ist. Dann wird in einer gut geführten Organisation der Eingriff des Managements erwartet. Wie schön wäre es also, wenn diese Anomalien in den großen Datenmengen automatisch erkannt und dem Menschen zur Prüfung präsentiert würden? Künstliche Intelligenz oder spezifischer das Maschinelle Lernen ist so weit, diese Nuss zu knacken.

Eine Anomalie ist etwas Besonderes

Sind Daten für die menschliche Verarbeitung gut aufbereitet, können Abweichungen von der eigenen Erwartung gut erkannt werden. Für den Menschen schlecht aufbereitet sind beispielweise Daten in einem Tabellenformat. Gut aufbereitet sind sie in einer – geschickt gewählten – Grafik, weshalb kein Tabellenkalkulationsprogramm auf Grafikfunktionalitäten verzichtet. In einer Grafik kann der Mensch gut Änderungen der Steigung oder eine Abweichung vom Zielwert erkennen.

Maschinen liefern ihre Daten auf einer Datenbank ab. Das ist die denkbar schlechteste Variante für den Menschen. Nicht nur, dass er häufig keinen Zugang zu den Sensor-Daten hat. Es handelt sich auch um ein schlecht überblickbares Tabellenformat. Darin eine Anomalie, also eine Abweichung von einem erwarteten Verhalten, Muster oder einer Struktur, zu erkennen, ist für den Menschen ein Ding der Unmöglichkeit.

Selbst wenn die Aufbereitung der Daten grafisch erfolgt, und so die Anomalie für den Menschen – mit seinem Verständnis für das erwartete Verhalten der Zeitreihe – erkennbar wird, haben wir bessere Einsatzmöglichkeiten der menschlichen Intelligenz als für die Rund-um-die-Uhr Überwachung von zeitlichen Datenserien.

Anomalieerkennung in der OEE

Eine Anomalieerkennung des OEE-Datenstroms kann auf zwei Ebenen erfolgen: Auf der Ebene der OEE selbst und auf der Ebenen der einzelnen Datenströme für Verfügbarkeit, Leistung und Qualität.

Als Beispiel für Anomalien auf der Ebene des OEE-Stroms kann folgende Messung dienen.

KI Beispiel 02
Bild: OEE-Datenstrom mit Anomalie

In unregelmäßigen Abständen sinkt die OEE. Es kommt nicht zu einem Verfügbarkeits-, jedoch zu einem Leistungsverlust. Es fällt also kein Datenpunkt mit einem Störgrund an. Ohne die Visualisierung würde das Produktionsmanagement den Verlust deshalb gar nicht bemerken. Menschen erkennen diese Anomalie in einer Grafik jedoch auch ohne dass sie formal beschrieben ist. Nur durch die Visualisierung wird sie sicht- und greifbar. Man kennt jedoch noch nicht die Ursache. Vergleicht man jetzt viele der Datenströme des Produktes über einen längeren Zeitraum, kann der Anomalie möglicherweise ein Muster und damit eine Ursachenvermutung zugeordnet werden.

Im laufenden Betrieb einer Fabrik gibt es eine endlose Zahl solcher möglichen Vorkommnisse:

  • Die OEE eines Produktes ist regelmäßig niedriger als die der anderen Produkte
  • Die Nachtschicht hat mehr Kurzstillstände als die Tagschichten
  • Die OEE ist von 13:00 bis 14:00 Uhr unabhängig vom Produkt niedriger als üblich
  • Die Anfahrkurve eines Produktes bis zur Kammlinie dauert länger als für andere Produkte

Durch das übliche Berichtswesen auf der Basis von Stückzahlen pro Schicht oder Stunde bzw. der OEE der Schicht bzw. des Auftrags gehen der weitaus größte Teil dieser Möglichkeiten der OEE-Optimierung verloren.

Doch wie kommt man an diese Produktivitätssteigerungspotentiale, ohne dass ein Mensch kontinuierlich die Datenströme beobachten muss?

OEE-Anomalieerkennung durch Maschinelles Lernen

Die Entwicklungen im Umfeld der künstlichen Intelligenz oder genauer des Maschinellen Lernens sind geeignet, automatisch Anomalien in großen Datenmengen und Datenströmen zu erkennen.

Maschinelles Lernen ist ein Oberbegriff für die „künstliche“ Generierung von Wissen aus Erfahrung: Ein künstliches System lernt aus Beispielen und kann diese nach Beendigung der Lernphase verallgemeinern. Das heißt, es werden nicht einfach die Beispiele auswendig gelernt, sondern es „erkennt“ alleine Muster und Gesetzmäßigkeiten in den Lerndaten.

Im Fachgebiet des Maschinellen Lernens sind eine Vielzahl von Algorithmen existent, die für den jeweiligen Einsatzzweck ausgewählt und trainiert werden müssen.

Wenn nun also die OEE-Daten in maschinenlesbarer Form vorliegen, ein korrekt trainierter und geeigneter Algorithmus sie auswertet und die erkannten Anomalien für den Menschen aufbereitet werden, eröffnen sich durch die Technologie ganz neue Möglichkeiten der OEE-Optimierung. Daran arbeiten wir. Seinen Sie gespannt auf unser erweitertes Produkt oee.ai.