Process Mining und Prozessautomatisierung
Ein Robo-Berater für Druckunternehmen
Innerhalb der Heidelberger Druckmaschinen AG verantwortet die Heidelberg Digital Unit die digitalen Geschäftsmodelle des Unternehmens. Dazu gehört auch die Einführung eines Subscription-Modells. Über Process-Mining-Technologie gelingt es der Firma, Performancemuster für Beratungsansätze automatisiert zu finden und die Basis für einen Beratungsroboter zu legen.
Entscheidet sich ein Kunde der Heidelberger Druckmaschinen AG für ein Subscriptions-Modell, bekommt er Maschinen, Verbrauchsmaterialien, Software, Serviceteile und Dienstleistungen zur Verfügung gestellt. Die Abrechnung erfolgt orientiert am Output, das heißt pro gedrucktem Bogen. Eine entsprechende Performance liegt somit im Interesse beider Seiten. Ein solches digitales Geschäftsmodell erfordert rund um die Uhr einen digitalen Zugang des Kunden zum Dienstleister. Mit dem Heidelberg Assistant führte das Unternehmen bereits 2016 ein Kundenportal ein, welches nun auch die Performance-Services abbildet. Nutzer haben dadurch Zugriff auf wichtige Kennzahlen, Serviceverträge sowie Dienstleistungen und die Verfügbarkeit und Effizienz ihrer Maschinen direkt im Blick. Mit dem im Frühjahr 2020 vorgestellten PAT(Performance Advisor Technology)-System können Nutzer ab Herbst 2020 einen weiteren Service innerhalb des Heidelberg Assistant nutzen, der künstliche Intelligenz, Machine Learning und Process Mining kombiniert.
Hilfsmittel für Berater
Tom Oelsner, COO und Head of Digital Innovation bei der HDU, stand vor folgendem Problem: „Digitale Geschäftsmodelle sind ein großer Erfolg. Doch bei aller Digitalisierung sind Druckprozesse noch immer so komplex, dass eine Prozessoptimierung nur mit dem Wissen von erfahrenen Beratern durchgeführt werden kann. Mit etlichen Terabyte an Daten kamen wir bei der Beratung in der Vergangenheit immer wieder an personelle Grenzen. Die Berater brauchten ein digitales Hilfsmittel, das Ihnen die Arbeit erleichtert. Ein solches Tool gab es noch nicht“. Also veranstaltete man gemeinsam mit der PAF als Technologiepartner einen Hackathon. Die neunte Ausgabe von Rockwell Automations „State of Smart Manufacturing“ Report liefert Einblicke in Trends und Herausforderungen für Hersteller. Dazu wurden über 1.500 Fertigungsunternehmen befragt, knapp 100 der befragten Unternehmen kommen aus Deutschland. ‣ weiterlesen
KI in Fertigungsbranche vorn
Automatisierte Ursachenanalyse
Dafür wurden zunächst 30 ausgewählte Talente aus 13 Nationen im Umgang mit dem Process-Mining-Tool PafNow geschult. Fünf Teams stürzten sich anschließend auf anonymisierte Daten der Heidelberg Cloud. Am Ende setzte sich ein Konzept durch, das mittels Prozessoptimierungen die Produktivität der Heidelberg-Kunden steigern sollte. Dabei wurde die These getestet, dass es anhand der Identifizierung von Daten-Mustern möglich ist, eine automatisierte Ursachenanalyse zu betreiben. Dieses Konzept stellte den Ausgangspunkt für PAT dar, das in der Folge über einen Zeitraum von rund 12 Monaten gemeinsam mit der PAF weiter zu einem funktionsfähigen Service ausgearbeitet wurde. Der Thin[gk]athon, veranstaltet vom Smart Systems Hub, vereint kollaborative Intelligenz und Industrie-Expertise, um in einem dreitägigen Hackathon innovative Lösungsansätze für komplexe Fragestellungen zu generieren. ‣ weiterlesen
Innovationstreiber Thin[gk]athon: Kollaborative Intelligenz trifft auf Industrie-Expertise
Unstrukturierte Daten
PAF-CEO Tobias Rother sieht die größten Herausforderungen des Projektes im Umgang mit den unstrukturierten Daten: „Klassische Process-Mining-Projekte setzen oftmals etwa auf SAP-Daten auf. Diese Daten sind soweit angereichert, dass unser Process-Mining-Tool hier im Handumdrehen eine Ursachenanalyse betreiben kann und die Lösung des Prozessproblems gleich mitliefert – in der Regel sogar auch gleich löst. Doch Druckmaschinen verfügen über etwa 3.000 Sensoren. Der Prozess ist hochkomplex. Hier helfen keine Standardanalysen mehr. Deswegen haben wir in enger Abstimmung mit dem Heidelberg Digital Unit-Team PAFnow auf die Sprünge geholfen.“
Das Problem erkennen
Die Overall Equipment Efficiency (OEE) von Druckmaschinen wird hauptsächlich über drei Parameter definiert. Erster Ansatzpunkt ist die Rüstzeit der Maschine, bis ein sogenannter ‚Gutbogen‘ entsteht, also der erste Bogen, der dem gewünschten Druckergebnis entspricht. Ein zweiter Parameter ist die Ausschussmenge, also die Anzahl verworfener Bögen bis zum gewünschten Ergebnis. Des Weiteren wird gemessen, wie lange der Druckjob dauert. „Spannend wird es, wenn man für die Ursachenanalyse einer suboptimalen OEE die entscheidenden Parameter in den Sensordaten sucht.“ Dazu brauche es zweierlei: Die Anwendungsexperten, die wissen, wo Prozessprobleme typischerweise ihren Ursprung nehmen, sowie ein System, das in tausenden von Daten in hoher Analysegeschwindigkeit Querbezüge herstellen kann. Eine weitere Herausforderung war, dass die Anomalien der verantwortlichen Parameter beim Hightech-Druck in der Regel so klein sind, dass sie eigentlich noch im Toleranzbereich der Maschinen liegen. Im Datenmodell des Process-Mining-Tools werden diese jedoch sichtbar. Die Anwendung kann messen, an welcher Stelle ein Problem seinen Ursprung hat, wie stark der Effekt ist und liefert Anhaltspunkte dazu, wie man gegensteuern kann. PAT gibt dann als Teil des Heidelberg Assistant eine Verbesserungsmaßnahme aus. Anwender erhalten dabei über ein Schulungsvideo Hilfe zur Lösung des Problems an der Maschine.
