Data Science

Die Herausforderung

Ein großer deutscher Maschinen-/Anlagenbauer, der Weltmarktführer bei der Herstellung von Lackieranlagen für die Automobilbranche ist, benötigte Unterstützung bei der Realisierung einer datenbasierten Analyselösung zur Erkennung von Betriebsstörungen. Zur Vorbereitung des Lackierprozesses werden die im Rohbau befindlichen Karosserien durch eine Reihe von Tauchbecken befördert, um sie dort zu reinigen und chemisch vorzubehandeln. Für beste Lackierergebnisse ist es dabei wichtig, dass die verwendeten Tauchflüssigkeiten in den Becken die optimalen Temperaturen besitzen. Kleine Abweichungen können hier bereits dazu führen, dass Nacharbeiten an den lackierten Karosserien notwendig werden, der Lackierprozess sich somit verlängert und die Kosten unnötig steigen. Unser Kunde hatte daher die Idee für eine prognostische Lösung, um sich abzeichnende Temperaturabweichungen rechtzeitig zu erkennen und den Anlagenbedienenden zu warnen.

Automobilzulieferer

Vorhersage von Störungen in einer robotergestützen Lackieranlage

Der Lösungsweg

In diesem Innovationsprojekt unterstützte TIQ das Forschungs- und Entwicklungsteam des Kunden allumfänglich bei der Konzeption und Umsetzung einer entsprechenden Predictive Analytics-Lösung. Nach gemeinsamer Erarbeitung der analytischen Zielstellung und Sichtung der verfügbaren Datenquellen wurde eine umfassende Vorbereitung und Exploration der Sensor- und Störungsdaten durchgeführt. Basierend auf den bereinigten Daten wurde eine Trainingsdatenmenge erzeugt, welche die Grundlage der anschließenden Modellierung mittels maschineller Lernverfahren bildete. Um hierbei ein möglichst optimales Prognosemodell abzuleiten, wurde eine systematische Evaluation der relevanten Prozessparameter durchgeführt (z.B. Auswahl geeigneter Signale und Vorverarbeitungsmethoden, Merkmalsextraktion sowie eingesetzte Lernverfahren und -parameter). Das resultierende Modell wurde abschließend in das bestehende Monitoring-System des Kunden integriert und in den produktiven Einsatz gebracht. Die Güte des Prognosemodells wurde mit ergänzenden operativen Daten validiert. Die analytische Lösung entstand vollständig in der Data-Science-Programmiersprache R. Bei der operativen Bereitstellung des Modells kamen Docker und Java zum Einsatz.

Das Ergebnis

Mithilfe des entwickelten Prognoseansatzes ist es im Echtzeitbetrieb möglich, innerhalb eines gegebenen Zeitfensters Prognosen bezüglich der Eintretenswahrscheinlichkeit von Störungen zu bestimmen. Bei Überschreiten bestimmter Schwellwerte werden im graphischen Interface des Monitoring-Systems Warnmeldungen angezeigt, die auf den kritischen Zustand von wichtigen Zielgrößen der Lackieranlage hinweisen. Auf diese Weise können frühzeitig geeignete Regelungs-/Instandhaltungsmaßnahmen ergriffen werden. Somit werden optimale Ausgangsbedingungen für einen effektiven und qualitativ hochwertigen Lackierprozess geschaffen, die dabei helfen, Ressourcen bei der zusätzlich anfallenden Nacharbeit der Karosserien zu schonen. Mithilfe eines ähnlichen prognosebasierten Ansatzes soll in weiteren Iterationen ein System zur Unterscheidung und Analyse von Störungsursachen entstehen.

Wie wir Sie unterstützen können

Unsere Data Services

Data Science

Business Intelligence & Data Analytics

Data Strategy