Das Lantek MES (Manufacturing Execution System, Fertigungsmanagementsystem) ist lediglich das Rückgrat des Herstellungsprozesses. Die Effizienz selbst wird in der Praxis gefördert: an den Produktionsstätten, in den Abläufen in der Fertigung und im gesamten Unternehmen sowie in deren kontinuierlicher Verbesserung. Datenanalyse wird sie drastisch effizienter machen, aber sie definitiv nicht ersetzen. Ein erweitertes MES, angereichert mit größerer Dateneinsicht ist die unmittelbare Antwort auf die Verbesserung des Herstellungsprozesses im neuen Paradigma von Industrie 4.0. All das liefert Lantek Analytics.
Es geht nicht um das, was Sie wissen – es geht um das, was Sie mit dem tun, was Sie wissen. Datenanalyse vereint leistungsstarke, vollautomatische Erkennungs- und Analysetechnologien, mit denen Fertiger Unternehmensdaten nutzen können, um alle Facetten ihrer Betriebsabläufe zu verbessern, wie etwa Teile und Komponenten bestellen, Produktionspläne erstellen, Wartungsbedarf von Maschinen vorhersehen, Materialbedarf planen, Flaschenhälse in der Produktion ausmachen, Produktqualität aufrechterhalten und schlussendlich die Kunden zufriedenstellen.
METHODEN
In einem typischen Projekt zur Datenanalyse kann der Arbeitsablauf mit dem CRISP-DM-Prozess-Modell dargestellt werden.
Geschäftsverständnis. Stellen Sie erst die Fragen, bevor Sie die dazugehörigen Daten suchen (und nicht andersherum). Sie müssen ein profundes Verständnis des Geschäfts haben. Viele Beratungsfirmen scheitern am fehlenden Verständnis der komplexen Geschäfte ihrer Kunden. Lantek kennt sich aus!
Datenaufbereitung: Die Qualität der Daten ist entscheidend. Ein Großteil der für ein Projekt zur Datenanalyse aufgewendeten Zeit (zwischen 60 und 80 Prozent) befasst sich mit der Datensammlung und -aufbereitung, Profilbildung, Reinigung und Diskussion, um die Tabelle (den Datensatz) zu erstellen, die später für das maschinelle Lernen verwendet wird. Bei schlechter Datenqualität bekommen Sie: Schrott rein, Schrott raus!
Modellierung: Maschinelles Lernen (ML) ist der Motor der Datenwissenschaft. Jede ML-Methode nimmt Daten auf, entwickelt daraus ein Daten-Modell und spuckt eine Antwort aus. ML-Methoden sind der Teil der Datenwissenschaft, den zu erklären am kompliziertesten ist. Das ist die Stelle, wo mathematische Magie geschieht.
Datenmodelle setzen voraus, dass die Zukunft genauso ablaufen wird wie die Vergangenheit. Unvorhersehbare Ereignisse, wie eine Welt-Finanzkrise oder eine Naturkatastrophe, können nicht in Datenmodelle eingebunden werden.
Deshalb ist es wichtig zu erwähnen, dass Datenmodelle immer eine Vorhersage mit einer gewissen dazugehörigen Wahrscheinlichkeit treffen. Wir haben uns alle an die Wettervorhersage gewöhnt – und auch an die damit verbundene gewisse Wahrscheinlichkeit.
Evaluierung: In dieser Phase schätzen Sie den Wert ein, den die Modelle für die Erreichung Ihrer Unternehmensziele haben, und ziehen das Risiko in Betracht, sofern die Modell-Wahrscheinlichkeit gering ist oder nach falsch positiven und falsch negativen Ergebnissen sortiert.
Bereitstellung: Wenn Ihr Modell einsatzbereit ist, werden Sie einer Strategie bedürfen, wie Sie es in Ihrem Unternehmen einsetzen können. Ein oft missachteter Aspekt ist, dass diese Installation nur in einem sehr reifen Betrieb gelingen kann und mit einer Belegschaft, die bereit ist, die neuen, datengesteuerten Prozesse anzunehmen.
ANWENDUNGEN
Verschiedene Arten der Datenanalyse und ihre Anwendung in der Produktionsanalyse:
Mit beschreibender Analyse, auch bekannt als Geschäftsanalytik, wird die Datenhistorie mit leistungsstarken und interaktiven Software-Tools visualisiert. Entscheider können grundlegend mehr über ihre Geschäfte erfahren und mit diesem Wissen bessere Entscheidungen treffen. Datenübersichten wie zur Gesamtanlageneffektivität (GAE oder OEE) werden in Echtzeit erstellt, wie etwa in der Softwarelösung Lantek Manufacturing Analytics.
Erkennt die Ursache(n) eines Produktionsproblems, wie etwa, warum ein Flaschenhals entsteht oder die Qualität so schlecht ist.
Mit prognostischer Analyse werfen Sie einen Blick in die Zukunft. Vorausgesehene Maschinenwartung, Bestandsprognosen, Nachfrageprognosen sind typische Anwendungen.
Automatisierte Fertigungssysteme treffen Echtzeit-Entscheidungen mithilfe von Daten und handeln vollautomatisch, indem sie ein autonomes cyber-physisches System bilden.
