TIBCO erforscht Fertigungsinnovation in der Anomalie-Ökonomie

TIBCOs Director of Digitalization Strategy, Alessandro Chimera, diskutiert, wie Hersteller Daten, KI und Automatisierung nutzen, um Systeme zu überwachen.

Die Art und Weise, wie wir Daten nutzen, um Fertigungssysteme zu überwachen und zu steuern, hat sich verändert. TIBCOs Director of Digitalization Strategy Alessandro Chimera zieht seine elektronischen Overalls an und lädt seine digitale Schmierpistole auf, um die Form der Anomalie-Ökonomie zu erklären, die das operative Leistungsmanagement leitet, und diskutiert alles von Digital Twins bis KI, Automatisierung bis menschlicher Überwachung.

Einige Teile der Fertigungsindustrie existieren noch so wie zu Beginn der 1900er Jahre. Wir brauchen immer noch Schmiermittel, Zahnräder und Schleifmaschinen neben Overalls und Teepausen. Diese Fundamente werden wahrscheinlich weit in die automatisierte autonome Zukunft hineinreichen, weil Menschen immer eine Rolle in der breiteren grundlegenden Erzählung spielen werden, die jede Fertigungsanlage betreibt.

Aber natürlich wissen wir, dass sich die Fertigung verändert hat. Im Laufe der ersten, zweiten und jetzt dritten industriellen Revolution haben wir dampfgetriebene Beschleunigung, Mechanisierung und jetzt IT-getriebene Automatisierung gesehen, die auf Fertigungsabläufe angewendet wurden, auf Weisen, die unsere Vorfahren nie für möglich gehalten hätten.

Wenn wir die hyper-kontrollierte Fertigungsanlage von morgen betreten, mit Digital Twins und Daten, die nun unseren physischen Maschinen und menschlichen Arbeitern beitreten, müssen wir uns fragen, wie wir Anomalieerkennung angehen sollen. Es ist ziemlich einfach, einen Einbruch oder Anstieg auf einem Graphen zu erkennen, der eine signifikante Messung berichtet, aber was tun wir, wenn es eine langsame Verschlechterung von Qualität oder Leistung gibt, die über einen Monat oder vielleicht länger passiert?

Geblendete menschliche Überwachung

Moderne Fertigungsanlagen arbeiten jetzt in einem Massenproduktionsmaßstab, der die Fähigkeit jeder einzelnen Person (oder sogar Gruppe) übersteigt, an jedem Punkt auf dem Shopfloor gleichzeitig präsent zu sein. In diesen Umgebungen können wir uns nicht auf menschliche Beobachtung verlassen, um uns das vollständige Bild zu liefern, das wir brauchen. In heutigen modernen Anlagen gibt es selten nur eine Variable zu verfolgen, es sind eher Hunderte oder Tausende von Variablen.

Wenn eine Produktionsanomalie sich „einschleicht“, kann sie unbemerkt bleiben, bis es zu spät ist und wir nichts mehr dagegen tun können. Wir müssen über neue Arbeitsweisen sprechen.

Eine Nadel im Heuhaufen der Fertigungsdaten

Wir wissen, dass industrielle Datensätze sehr groß und extrem komplex sind. Anomalien zu erkennen und vorherzusagen ist daher schwieriger als die Suche nach einer Nadel im Heuhaufen, da wir oft nicht wissen, wonach wir suchen. Aber das Erkennen einer Anomalie bedeutet Einsparungen, was sich wiederum in höheren Produktionsausbeuten niederschlägt – sowohl sofort als auch weiter down the line.

Viele Hersteller wissen, dass sie massive Datensätze haben, aber allzu oft sind diese Datenspeicher isoliert und über mehrere Systeme verstreut. Diese Streuung und Divergenz von Daten macht es schwer zu verstehen, wann eine Anomalie mit mehreren Datensystemen zusammenhängt oder mit verschiedenen physischen Produktionsphasen. Tatsächlich ist es manchmal notwendig, Daten von Produkten abzurufen, die bereits auf dem Markt sind und betriebliche oder funktionale Probleme gezeigt haben. Auf jeden Fall ist der erste Schritt, alle Ihre Datenquellen zu vereinen.

Heute arbeiten wir in einer Welt, in der Analytik ein fundamentaler Bestandteil moderner Fabriken wird; ein Trend, der durch die Entwicklung von Digital Twins unterstrichen wird, wo wir präzise, schnelle und intelligente Analytik anwenden müssen, um die prädiktiven Einblicke zu gewinnen, die diese virtuellen Maschinen bieten können.

Sobald Daten verfügbar und zugänglich sind, ist fortgeschrittene Analytik da, um zu analysieren, wonach zu suchen ist. Moderne Data-Science-Techniken helfen uns, versteckte Anomalien zu entdecken, die aufgrund der enormen Anzahl von Parametern, die Produktqualität beeinflussen können, nicht sofort verstanden werden.

Machine Learning und KI spüren Anomalien auf

Dies bringt uns in die Gegenwart. Wir sind nun an einem Punkt, an dem Machine Learning (ML) und künstliche Intelligenz (KI) ihren Weg in den Produktionsprozess finden.

Einige Hersteller haben ML zunächst genutzt, um ihre Marketinginitiativen zu verstehen, Kunden zu segmentieren und spezifische Aktionen auszulösen. In jüngeren Jahren haben jedoch progressivere und fortgeschrittenere Hersteller begonnen, den Nutzen von ML- und KI-Techniken zur Anomalieerkennung zu verstehen.

Ein Beispiel ist der Einsatz von Autoencodern, um aus Daten zu lernen. Ein Autoencoder ist eine künstliche neuronale Netzwerk-Intelligenztechnik, die im ML verwendet wird. Er wird verwendet, um aus unbeschrifteten Datensätzen zu kodieren und Merkmale zu lernen, was wir allgemein als unsupervised Learning bezeichnen.

Unsere Echtzeit-effiziente Fertigungszukunft

Durch Anwenden trainierter statistischer Modelle auf Echtzeitdaten ist es möglich, vorherzusagen, wann eine Anomalie auftreten wird. Dies treibt uns zu einem neuen Punkt effizienter Abläufe. All dies führt uns zu dem Punkt, an dem wir nun von der Reaktion auf eine Anomalie zur Vorhersage der Anomalie wechseln können – mit dem Vorteil erheblicher operativer Kostensenkungen. Wir reduzieren Kosten als direktes Ergebnis reduzierter Fehler- und Ausschussraten und Verhinderung ungeplanter Geräteausfallzeiten.

Hemlock Semiconductor (HSC) ist ein führender Hersteller, der Prozesskontrolle, vorausschauende Wartung und Anomalieerkennungslösungen nutzt, um seine Halbleiterfertigung zu straffen und zu kontrollieren.

Durch die Einführung von Near-Realtime-Alerting für einzelne Fertigungsprozesse können Mitarbeiter nun automatisch Schlüsselparameter mit vordefinierten Schwellenwerten, statistischen Regeln und optimalen Mustern vergleichen, die durch Machine-Learning- und KI-Methoden aufgedeckt wurden. HSC erhält automatisch generierte Alerts, sobald ein Prozess außerhalb akzeptabler Parameterbänder fällt, und benachrichtigt Fertigungspersonal, dass etwas ihre Aufmerksamkeit erfordert. Das Personal kann dann problemlos auf Daten zugreifen, um genau zu sehen, welche Variable das Problem verursacht haben könnte. Sobald diese Ursache-Wirkungs-Beziehungen identifiziert sind, ergreifen Teams Maßnahmen, um Prozessfehler zu verhindern.

All dieser Fortschritt führt uns letztlich in unsere Zukunft und die Zukunft unseres Planets. Da sich der Einsatz von Digital Twins in Einklang mit der Anwendung von Datenanalytik und ML ausweitet, wird jeder Hersteller zu einer datengetriebenen Fabrik, fokussiert auf zunehmend präzise Anomalieerkennung. An diesem Punkt können Hersteller akuter mit optimiertem Energieverbrauch zum Wohle aller arbeiten.

Anlagenproduktivität wird immer im Fokus stehen, und da die Zukunft unbestreitbar datengetrieben ist, ist dies ein Weg, den wir logisch einschlagen müssen. Als Ergebnis werden wir in der Lage sein, Produkte auf den Markt zu bringen, die nicht nur bessere Leistung liefern, sondern auch besser funktionieren und länger halten. Welche Auswirkungen das auf den Billigwegwerfwarenmarkt hat – wo Qualität auf „Ablauf“ nach einer bestimmten Zeit getunt ist – ist eine andere Frage für einen anderen Tag.

Die Art und Weise, wie wir Güter und damit verbundene Dienstleistungen herstellen, kann jetzt durch Anomalieerkennung und die entsprechende Antriebsleistung, die sie aus Datenanalytik und Intelligenz bezieht, verbessert werden. Wenn das keine Entschuldigung ist, unsere Overalls auszuziehen und uns für eine Teepause hinzusetzen, dann nichts.