Parameter identifizieren
Um diese Ziele zu erreichen, mussten zunächst die Prozessparameter identifiziert werden, die maßgeblich über die Qualität des Endprodukts entscheiden. Dafür stand zwar eine Menge von Messdaten zur Verfügung, aber nur sehr erfahrene Spezialisten waren nach teilweise tagelangen Untersuchungen in der Lage, daraus die richtigen Schlüsse zu ziehen und die für die Analyse und Bewertung relevanten Messdaten herauszuarbeiten. Basierend darauf wurde die Data Mining-Lösung IBM SPSS zur permanenten Überwachung und Steuerung des Produktionsprozesses eingeführt. Für den kontinuierlichen und möglichst reibungslosen Ablauf werden nun alle relevanten Messdaten im Produktionsprozess kontinuierlich gesammelt, gespeichert, zeitlich und inhaltlich zugeordnet und für die statistischen Analysen aufbereitet. Sechs Monate dauerte die Vorbereitungsphase, heute wertet das System automatisch täglich über Nacht die Prozessentwicklung aus und speichert alle Analysen ab. Ein Systemspezialist des Autobauers kümmert sich darum, dass das System einwandfrei läuft. Die zuständigen Werksmeister arbeiten mit den für sie relevanten Auswertungen und leiten aus den Ergebnissen die möglicherweise notwendigen Maßnahmen ab. Hierbei wurde auch sehr schnell erkannt, dass der Fertigungsprozess kontinuierlich reagiert und nicht ’springt‘.
Deshalb ließen sich eine Reihe von Schwellwerten bestimmen, bei deren Überschreitung Eingriffe erforderlich werden, um die vorgegebenen Toleranzen der Fertigprodukte am Ende einhalten zu können. Durch die exakte Beobachtung der Schwellwerte ist es nun möglich, Unregelmäßigkeiten rechtzeitig zu erkennen und die dafür verantwortlichen Ursachen zu identifizieren. Dieses Vorgehen brachte zudem eine vorher nicht gekannte Prozesstransparenz. Die Vorteile für den Automobilhersteller sind messbar: Erkenntnisse, die früher mit enormem Aufwand innerhalb von rund drei Tagen gewonnen wurden, liegen heute in nur wenigen Stunden vor. Bei Auffälligkeiten wissen die Verantwortlichen genau, wo sie ansetzen müssen. Das hat zum Beispiel auch dazu geführt, dass Werkzeuge sehr viel seltener ausgetauscht werden müssen. Bei der hohen Stabilität des Fertigungsprozesses kommt der 24-Stunden-Auswertungszyklus zudem praktisch einer Echtzeitüberwachung gleich. Auch das trägt dazu bei, Prozessanpassungen frühzeitig und gezielt anzustoßen.
25 Prozent mehr Produktivität
Dieses Vorgehen führte schließlich zu einer Steigerung der Produktivität um 25 Prozent in der Daimler Zylinderkopfproduktion und einer Verkürzung der Hochlaufphase des Fertigungsprozesses bis zum Erreichen der angestrebten Zielwerte um 50 Prozent. Auch die BMW Group implementierte die Lösung, um Daten schnell und effizient zu analysieren. Und auch dort werden unter anderem Produktions- und Qualitätsdaten sowie Produktionsparameter aus der Bauteile-Gießerei gesammelt und ausgewertet. Diese Daten fließen in Modelle ein, die dazu dienen, Schwachstellen im Produktionsprozess zu erkennen, Gegenmaßnahmen zu identifizieren und damit langfristig die Produktqualität zu steigern. Die Einsatzmöglichkeiten und Einsatzfelder von Predicitive Maintenance sind damit noch lange nicht ausgereizt.
