Was wir bieten

Prozess- und Datenwissen aus einer Hand

Interdisziplinäres Team

Die EIDOdata entstand durch langjährige interdisziplinäre Kooperationen an der Universität Duisburg-Essen und der Hochschule Kempten. Das Team aus Gießerei-, Werkstoff- und Wirtschaftsingenieuren, Mathematikern und Informatikern arbeitet und forscht intensiv im Bereich datengetriebener Werkstoff- und Prozessoptimierung und wendet dieses Wissen auf praxisrelevante industrielle Prozesse an.


Die richtige Datenbasis

Unterstützung bei der Datenaufbereitung 

Für eine ausschuss- und kostenminimierende Steuerung robuster Produktionsprozesse ist detailliertes Prozess- und Anlagenwissen unabdingbar. Je differenzierter dieses Wissen vorliegt, desto zielgerichteter kann das Wechselspiel zwischen Ursache und Wirkung verstanden werden; erst dann sind daraus abgeleitete Handlungsanweisungen möglich. In der Praxis liegt solches Wissen jedoch häufig als nicht greif- und messbares Expertenwissen vor und steht somit naturgemäß nicht allen Mitarbeitern zur Verfügung. Unzureichende Messwerterfassung sowie prozessbedingte Produktionsschwankungen erschweren darüber hinaus belastbare Aussagen über Korrelationen prozesssignifikanter Parameter.

Der Erfolg datengetriebener Modelle hängt von der „richtigen“ Datenbasis ab (garbage in, garbage out – eine Redewendung aus der Informatik, die besagt, dass schlechte Eingaben auch schlechte Ausgabe erzeugen).

Die EIDOdata unterstützt den Anwender beim Beantworten der Frage, welche gemessenen Einflussgrößen überhaupt für die Prognose der Qualitätsmerkmale (Zielgrößen) relevant sind und einen signifikanten Einfluss haben; darunter befinden sich die sogenannten Key-Performance-Indikatoren (KPI). Das Reduzieren auf relevante Einflussgrößen verringert nicht nur den Trainingsaufwand der entsprechenden Methoden des maschinellen Lernens, sondern auch den Messaufwand und die damit verbundenen Kosten.

Eine wesentliche Voraussetzung für datengetriebene Modelle, die eine optimierte Parameterauswahl eines Produktionsprozesses mit Methoden des maschinellen Lernens dynamisch unterstützen, ist eine hinreichend gute Datenbasis. Der Erfolg solcher Modelle wird durch die Prognosequalität der Daten bestimmt, die für das individuelle Prognoseziel relevant sind. EIDOdata stellt daher einen Präprozessor zur Verfügung, der die Datenbasis durch eine Vielzahl intelligenter Methoden aufbereitet. Dazu gehören beispielsweise die Dimensionsreduktion der Einflussgrößen z.B. durch Hauptkomponentenanalyse, Information über lineare Korrelation der involvierten Prozessparameter und zahlreiche Glättungsalgorithmen für verrauschte Prozessdaten.


Prozessverständnis

EIDOdata bietet benutzerfreundliche Lösungen, um mit Hilfe datengetriebener Prozessmodelle die betrieblichen Zusammenhänge zu verstehen und selbst bei komplexen Prozessen signifikante Einflüsse auf die Zielgrößen (wie beispielsweise Festigkeit und Dehnung eines Werkstoffes) vorherzusagen.

Das Erheben von Daten eines Prozesses stellt Anwender vor die Frage, welche Einflussgrößen überhaupt für die Prognose der Qualitätsmerkmale (Zielgrößen) relevant sind. Im Vorfeld können zwar Expertenmeinungen eingeholt werden; aber auch ein Experte kann nicht immer alle Faktoren erkennen, die einen signifikanten Einfluss auf die Zielgrößen haben. Werden diese nicht erkannt und somit den Werkzeugen des maschinellen Lernens nicht zur Verfügung gestellt, können funktionale Zusammenhänge durch die Algorithmen nur unzureichend abgebildet werden. Betriebliche Daten bestehen oft aus einer großen Anzahl von Variablen. Welche davon relevant sind, ist in den meisten Fällen nicht bekannt. Aus solch einer Masse an funktional unabhängigen Variablen, die sich möglicherweise auf die Zielgröße(n) auswirken, sind genau die Prozessparameter herauszufiltern, die tatsächlich einen signifikanten Einfluss haben – unter diesen befinden sich die Haupteinflussgrößen, auch Key-Performance-Indikatoren (KPI) genannt.


Prozesstransparenz und Nachhaltigkeit

Kosteneinsparung durch stabile und robuste Prozesse

Komplexe Fertigungsabläufe mit ineinandergreifenden Prozessen und wechselseitigen Prozessabhängigkeiten kennzeichnen die moderne Prozessindustrie. Entsprechend aufwendig ist die Zielgrößenoptimierung, d.h. die Aufdeckung ursächlicher Zusammenhänge zwischen Prozess- und Produkteigenschaften und den entsprechenden Einflussgrößen. Klassische Zielgrößen sind vor allem Qualität und Ausschuss sowie ein effizienter Umgang mit Energie- und Materialressourcen.

Ein immens steigendes Datenvolumen enthält zwar implizit das Wissen über die wirkenden Zusammenhänge, geeignete Werkzeuge zur Erschließung und Nutzbarmachung für die kontinuierliche Optimierung von Qualität, Ausbringen oder Kosten stehen jedoch häufig nicht zur Verfügung. Die EIDOdata-Prognosesoftware kann mit einer geeigneten Datenbasis ursächliche Zusammenhänge zwischen Qualitätskennwerten eines Prozesses oder eines Produktes und den auslösenden Parametern erkennen und optimierte Prozessfenster finden. Damit können Zielgrößenabweichungen frühzeitig erkannt und die betreffenden Prozesse stabil und robust gesteuert werden.


Prozesse in jedem Prozessschritt optimal steuern – Rückwärtsanalyse

Werden in einem Prozessschritt die entsprechenden Qualitätskennwerte nicht erreicht, wie beispielsweise die mechanischen Eigenschaften eines Gusswerkstoffes, so kann mit der von EIDOdata entwickelten „Rückwärtsanalyse“ untersucht werden, ob und wie diese – in noch ausstehenden Prozessschritten – mit den entsprechenden Einflussgrößen geändert werden können, um die geforderten Zielgrößen dennoch zu erreichen.

Mit einer Sensitivitätsanalyse können diejenigen Prozessparameter ermittelt werden, die einen großen Einfluss auf die Qualitätskennwerte besitzen. Die Prognosefunktionen können darüber hinaus mit einer Wissensbasis kombiniert werden. In dieser Wissensbasis können Handlungsanweisungen für Fälle hinterlegt werden, in denen Qualitätskennwerte in einem Prozessschritt gemäß Prognose nicht erreicht werden.