Parameter Recommender: Mit Advanced Analytics zu weniger Produktionsausschuss

Empfehlungssystem für Maschinenparameter des Release-Liner-Spezialisten Mondi: Lesen Sie, wie das Unternehmen Mondi mithilfe eines Vorhersage- und Empfehlungssystems seine Produktion deutlich verbesserte und Material eingespart hat.
Empfehlungssystem für Maschinenparameter des Release-Liner-Spezialisten Mondi
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.

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 Empfehlungs-System
Der Weg zur besten Vorhersage-Qualität
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.


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/.