OEE-Optimierung durch künstliche Intelligenz

Industrie 4.0 Anwendungen erzeugen große Datenmengen. Daten zu erfassen ist gut, diese Daten zu analysieren ist besser – und die Erkenntnisse umzusetzen am Besten. Mit oee.cloud haben wir die Hürde der einfachen und flexiblen Erfassung genommen. Die Daten visuell aufbereiten, so dass ein Mensch Muster erkennen kann, ist auch gelöst. Push Notifikationen zu erzeugen, wenn die OEE länger als X Minuten unter Y% liegt, funktioniert auch. Aber mit künstlicher Intelligenz geht da noch viel mehr…

Künstliche Intelligenz als Obergriff und maschinelles Lernen als spezifisches Teilgebiet entwickeln sich rasant. Die Methode ist effizient: Durch die permanente Verarbeitung von großen Datenmengen (Big Data) auf Basis statistischer Analysen lernt der Algorithmus sozusagen aus Erfahrung – mehr, schneller und besser – als der Mensch es kann. Dann lassen wir diese Arbeit doch den Computer machen.

Der Anwendungsfall der OEE-Analyse und -Optimierung ist prädestiniert für die Musteranalyse großer Datenmengen, die der Mensch nicht mehr überblickt:

  • Störgrundhäufigkeit in Abhängigkeit der Schicht
  • Rüstdauern in Abhängigkeit von den zu rüstenden Produkten
  • Verfügbarkeitsverluste in Abhängigkeit der Uhrzeit

Mit menschlicher Intelligenz und einer guten Datenaufbereitung eine graphische Analyse durchzuführen, fällt erfahrenen Anlagenbetreibern relativ leicht. Hier drei Beispiele aus unterschiedlichen Firmen:

Beispiel 1: Ein sehr unstabil laufendes Produkt. Nach dem Rüsten erreicht es nur mühevoll die Kammlinie und bevor es auf Leistung kommt, ist das Los schon fertig. Die OEE für diesen Auftrag lag bei 31,6%.

Beispiel 2: Ein grundsätzlich gut laufendes Produkt hatte während der Laufzeit von 9:30 Uhr bis 18:00 Uhr fünf größere Störungen.

Beispiel 3: Zwischen 1:00 Uhr und 4:00 Uhr nachts lief das gerüstete Produkt deutlich schlechter als die anderen Produkte auf der Anlage.

Künstliche Intelligenz sucht nach diesen Mustern und Ausnahmen jedoch rund um die Uhr und kann die Bedeutung der einzelnen Ereignisse im Gesamtkontext priorisieren – und dem Menschen zur Entscheidungsfindung verständlich grafisch aufbereiten.

Ein „Auffälligkeiten-Cockpit“ zeigt die Besonderheiten im Datenstrom an. Dieser Algorithmus lernt selbständig und wird dadurch über die Zeit immer sicherer in der Klassifizierung. Durch den Menschen wird bewertet, ob es sich um ein Ereignis handelt, was eine Ausnahme darstellte und deshalb nicht weiter verfolgt wird (z.B. Bauteile des Ersatzlieferanten hatten keine ausreichende Qualität), oder ob es zur Optimierung markiert wird.

Das ist der OEE-Verbesserungsprozess der Zukunft: Durch einen Algorithmus zahlen-, daten-, faktengetrieben und vom Menschen bewertet und mit seiner Lösungskreativität umgesetzt.

Die Technologie zur Erstellung eines „Auffälligkeiten-Cockpits“ ist vorhanden. Google hat Ende 2015 TensorFlow, seine Software für maschinelles Lernen, unter einer Open-Source Lizenz veröffentlicht. Seit dem hat sich das Werkzeug zum Marktführer in diesem Anwendungsgebiet entwickelt. Das TensorFlow-Framework kombiniert mit der Programmiersprache Python, welche z.B. mit der scikit-learn  ein Framework für maschinelles Lernen aufbietet, ist eine mächtige Programmierumgebung zur Lösung dieser Themenstellungen.

Gemeinsam mit unserem wissenschaftlichen Hochschulumfeld forschen und entwickeln wir an der OEE-Analyse durch künstliche Intelligenz – der algorithmusbasierten OEE-Optimierung. Sprechen Sie uns bei Interesse gerne an: info@ifp-aachen.de oder +49 (0)241/401 842 75.