Data Mining

Extrusions- und Kalandriermaschinen können bis zu 2.000 Parameter aus Steuerungen bereitstellen. Die Menge an Daten stellt Produktions- und Qualitätsmitarbeiter vor eine Herausforderung und führt oft dazu, dass Prozessfehler nicht gefunden oder Korrelationen auf Grund der Vielzahl an Parametern nicht erkannt werden.


Mit Hilfe von Maschinellen Lernverfahren (mathematische Berechnung für u.a. künstliche Intelligenz) können Daten auf Abhängigkeiten in kürzester Zeit analysiert werden. Die eingesetzten Verfahren (Support Vector Machines, Klassifikationsbäume, Neuronale Netze) sind in der Lage Modelle anhand unterschiedlicher Datenmengen zur Ursachenfindung und für Prognosen zu berechnen.


Um an diesen Punkt zu gelangen sind einige Vorarbeiten zu leisten. Anbei eine geeignete Reihenfolge, die als Leitlinie helfen soll. Stellen Sie zuerst ein Team zusammen, führen Sie anschließend alle notwendigen Steuerungs-, Auftrags- und Qualitätsdaten über einen ETL-Prozess zusammen, visualisieren Sie die ersten Daten, legen Sie grenzen fest mittels SPC und finden Sie automatisiert die Ursachen von Produktionsproblemen durch bspw. Feature Selection. Anschließend spielen Sie die gewonnenen Erkenntnisse zurück in die Maschine und legen selbststeuernde Routinen fest. (Siehe folgende Abbildungen)



Ablauf zur Erstellung von Produktionsvorhersagen, um Ausschuss zu verringern.

Dieser Ablauf wurde an Extrusions-, Druck-, Papier- und Kartonmaschinen getestet und implementiert.


Auswahl einer geeigneten KI für die Vorhersage von Produktionsausschuss.

Modellablauf


©2020 Kohlert Consulting

  • LinkedIn