Data Science
Die Herausforderung
In der modernen Automobilfertigung werden eine Vielzahl spezialisierter Fügetechniken verwendet. Im vorliegenden Fall werden z.B. Dachhimmel mit der Karosserie verklebt, anstatt sie zu verschweißen oder zu löten. In der Voraussicht, dass Verfahrenssicherheit und Zuverlässigkeit von einer umfassenden Datenerfassung profitieren können, wurden die an Industrierobotern befestigten Klebedüsen mit entsprechenden Sensoren bestückt, die Temperaturen, Drücke und weitere Parameter erfassen.
Aufgabe diese Analyse war es, eine Analyse durchzuführen, die es erlaubt, in enger Rücksprache mit der Produktionssteuerung, Datenpunkte mit Ausfällen und Reparaturmaßnahmen zu verknüpfen und somit Fehler zu prognostizieren und im Vorfeld zu verhindern.
- Anwendungsfall
Automobilhersteller
Vorausschauende Überwachung von Spritzguss- und automatisierten Fügeprozessen zur frühzeitigen Erkennung von Komponentenausfällen und Vermeidung ungeplanter Produktionsstillstände
- Zielsetzung
- Früherkennung von Ausfällen
- Vermeidung ungeplanter Stillstände
- Steigerung der Anlagenverfügbarkeit
- Stabilisierung der Spritzguss- und Produktionsprozesse
- Technologie
- Python
- MQTT
- Splunk
Der Lösungsweg
Zunächst wurden die Daten im Rahmen einer umfänglichen Datenexploration umfänglich charakterisiert, um bspw. Ausreißer oder Trends zu identifizieren.
Daneben wurden Korrelationen herausgestellt, um Interdependenzen zwischen den Eingangsgrößen herauszuarbeiten und somit die redundanten Daten auszufiltern.
Mithilfe einer Hauptkomponenten-Analyse (PCA) wurde der Datensatz auf zwei Hauptkomponenten reduziert. Dies ermöglichte zum einen die Darstellung der Datenpunkte in der Fläche zur besseren Kommunikation und zum anderen die Weiterverarbeitung in klassischen Machine Learning- Verfahren.
Das Ergebnis
Aus der Analyse der Daten konnte ein charakteristisches Datenmuster identifiziert werden, das dem Ausfall der Komponenten ca. zwei Wochen vorauseilt.
Im Weiteren werden unterschiedliche Machine Learning- Verfahren evaluiert, um einen drohenden Ausfall der Komponenten vorab zu signalisieren, damit entsprechende Wartungsmaßnahmen eingeleitet werden können.
- Kundenvorteile
- Vorhersage des spezifischen Fehlerbildes mit 2 Wochen Vorlauf
- Nutzung der bestehenden Sensorik
- Nachvollziehbarkeit der Warnmeldung
- Geringere Wartungs- und Reparaturkosten
- Höhere Anlagenverfügbarkeit
Grafiken zur Kundenreferenz
