Alte Probleme mit neuer Technologie lösen

Digitale Technologie kann viele Probleme für eine Vielzahl von Unternehmen und Branchen lösen. Es gibt viele Herausforderungen, die mit realen, physischen Mitteln allein nicht gelöst werden können - wir brauchen digitale Lösungen, die uns die Rechengeschwindigkeit, die Erkenntnisse und die Fähigkeiten liefern.

Die Taguchi-Methoden sind ein solches Problem - aber auch ein großartiges Beispiel für Probleme, die moderne digitale Lösungen endlich lösen können. Wir - Łukasz Panusz und Maciej Mazur - möchten hier insbesondere über die Taguchi-Methoden sprechen, denn wir haben eine Lösung für die Fertigung entwickelt, die diese Herausforderung endlich lösen kann.

Was sind die Taguchi-Methoden?

Die Taguchi-Methoden sind eine Reihe von statistischen Verbesserungsmethoden, die von dem gleichnamigen Genichi Taguchi in den 1950er Jahren entwickelt wurden. Der Ingenieur und Statistiker entwickelte seine Methoden, um die Produktion unter statistischen Gesichtspunkten zu verbessern. Obwohl sie in unzähligen Bereichen eingesetzt wurden, wurden sie in erster Linie für die Fertigung entwickelt.

Ein wichtiger Bestandteil von Taguchis Ansatz war die Einbeziehung von Verlustfunktionen - Faktoren oder Werte, die einen nachteiligen Effekt (oder 'Verlust') auf das Endprodukt haben können. Die Verringerung einer solchen Verlustfunktion, ohne eine andere an anderer Stelle zu erhöhen, ist Teil der großen statistischen Ausgewogenheit hinter den Taguchi-Methoden.

Fertigungsprobleme im^21. Jahrhundert

In Kombination mit den oben genannten Faktoren sehen wir die vielen Probleme, die die Industrie lösen muss. Der teuerste Produktionsprozess führt zu Verlusten in Form von Einnahmen, während die Verwendung billigerer Materialien zu einem minderwertigen Produkt führen kann, das sich folglich schlecht verkauft, was zu weiteren Verlusten führt.

Wenn sich diese Parameter auf eine Handvoll beschränken, reicht der menschliche Verstand schon lange aus. Betrachten Sie zum Beispiel dieses Diagramm, in dem wir drei verschiedene Parameter miteinander vergleichen:

Wie Sie sehen können, ist es einfach, die optimale Lösung für das Endprodukt zu finden. Aber was passiert, wenn wir einen^4. oder^5. Faktor hinzufügen? Wie wäre es mit 100? Es gibt keine einfache Möglichkeit, 100 Faktoren für das menschliche Verständnis darzustellen.

Darüber hinaus wollen die Unternehmen angesichts der gestiegenen Nachfrage und der Notwendigkeit, ihre Waren schneller als je zuvor zu produzieren. Während wir also Förderbänder, Servomotoren und fortschrittlichere Geräte eingeführt haben, ist die eigentliche analytische und reaktionsfähige Seite zurückgeblieben. Die Methoden von Taguchi haben ein grundlegendes Problem aufgezeigt - eines, das nur mit der Industrie mitgewachsen ist - aber die Technologie hat gerade erst aufgeholt, um diese Anforderungen zu erfüllen.

Digitale Lösungen

Glücklicherweise kann ein Computer um ein Vielfaches schneller denken als ein Mensch. Dank der jüngsten Innovationen, insbesondere im Bereich der Cloud, haben Unternehmen jetzt Zugang zu schnellen, reaktionsschnellen Lösungen, die sie fast völlig unabhängig voneinander betreiben können.

Im Folgenden möchten wir einige der wichtigsten Bedürfnisse aufschlüsseln, zu deren Lösung die jüngsten Entwicklungen beigetragen haben.

Analytik

Bevor wir etwas verbessern können, müssen wir zunächst wissen, was funktioniert - und was nicht.

Seit den Anfängen der Produktion verlassen sich Unternehmen auf Daten. Zunächst reichte es aus, zu wissen, wie viel in einem bestimmten Zeitraum zu welchen Kosten produziert werden konnte. Aber heute, in einer Welt mit zahlreichen Zulieferern, Teilen, Produktionsprozessen und -elementen, ist der Bedarf an einem größeren analytischen Einblick von größter Bedeutung.

Dazu sind zwei Dinge erforderlich. Das erste ist eine Möglichkeit, die Daten tatsächlich zu erfassen. Unternehmen können dies zwar manuell tun, aber das ist zu langsam. Der Zeitaufwand bedeutet, dass die festgestellten Verbesserungen erst nach einer Weile eintreten werden - in der Zwischenzeit wird der aktuelle, ineffiziente Prozess weiter verwendet. Hier erweist sich das Internet der Dinge (Internet of Things, IoT) als äußerst nützlich - es ermöglicht Unternehmen, Informationen im Handumdrehen zu erhalten, die automatisch sortiert und formatiert werden.

Wir haben bereits für einige Unternehmen derartige Arbeiten durchgeführt, darunter Bilderkennungsanwendungen für die Metallindustrie, die in der Lage sind, Produkte zu fotografieren und menschlichen Arbeitern genaue Informationen über bestimmte Elemente zu geben, die nicht dem Standard entsprechen.

Zweitens wird dies dann durch leistungsstarke Analysetools unterstützt. Die Anforderungen hier sind einfach:

• Sie müssen schnell sein - wenn wir blitzschnell Daten erhalten, müssen wir ebenso schnell Erkenntnisse, Korrelationen oder andere Faktoren (wie Taguchi-Methoden) finden.
• Ebenso müssen sie in der Lage sein, alle Informationen auf einmal zu verarbeiten - hier kommt die Big Data-Technologie ins Spiel.
• Die Ergebnisse müssen entweder etwas sein, das ein Mensch verstehen kann - wie z.B. visuelles Feedback, Datenkorrelationen oder direkte, automatische Aktionen, die wir gleich besprechen werden.

All dies ist natürlich ein endloser Kreislauf. Wenn Unternehmen einen Parameter optimieren, können sich andere ändern. Daher sind fortschrittliche Lösungen erforderlich, um all diese Faktoren in einem ständigen Streben nach Perfektion auszubalancieren. Letztendlich sind wir in der Lage, dieses perfekte Gleichgewicht mit maschineller Unterstützung viel schneller und effektiver zu finden als allein.

Digitale Zwillinge

Wir haben schon früher über Digital Twins gesprochen - vor allem im Zusammenhang mit Industrie 4.0 - also werden wir uns hier nicht zu sehr in Details verlieren.

Digitale Zwillinge - virtuelle Nachbildungen von realen Prozessen oder Maschinen - ermöglichen es Unternehmen, zu bewerten, zu analysieren und zu experimentieren, ohne die tatsächliche Produktion zu beeinträchtigen.

Aber wie wir bereits erwähnt haben, gibt es in der modernen Industrie einige wachsende Bedürfnisse. Digital Twins arbeiten auf einer kleineren, singulären Ebene - zum Beispiel in einem Produktionsnest, einer Linie oder einem Werk. Aber was ist mit Unternehmen, die zahlreiche Anlagen gleichzeitig betreiben? Wir brauchen eine Lösung, die für einen globalen Maßstab geeignet ist.

Mesh Twin Learning

Die Antwort ist also die Kombination von Digital Twins und fortschrittlichen Machine Learning-Modellen über ein Netz, das verschiedene Fabriken miteinander verbindet. Dieses Netz selbst wird von der Cloud gespeist, aber wir haben eine Lösung entwickelt, die es den einzelnen Modellen ermöglicht, unabhängig zu arbeiten.

Hier ein Beispiel: Wir stellen ein Produkt in verschiedenen Fabriken her. Das Produkt ist dasselbe, also wollen wir wissen, wie es am besten hergestellt wird. Jede Fabrik oder Produktionslinie verfügt über digitale Zwillinge, die lokale Daten erfassen und sie analysieren, um bessere Erkenntnisse zu gewinnen. Wenn eine optimalere Lösung gefunden wird, sendet die Fabrik dieses neue Modell an die Cloud, wo es an alle anderen Fabriken verteilt wird, um die Vorteile zu verbreiten.

Darüber hinaus können wir ein gewisses experimentelles Design nutzen, um kontinuierliche Verbesserungen über den Industriestandard hinaus anzubieten...

Experimentieren mit mehreren Pflanzen

Ein weiterer Vorteil dieses Systems besteht darin, dass es eine ideale Kontrollgruppe für Experimente darstellt, wenn ein Unternehmen zahlreiche Werke hat, die dasselbe Produkt und denselben Prozess herstellen. Dies ist auch eine Idee von Genichi Taguchi - wir kennen sie als Taguchi-Versuchsplan.

Nehmen wir an, Ihr Unternehmen hat drei Fabriken und Sie möchten mögliche Verbesserungen testen. Wenn Sie eine Fabrik einen Parameter - z.B. die Temperatur - verändern lassen, während eine andere etwas anderes testet - z.B. die Materialmenge -, haben wir immer noch eine dritte Fabrik, die als Kontrolle dient.

Und wie wir bereits erklärt haben, können alle Vorteile auf das gesamte Netz übertragen werden. Mit diesem konstanten Prozess können wir alle Parameter einzeln überprüfen und testen, was uns eine Fülle von statistischen Informationen liefert. Taguchi wäre stolz.

Was können wir lösen?

In der Theorie klingt das alles gut, aber welche Prinzipien können wir hier tatsächlich lösen? Nun, es gibt eine ganze Reihe von Problemen, die angesprochen werden können:

• Kosten - kann eine billigere Lösung verwendet werden, ohne dass die Qualität oder andere Faktoren, die sich auf das Endprodukt auswirken, darunter leiden?
• Umweltbedingungen - wird eine Änderung der Bedingungen ein besseres oder schlechteres Produkt ermöglichen?
• Materialverbrauch - wird die Änderung bestimmter Materialien oder des Verhältnisses der Zutaten das Endprodukt in irgendeiner Weise verbessern?
• Zeit - gibt es einen kürzeren Ansatz, mit weniger Schritten oder weniger sich wiederholenden Prozessen? Wenn sich dies nicht auf das Endergebnis auswirkt, dann bedeutet eine kürzere Produktionszeit wohl, dass mehr Waren produziert werden können.
• Volumen - können wir mehr auf einmal produzieren?
• Zykluszeiten - können wir mehr Zyklen drehen, oder wird sich dies auf andere Bereiche auswirken. Wenn zum Beispiel die Produktion schneller und häufiger läuft, würde die Überbeanspruchung der Maschinen zu einer Veränderung der Temperatur oder der Umweltbedingungen führen?
• Qualitätskontrolle - wenn es einen Qualitätsunterschied gibt, können wir anhand der historischen Daten feststellen, welche einzigartigen Parameter ihn verursacht haben. Dann können wir handeln, um diese Probleme zu beseitigen und eine gleichbleibend hohe Qualität wiederherzustellen.

Wie Sie sehen, gibt es eine ganze Reihe von Aspekten zu berücksichtigen - und das sind nur einige wenige. Wenn Sie bedenken, wie viele Komponenten in die Herstellung eines Fahrzeugs einfließen und wie viel Arbeit in jeder Phase erforderlich ist, ist die Anzahl der zu berücksichtigenden Parameter atemberaubend. Eine digitale Lösung wie Mesh Twin Learning ist die einzige Möglichkeit, all diese Anlagen und Materialien zu bewerten und innerhalb eines günstigen Zeitrahmens verwertbare Erkenntnisse zu gewinnen.

Zusammenfassung

Die Fertigungsindustrie entwickelt sich ständig weiter und passt sich an. Daher sind Unternehmen immer auf der Suche nach anpassungsfähigen Lösungen, die mit ihren Bedürfnissen skalieren. Während Digital Twins und Analysen auf einer einzelnen Ebene funktionieren, kann Mesh Twin Learning dazu beitragen, nicht nur Analysen, sondern auch automatische Anpassungsfähigkeit auf der Ebene eines größeren Unternehmens zu bieten.

Geschäftsperspektive

Mit Mesh Twin Learning können Fertigungsunternehmen Systeme einrichten, die kontinuierlich nach Verbesserungen in unzähligen Bereichen suchen, von den Kosten über die Effizienz bis hin zum Verbrauch, die alle zahlreiche einzigartige Vorteile bieten. Sobald ein Vorteil erzielt wurde, kann er im gesamten Unternehmen als neue Basis verwendet werden, so dass das Mesh Twin Learning-System nach dem nächsten Vorteil suchen kann.

Quellen

• Taguchi-Methoden
• Taguchi-Methoden und ihre Anwendung auf die Fertigung
• Anwendung der Taguchi-Methode zur Verbesserung der Qualität des Produktionsprozesses: Eine Fallstudie