Flaschenhälse eliminieren: Analytics für Fertigungseffizienz nutzen

Ruban Phukan, Co-Founder und Chief Product and Analytics Officer bei Progress DataRPM, diskutiert den uralten Kampf mit Flaschenhälsen und die Rolle prädiktiver Analytics in der Fertigung.

Die Probleme rund um Flaschenhälse in der Fertigung sind gut dokumentiert. Von Produktionsverzögerungen, Überbeständen, erhöhtem Kundendruck und darüber hinaus – die durch eine plötzliche, unvorhergesehene Kapazitätsbegrenzung verursachten Probleme können für jedes Unternehmen in der Branche verheerend sein. Mit diesem Hintergrund sprach Manufacturing Global mit dem ehemaligen Yahoo-Datenwissenschaftler und Leading Light bei Progress DataRPM, Ruban Phukan, über den Einsatz prädiktiver Wartungsmodelle und wie sie helfen können, eine fehlersichere Umgebung zu etablieren.

Den Kern des Problems erreichen

Als ehemaliges Mitglied des Yahoo-Datenanalyseteams ist Phukan bestens vertraut mit den Komplexitäten rund um Big Data. „Ich war Teil des ersten Data-Science-Teams, das vor vielen Jahren bei Yahoo gegründet wurde“, sagt er. „Die große Lektion dort war: Data Science manuell für große Organisationen zu skalieren, ist extrem schwer. Wir erkannten, dass der einzige Weg, das Data-Science-Problem so zu lösen, dass es Business-Value schafft, darin besteht, die Prozesse hinter der Datenanalyse zu automatisieren.“

Nach Yahoo gründete Phukan sein eigenes Vertical-Search-Engine-Business, nutzte Machine Learning, um Nutzerverhalten zu verstehen – speziell Predictive Analytics. Nach dem Verkauf ging er mit seinen heutigen Co-Foundern ins Geschäft, wo er die Geschichte von Progress DataRPM aufnimmt und wie es Fortschritte macht – unter anderem bei der Bekämpfung von Flaschenhälsen.

„Als wir uns erstmals zusammenschlossen, erkannten wir, dass riesige Mengen digitaler Daten generiert wurden, aber das Problem blieb dasselbe: Es lässt sich nicht manuell lösen. Es gibt schlicht nicht genug Data Scientists. Selbst mit der enormen Datenmenge rechtfertigte der Wert, den Unternehmen daraus zogen, nicht den ROI“, sagt er.

„Also fingen wir an zu fragen: ‚Können wir eine Plattform schaffen, die Data-Science-Prozesse nahtlos und automatisiert macht?‘ Wir wollten, dass Unternehmen Best Practices nutzen, sie auf ihre Probleme anwenden und im großen Maßstab lösen können.“

Fortschritte im Machine Learning

Mit dem Fortschritt der technologischen Fähigkeiten von Machine Learning konnten Phukan und seine Co-Founders das schiere Volumen an Daten und Informationen, das ihren Kunden zur Verfügung steht, auf eine Weise adressieren, die zuvor nicht möglich war. Entscheidend für Fertigungsunternehmen: Sie konnten damit auch positive Auswirkungen auf Dinge wie die Produktionslinie initiieren.

„Beispielsweise helfen uns aktivierte Sensoren, die normale Funktionsweise einer Maschine unter verschiedenen Betriebs- und Umweltbedingungen auf sehr detaillierter Ebene zu verstehen. Wir können dann bewerten, wie dies die Maschinengesundheit beeinflusst und was dies wiederum für die Produktionslinie in puncto Effizienz bedeutet“, erklärt er.

Durch den Einsatz einer automatisierten Plant Farm, die nicht erfordert, dass jemand Data-Science-Experte ist, hilft Progress DataRPM großen asset-basierten Industrien, zwei Probleme zu lösen: Wie ungeplante Ausfallzeiten minimiert und wie Qualität und Effizienz der Asset-Ausgabe maximiert werden können. Dies geschieht über seine kognitive Anomalie-Vorhersage-Software. Sobald sie mit sensorbasierten Daten verbunden ist, erstellt sie automatisch eine Baseline der normalen Betriebsbedingungen der Maschine. Dann sucht sie nach Abweichungen von diesen Bedingungen, erstellt einen Alert und prognostiziert potenzielle Probleme.

Diese Fähigkeit, das Unbekannte vorherzusagen, sieht Phukan als majoren Bruch mit traditionellen Prozessen. „Wir müssen untersuchen können, warum Dinge in der Vergangenheit passiert sind – aber noch wichtiger: Wir müssen auch Dinge vorhersagen, die noch nicht passiert sind.“

Auswirkungen auf die Montagelinie

Ein Schlüsselbereich, den Fertigungsunternehmen untersuchen müssen, sind Prozesse, die beeinflussen, was auf der Produktionslinie passiert – speziell der Timing der Qualitätskontrolle. „Wir haben mit zahlreichen Herstellern in der Auto- und Healthcare-Industrie gearbeitet, und eine der größten Herausforderungen ist, dass der Qualitätscheck am Ende des Fertigungsprozesses stattfindet. Wenn also eine ganze Charge produziert ist, werden Tests durchgeführt, um zu prüfen, ob sie OK ist. Dies kann zu Ausschussraten von bis zu 75 % führen“, sagt Phukan.

Da die meisten Test-Suite-Regeln nur auf früherer Erfahrung basieren können, führt ein neues Problem, das nicht berücksichtigt wurde, zu ernsthaften Problemen wie Produktrückrufen. Der Einsatz prädiktiver Analytics-Plattformen wird daher, laut Phukan, zur Norm. Tatsächlich hat er dies bereits zunehmend in der Fertigung identifiziert.

„Wenn Hersteller mit uns sprechen, fragen sie, ob sie Machine Learning nutzen können, um unterwegs zu bestimmen, ob eine Charge defekt ist. Sie wissen, dass wir Dinge viel früher detektieren können, sodass sie den Prozess stoppen können, um Kosten und Verluste zu minimieren.“

Hat er konkrete Beispiele? „Wir arbeiten mit einem großen Telecom-Provider in Frankreich, der eine echte Herausforderung mit seiner Set-Top-Box hatte – nichts, wofür man schwerwiegende Predictive Maintenance vermuten würde. Das Problem: Jedes Mal, wenn eine ausfiel, mussten sie das Problem identifizieren und sie austauschen. Offensichtlich kostspielig in Zeit und Geld. Dazu großes Risiko, Kunden zu verlieren.“

„Wir identifizierten proaktiv, dass ein Drittel ihrer Boxen ein Problem hatte, sodass der Kundenservice anrufen und die Leute auffordern konnte, ihre Box zu aktualisieren oder einen Ersatz zu schicken, bevor ein Ausfall eintritt.“

Die Zukunft der Flaschenhals-Analyse

Hersteller werden zunehmend auf die Vorteile von Machine-First-Kognitiver Technologie eingestimmt, die es ihnen ermöglicht, Anomalien zu identifizieren und potenziell einen Subject-Matter-Experten hinzuzuziehen, um die Implikationen der Maschinenbefunde zu bewerten.

Tatsächlich diskutiert Phukan, wie AR, IoT, Garantien, Hybrid Cloud Computing und Blockchain alle zunehmend ihre Rolle spielen werden – jedoch fühlt er, dass das Detektieren des Unbekannten der Schlüssel sein wird. „Der Schlüssel ist nicht, was bereits bekannt ist; Domänenexperten können damit großartig umgehen. Die große Herausforderung ist das Unbekannte und was als Nächstes auf Unternehmen zukommt. Das zu verhindern ist der Kern dessen, was das Fertigungsspiel verändern wird“, schließt Phukan.