Big Data als neuer Partner von Six Sigma Optimierung der diskreten Produktion

Transkript

1 Big Data als neuer Partner von Six Sigma Optimierung der diskreten Produktion Frank Effenberger, Marco Fischer, , München

2 Agenda Firmenpräsentation Einführung Anwendungsfall Fazit

3 Zahlen und Fakten Robotron Datenbank-Software GmbH Gründungsjahr 1990 Geschäftsform GmbH (9 Gesellschafter) Mitarbeiterzahl 349 (Stand 01/2015) Stammkapital Umsatz 2013 Umsatz ,4 Mio. EUR 31,1 Mio. EUR 31,2 Mio. EUR Hauptsitz Oracle-Partner ISO 9001 zertifiziert Schulungs- und Kongresszentrum

4 Robotron-Firmengruppe Tschechien: Robotron Database Solutions s.r.o. Schweiz: Robotron Schweiz GmbH Österreich: Robotron Austria GmbH Russland: Robotron Rus GmbH Deutschland: Robotron ECG solutions GmbH Deutschland: SASKIA Informations-Systeme GmbH

5 Unsere Kernkompetenz

6 Einführung

7 Six Sigma Systematisches und datengetriebenes Vorgehen des Qualitätsmanagements mit dem Ziel, Prozessverbesserungen auf Basis von Kundenanforderungen zu erreichen Tiefgreifende statistische Datenanalyse des gesamten Geschäftsbzw. Produktionsprozess, um messbare Steuerungsgrößen für Prozessverbesserungen zu ermitteln und unmittelbare Einflussgrößen zu identifizieren DMAIC-Zyklus: Define, Measure, Analyze, Improve, Control Vorgehen ist stark vom Expertenwissen der Prozessbeteiligten und der Methodenkompetenz des Prozessanalysten abhängig Daten werden basierend auf menschlichen Hypothesen für die Analyse des Prozesses erhoben

8 Data Mining integriert Prozessdaten in das Erklärungsmodell Prozessdaten bergen historisierte, wettbewerbsrelevante Informationen, welche die Charakteristik von Prozessen beinhalten und daher neben dem menschlichen Wissen einen gleichbedeutenden Wissensanteil besitzen Explorative Datenanalyseverfahren des Data Mining schaffen die Möglichkeit, Prozessdaten hypothesenfrei auf potentielle Erklärungsmodelle zu untersuchen Verfahren zum Auffinden von Zusammenhängen Verfahren zum Auffinden von Regeln Verfahren zum Auffinden von Strukturen Data Mining liefert Erkenntnisse und Zusammenhänge, die bisher verborgen blieben oder außer Acht gelassen wurden, weil sie entweder für nicht entscheidungsrelevant oder für nicht analysierbar gehalten wurden DMAIC-DM: Erweiterung von Six Sigma DMAIC in der Phase Analyze um einen standardisierten Data-Mining-Prozess

9 Anwendungsfall

10 Gangerkennung bei einem Automobilzulieferer Lage bei Automobilzulieferer Gangerkennung mit Sensoren Sensoren müssen kalibriert werden Herausforderungen Kalibrierung der Sensoren erfolgt durch Daten aus über 500 verschiedenen Messpunkten (>50 Mio. Werte bei > Sensoren) Messdaten werden durch Software kalibriert, diese ist schwer wartbar und komplex und zeitaufwändig Ziel: 14 bzw. 10 Zielvariablen auf Sensor schreiben für korrekte Kalibrierung (jeder Sensor erhält individuelle Werte, 4 lassen sich aus anderen berechnen)

11 Identifikation der aussagekräftigsten Messpunkte Erster Gang Auswahl der Messpunkte Knüppelposition (X,Y) und Luftspalt bestimmen Position Skizze: - Kleine Kreuze = Messpunkt - Grüner Punkt = Optimaler Messpunkt (Erstkalibrierung) - Großer Kasten mit Kreuz = Definition Gang Vierter Gang

12 Ziele und Vorgehensweise Ziele Senkung der Anzahl der benötigten Messpunkte für die Kalibrierung Zielgenaue vorhersage der 14 Zielvariablen mit ausreichender Qualität Vorgehen Identifikation der Messpunkte mit größtem Einfluss Identifizierung des besten Prognosemodells Problem Relevante Messpunkte und Modell hängen voneinander ab Aufgrund großer Datenmenge im ersten Schritt vereinfachtes Modell, später Prüfung auf bessere Modelle nach Qualitätskriterien

13 Datengrundlage Unabhängige Variablen: Messwerte (X, Y, Z) an den 514 Messpunkten Zusätzliche Sensorparameter Abhängige Variablen: Zielwerte der 14 (10) Zielvariablen Verwendete Analysepakete: ROracle (R Distribution mit Paketen für Oracle-Anbindung)

14 Identifikation der aussagekräftigsten Messpunkte Prozess M1 Prognose 14 ZV Auswahl optimaler Messpunkt M2 M2 M3 Prognose 14 ZV Prognose 14 ZV M1 M3 M4 Prognose 14 ZV

15 Identifikation der aussagekräftigsten Messpunkte Prozess Auswahl des besten Messpunktes: Gütemaß = 14 i=1 ( Fehlerquadratsummen i n Standardabweichung i )² mit i = Zielvariable, n = Anzahl der Sensoren Dies ist ein Fehlerkriterium, 0 ist optimaler Wert

16 Identifikation der aussagekräftigsten Messpunkte Prozess for(iteration in 1:number_of_iterations){ for(measurement_point in 1:number_of_measurement_points){ for(target_variable in 1:number_of_target_variables){ for(i in 1:10){ glm_model <- glm(formel, family=gaussian(link="identity"), data=dataset[dataset$partition!=i,])

17 Qualitätswert Ergebnisse Prognosegüte: Anzahl Messpunkte in optimaler Lösung 3 optimale Messpunkte (0.58% von 514): 97.49% korrekte Vorhersagen 7 optimale Messpunkte (1.36% von 514): 98.64% korrekte Vorhersagen

18 Identifikation des besten Prognosemodells Die 7 Messpunkte gelten nun als Eingangsvariablen, um die 10 bzw. 14 Zielvariablen zu berechnen Beispiel anhand Prognosemodellauswahl von 2 Zielvariablen: Für jede Zielvariable das Modell mit geringstem Fehler wählen (Root Mean Squared Error) Model VAR1 VAR2 VARx Generalized Linear Models 2,13 1,48 Random Forest 1,69 2,55 Support Vector Machine 1,70 2,04 Neuronal Networks 3,34 1,53

19 Fazit

20 Fazit Erklärungsmodell für den Prozessschritt der Sensorkalibrierung unter Verwendung von nur sieben der einst 500 Messpunkte gefunden Steigerung der Prozesseffizienz durch die Reduzierung von Kalibrierungsschritten bei gleichbleibender Ergebnisqualität Vollständig anwendbares Prognosemodell zur direkten Integration in die Prozesssteuerung Ablösung der bestehenden Software zur Kalibrierung der Sensoren Durch Reduktion der Messpunkte konnte die gewünschte Prozesszeitverringerung nachweislich erzielt werden mit alleiniger Anwendung von Six Sigma hätte diese Prozessverbesserung nicht erreicht werden können

21 Marco Fischer Leiter Business Analytics Frank Effenberger Systemberater Telefon: Fragen?