Engpässe überwinden:Die Macht der Analytik in der Fertigung

Ruban Phukan, Mitbegründer und Chief Product and Analytics Officer bei Progress DataRPM, spricht über den uralten Kampf mit Engpässen und die Rolle von Pred...

Ruban Phukan, Mitbegründer und Chief Product and Analytics Officer bei Progress DataRPM, spricht über den uralten Kampf mit Engpässen und die Rolle von Predictive Analytics in der Fertigung.

Die Probleme im Zusammenhang mit Engpässen in der Fertigung sind gut dokumentiert. Von Produktionsverzögerungen, Überbeständen, erhöhtem Kundendruck und mehr können die Probleme, die durch eine plötzliche, unvorhergesehene Kapazitätsbeschränkung verursacht werden, für jedes Unternehmen in der Branche verheerend sein. Vor diesem Hintergrund spricht Manufacturing Global mit Ruban Phukan, ehemaliger Datenwissenschaftler von Yahoo und führender Mitarbeiter bei Progress DataRPM, über die Verwendung von Modellen für vorausschauende Wartung und wie sie dazu beitragen können, eine ausfallsichere Umgebung zu schaffen.

Dem Kern des Problems auf den Grund gehen

Als ehemaliges Mitglied des Yahoo-Datenanalyseteams ist Phukan mit den Komplikationen rund um die Nutzung von Big Data bestens vertraut. „Ich war Teil des ersten Data-Science-Teams, das vor vielen Jahren bei Yahoo gegründet wurde“, sagt er. „Die große Erkenntnis war, dass Data Science für große Organisationen sehr schwer manuell zu skalieren ist. Uns ist klar geworden, dass der einzige Weg, das Data-Science-Problem wirklich zu lösen und einen Mehrwert für ein Unternehmen zu schaffen, darin besteht, die Prozesse zu automatisieren, die hinter dieser Datenanalyse stehen.“

Als Nachfolger von Yahoo startete Phukan sein eigenes vertikales Suchmaschinengeschäft, indem er maschinelles Lernen nutzte, um das Nutzerverhalten zu verstehen, und sich insbesondere mit Predictive Analytics befasste. Nachdem er es weiterverkauft hatte, ging er mit seinen derzeitigen Mitbegründern ins Geschäft, wo er die Geschichte von ProgressDataRPM aufgreift und wie es unter anderem Fortschritte bei der Bewältigung von Engpässen macht.

„Als wir uns zum ersten Mal trafen, stellten wir fest, dass eine riesige Menge digitaler Daten generiert wurde, aber das Problem blieb dasselbe:Es kann nicht manuell gelöst werden. Es gibt einfach nicht genug Data Scientists. Selbst angesichts der riesigen Datenmenge, die Unternehmen daraus ziehen, rechtfertigt sie nicht den ROI“, sagt er.

„Also fingen wir an zu sagen:‚Können wir eine Plattform schaffen, die Data-Science-Prozesse nahtlos und automatisiert macht?‘ Wir wollten, dass Unternehmen in der Lage sind, Best Practices zu nutzen, sie auf ihre Probleme anzuwenden und in großem Maßstab zu lösen.“

Fortschritte beim maschinellen Lernen

Mit dem Fortschritt in der technologischen Leistungsfähigkeit des maschinellen Lernens konnten Phukan und seine Mitbegründer die schiere Menge an Daten und Informationen, die ihren Kunden zur Verfügung stehen, auf eine Weise bewältigen, die zuvor nicht möglich war. Für produzierende Unternehmen bedeutete dies vor allem, dass sie auch positive Auswirkungen auf Dinge wie die Produktionslinie haben konnten.

„Zum Beispiel hilft uns die Aktivierung von Dingen wie Sensoren, die normale Funktionsweise einer Maschine unter verschiedenen Betriebs- und Umgebungsbedingungen auf einer sehr detaillierten Ebene zu verstehen. Wir können dann beurteilen, wie sich dies auf die Gesundheit einer Maschine auswirkt und wie sich dies in Bezug auf die Effizienz auf die Produktionslinie auswirkt“, sagt er.

Durch die Bereitstellung einer automatisierten Pflanzenfarm, für die kein Datenwissenschaftsexperte erforderlich ist, hilft ProgressDataRPM großen Asset-basierten Industrien im Wesentlichen dabei, zwei Probleme zu lösen:Wie können ungeplante Ausfallzeiten minimiert und die Qualität und Effizienz ihrer Ergebnisse maximiert werden? Vermögenswerte. Dies alles geschieht über seine Software zur Vorhersage kognitiver Anomalien. In dem Moment, in dem es mit sensorbasierten Daten verbunden ist, erstellt es automatisch die normalen Betriebsbedingungen der Maschine. Es sucht dann nach Dingen, die von diesen Bedingungen abweichen, und erstellt eine Warnung, bevor potenzielle Probleme vorhergesagt werden, die auftreten könnten.

Es ist diese Fähigkeit, das Unbekannte vorherzusagen, von der Phukan glaubt, dass sie eine große Abkehr von früheren traditionellen Prozessen darstellt. „Wir müssen in der Lage sein zu untersuchen, warum Dinge in der Vergangenheit passiert sind, aber was noch wichtiger ist, wir müssen auch Dinge vorhersagen, die nicht passiert sind“, erklärt er.

Einfluss auf das Fließband

Einer der Schlüsselbereiche, die produzierende Unternehmen untersuchen müssen, sind die Prozesse, die sich auf das Geschehen in der Produktionslinie auswirken, insbesondere der Zeitpunkt der Qualitätskontrolle. „Wir haben beispielsweise mit einer Reihe von Herstellern in der Automobil- und Gesundheitsbranche zusammengearbeitet, und eine der größten Herausforderungen besteht darin, dass die Qualitätsprüfung am Ende des Herstellungsprozesses stattfindet. Sobald also eine ganze Charge eines Produkts hergestellt ist, werden die Tests durchgeführt, um festzustellen, ob es in Ordnung ist. Dies kann zu Ausschussraten von bis zu 75 % führen“, sagt Phukan.

Da die meisten Testsuite-Regeln nur auf der Grundlage früherer Erfahrungen geschrieben werden können, kann das Auftreten eines neuen Problems, das nicht berücksichtigt wurde, zu schwerwiegenden Problemen wie Produktrückrufen führen. Der Einsatz von Predictive-Analytics-Plattformen wird laut Phukan daher zur Norm werden. In der Tat ist dies etwas, das er bereits zunehmend in der Fertigung identifiziert hat.

„Wenn Hersteller mit uns sprechen, fragen sie, ob sie mithilfe von maschinellem Lernen unterwegs feststellen können, ob eine Charge fehlerhaft ist. Sie wissen, dass wir Dinge viel früher erkennen können, sodass sie den Prozess stoppen können, um Kosten und Verluste zu minimieren.“

Hat er dafür konkrete Beispiele in Aktion? „Wir arbeiten mit einem großen Telekommunikationsanbieter in Frankreich zusammen und sie hatten eine echte Herausforderung mit ihrer Set-Top-Box, von der man nicht annehmen würde, dass sie eine umfassende vorausschauende Wartung erfordert. Das Problem, das sie hatten, war, dass sie jedes Mal, wenn einer ausfiel, das Problem identifizieren und ersetzen mussten. Das ist natürlich zeit- und kostenintensiv. Es besteht auch ein enormes Risiko, Kunden zu verlieren“, sagt er.

„Wir haben proaktiv festgestellt, dass ein Drittel ihrer Boxen ein Problem hatte, was bedeutete, dass der Kundendienst anrufen und die Leute bitten konnte, ihre Box zu aktualisieren oder einen Ersatz zu schicken, bevor ein Fehler auftritt.“

Die Zukunft der Engpassanalyse

Hersteller werden immer mehr auf die Vorteile der maschinellen kognitiven Technologie eingestellt, die es ihnen ermöglicht, Anomalien zu identifizieren und möglicherweise einen Fachexperten hinzuzuziehen, um die Auswirkungen der Ergebnisse der Maschine zu bestimmen.

In der Tat diskutiert Phukan, wie AR, IoT, Garantien, hybrides Cloud-Computing und Blockchain ebenfalls zunehmend ihre Rolle spielen werden, aber es ist das Erkennen des Unbekannten, das seiner Meinung nach der Schlüssel sein wird. „Der Schlüssel ist nicht das, was bereits bekannt ist; Domänenexperten können damit großartige Arbeit leisten, aber die große Herausforderung ist das Unbekannte und was die Unternehmen als nächstes treffen wird. Das müssen wir verhindern, und das ist der Kern dessen, was die Fertigungsindustrie verändern wird“, schließt Phukan.