Parameter Recommender: Mit Advanced Analytics zu weniger Produktionsausschuss

07.06.2021 | Data-Science-Team

Nach der Anbindung von Maschinen an die IT-Systeme stehen den entsprechenden Herstellern umfangreiche Produktionsdaten zur Verfügung. Um diese noch besser nutzbar zu machen, bedarf es einer systematischen Auswertung. Aus diesem Grund zog der Verpackungs- und Beschichtungsspezialist Mondi Release Liner Austria pmOne zu Rate. Mithilfe von Advanced Analytics, Artificial Intelligence und Machine Learning entwickelte das Data-Science-Team von pmOne auf Basis der historischen Maschinendaten ein Vorhersage-Modell und ein Maschinenparameter-Empfehlungssystem. Dadurch wird die Produktion silikonbeschichteter „Trennpapiere für Selbstklebeprodukte“ - beispielsweise Briefumschläge oder Etiketten - deutlich verbessert und damit im Idealfall Zeit, Kosten und Material eingespart.

Empfehlungssystem für Maschinenparameter des Release-Liner-Spezialisten Mondi

Beim Thema Verpackungen geht es in der Regel darum, dass etwas besonders stark klebt oder haftet. Doch manchmal ist es auch entscheidend, dass etwas nicht allzu stark haftet, genaugenommen: sich leicht ablösen lässt. Die Rede ist von sogenannten Release Linern, also spezialbeschichteten Papieren, auf die wiederum ablösbare Klebefolien aufgebracht werden. Typische Beispiele dafür sind Schutzfolien selbstklebender Umschläge, doppelseitiges Klebeband, Klebefolien für Fahrzeuge oder Trägerpapier für Etiketten, die auf Produktpackungen aufgeklebt werden. Der Fachbegriff lautet „Trennpapiere für Selbstklebeprodukte“. Hier ist das optimale Klebeverhalten der Abziehstreifen entscheidend für die Produktqualität.

 

Mondi Release Liner Austria ist einer der führenden Anbieter in diesem Bereich. Nachdem weite Teile der Produktion im Zuge der digitalen Transformation an verschiedene IT-Systeme angebunden wurden, war es an der Zeit, erste Verbesserungspotenziale bei der Produktion der silikonbeschichteten Papierrollen zu ermitteln und zu heben. Hierbei wandte sich Mondi für den kompletten Projektbereich rund um Advanced Analytics an pmOne. Zu den weiteren Partnern zählten OSIsoft und die Process Automation Solutions GmbH.

 

Gestartet wurde die Zusammenarbeit im Rahmen eines Proof of Concept (PoC). Das Ziel für den PoC war es zu prüfen, ob eine Vorhersage der Klebekraft („Release Value“) von beschichtetem Papier mit den bereits gesammelten Daten möglich ist. Indirekt suchte man auch nach Antworten auf die Fragen: Mit welchen Maschinenparametern lassen sich aufwändige Nacharbeiten reduzieren, die Produktqualität verbessern oder eine höhere Prozessstabilität erreichen? Zur Beantwortung dieser Fragen setzte pmOne auf die Möglichkeiten von Advanced Analytics, Artificial Intelligence und Machine Learning.

Parameter Recommender

Über 100 Einflussparameter

Die Klebekraft ist das wichtigste Qualitätsmerkmal und damit der wichtigste KPI für Silikon-beschichtetes Papier. Allerdings wird die Klebekraft in der Regel frühestens 24 Stunden nach der Produktion gemessen, da sie sich unmittelbar danach noch verändern kann. Damit fehlt den Maschinenführern (auch „Operator“ genannt) in der Produktion ein entscheidendes Merkmal zur Steuerung des Produktionsprozesses. Es kann also passieren, dass eine ganze Charge an Papierrollen produziert wird und sich erst nach der Messung der Klebekraft - also 24 Stunden später - herausstellt, dass sie den Anforderungen nicht genügt. Dies kann teuer werden, insbesondere wenn die Charge nicht anderweitig verwertet werden kann, sondern als Ausschuss endet. Mit einer Echtzeitvorhersage der Klebekraft würde ein Operator noch während der Produktion ein Feedback zur aktuellen Charge erhalten, könnte gegebenenfalls gegensteuern – und so letztendlich Ausschuss und Kosten senken.

 

Der PoC förderte die wesentlichen Herausforderungen dieses Projektes zu Tage. So standen beispielsweise über 900 Mess- und damit potentielle Einflussgrößen zur Verfügung.  Da es sich beim verwendeten Rohmaterial um ein Naturprodukt handelt, lag zudem eine große Datenvarianz vor. Hinzu kam, dass die eingesetzten Maschinen den Anwendern Einstellmöglichkeiten für über 100 Prozessparameter bieten, so beispielsweise rund um Abrollung, Silikonauftrag, Trocknung, Kühlung, Befeuchtung und die abschließende Aufrollung der beschichteten Papiere. Entsprechend setzt die optimale Bedienung der Maschinen langjährige Erfahrung voraus.

 

 

Vom Machine-Learning-Modell zum Empfehlungssystem

Trotz der umfangreichen Herausforderungen konnten im Rahmen des PoC erste erfolgversprechende Ergebnisse erzielt werden, das heißt, es entstanden erste Machine-Learning-Modelle für die Qualitätsvorhersage von einigen wenigen Produkten. Die Qualität der Vorhersagen zeigte hierbei ein deutliches Potenzial auf. Damit war klar, dass der gewählte Ansatz grundsätzlich funktioniert und im Rahmen eines Minimum Viable Products (MVP) ausgeweitet und operationalisiert werden kann. Während des PoCs entstand außerdem die Idee, zusätzlich zur Qualitätsvorhersage auch ein Empfehlungssystem für die Maschinenparameter umzusetzen und damit auch weniger erfahrenen Operators eine optimale Bedienung zu ermöglichen. Schließlich analysierte man bereits historische Daten und könnte Einstellungen aus der Vergangenheit, die zu guten Ergebnissen in der Qualitätsmessung führten, für die Produktionen von heute empfehlen. Damit würde das System inhaltlich für einen Art Austausch zwischen erfahrenen Operators sorgen, indem alle von den zur Verfügung gestellten Best-Practice-Einstellungen profitieren. Beide Ideen erwiesen sich als äußerst vielversprechend und wurden im Rahmen eines MVP-Projekts umgesetzt.

 

Der Weg zur besten Vorhersagequalität

Herausfordernd bei der Umsetzung war dabei, dass es die Produktvielfalt und zum Teil auch die Business-Logik zu berücksichtigen galt. Wo im PoC nur mit wenigen Produkten gearbeitet wurde, mussten nun die Vorhersagen mit möglichst vielen Produkten funktionieren. Das kann problematisch sein, da für selten produzierte Produkte entsprechend wenige Daten für das Training von Machine-Learning-Modellen vorliegen und die Vorhersagequalität dabei von Produkt zu Produkt schwanken kann. Ebenso reichte es nicht mehr, die Klebekraft von nur einer Seite vorherzusagen, sondern auch doppelseitig beschichtete Produkte zu berücksichtigen. Letzteres war schwieriger, als es zunächst schien, da die Produktionsdaten und die Daten der Qualitätsmessung in einigen Fällen nicht eindeutig zugeordnet werden konnten. Durch intensiven Austausch aller involvierten Projektpartner ließ sich aber auch hier die Business-Logik rekonstruieren. Die Klebekraft-Vorhersage, die im Rahmen des PoCs konzeptionell gelöst war, erhielt durch die Produktvielfalt nochmal eine weitere Komplexitätsstufe und wurde entsprechend verfeinert. Darüber hinaus wurden für den MVP alle nötigen Datenströme automatisiert und auf Echtzeit oder „nahe Echtzeit“ umgestellt. Während des PoCs konnte man zudem noch mit händischen Datenexporten aus der Vergangenheit arbeiten. Im laufenden Betrieb ist das natürlich nicht mehr möglich, denn hier sind stets die Daten der aktuell anliegenden Produktion erforderlich.

Ampelsystem für die Operators

Eine weitere Herausforderung: die Vorhersage-Ergebnisse und die Empfehlungen für die Maschineneinstellungen mussten auch für Operators ohne Background in den Bereichen Advanced Analytics, Artificial Intelligence oder Machine Learning verständlich visualisiert werden. Hierfür wurde ein Ampelsystem entwickelt: Steht die Ampel auf Grün, liegt die prognostizierte Klebekraft innerhalb der Produktanforderungen. Schaltet die Ampel auf Rot, ist dies das Signal für den Operator, Anpassungen an der Maschine vorzunehmen, denn die produzierte Klebekraft wird aller Wahrscheinlichkeit nach außerhalb des Sollbereichs liegen.

Parameter Recommender
Per Ampelsystem erhalten Maschinenbediener schnell einen Überblick zu den vielversprechendsten Parametern

Für diesen Fall bietet dann das Recommender-System Einstellvorschläge für die vielversprechendsten Prozessparameter. Dabei werden aktuelle Gegebenheiten wie Raumtemperatur, Luftfeuchtigkeit sowie Bandgeschwindigkeit berücksichtigt und mit den Werten aus der Vergangenheit abgeglichen. Da derartige Empfehlungen nicht nur im Falle einer roten Ampel hilfreich sein können, erhalten die Operators außerdem die Möglichkeit, sich noch vor Produktionsstart die empfohlenen Maschinen-Einstellungen anzusehen und zu übernehmen. Damit lässt sich ggf. Ausschuss ab der ersten Rolle einer Charge verhindern werden und nicht erst, wenn die Maschine bereits angelaufen ist.

Weniger Aufwand, bessere Produkte

Damit steht Mondi ein völlig neues System zur Qualitätssicherung und zur kontinuierlichen Prozesskontrolle zur Verfügung. Eine abschließende Evaluierung steht noch aus, aber erste Tests zeigen, dass der Ausschuss sowie erforderliche Nacharbeiten reduziert werden können. Dies führt zu unmittelbaren Kosteneinsparungen und zu einer höheren Kundenzufriedenheit. Darüber hinaus hängt ein optimales Produktionsergebnis nun nicht mehr ausschließlich am Expertenwissen einzelner Mitarbeiter. Weitere Details zum Projekt unter: https://www.osisoft.de/presentations/digital-analytics-to-reduce-variability-in-production--mondix/.

 

 

Sie brauchen "mehr" zum Advanced Analytics und Data Science?

Sie suchen eine ähnliche Lösung?

Wir freuen uns auf Ihre Fragen. Rufen Sie uns an oder schreiben Sie uns!

Data Science Web-Seminare

Mit AI Kunden gewinnen, verstehen und binden. Mehr...

Finanzoptimierung als Zukunftsgarant Mehr...

Mit AI zu mehr Effektivität

Mehr...

Mit Künstlicher Intelligenz zum Einkauf 4.0 Mehr...