Waarom slijt een bepaald machineonderdeel veel sneller dan andere onderdelen? Het antwoord is te vinden in data-mining, maar dit is voor productieomgevingen in het algemeen veel te kostbaar. Het programma Prodami diagnosticeert fouten in productiesystemen doelgericht. Zo is uitval van componenten te voorspellen en te herstellen.
De grijper van de machine pakt een autodeur op en transporteert deze naar de carrosserie, waar de deur automatisch wordt bevestigd, gestuurd via centrale software. Dit is zeer complex en maakt het productieproces storingsgevoeliger. Al bij kleine programmeerfouten kunnen productieverstoringen optreden, zoals regelmatig optredende afwijkingen bij een bepaald onderdeel.
Het kan even duren voordat dit wordt ontdekt. Kwaliteitsproblemen en productie-uitval worden vaak te laat gesignaleerd, de oorzaak onvoldoende gediagnosticeerd en gelokaliseerd, waardoor oplossingen en optimaliseringmaatregelen te laat worden gestart. Het gaat hierbij om de productontwikkeling en fabricageplanning, ook op ondernemersniveau.
Data-mining
Onderzoekers van het Fraunhofer-Institut für Informations- und Datenverarbeitung (IITB) in Karlsruhe ontwikkelden de Prodami software, waarmee zulke fouten sneller kunnen worden herkend en verholpen. Met deze software kunnen medewerkers een installatie in de diverse productiefasen nauwkeurig controleren, plannen en bijregelen.
De basis ligt bij data-mining, een techniek die grote hoeveelheden data zeer snel kan controleren en uit een veelvoud van productie- en sensordata specifieke informatiepatronen kan halen. Met dergelijke patronen zijn fouten eenvoudig en snel te herkennen, wat tot nog toe nogal kostbaar was en zodoende weinig werd toegepast in de industrie.
In het Prodami-project zitten naast IITB ook het Fraunhofer-Institut für Produktionsanlagen und Konstruktionstechnik (IPK) in Berlijn en het Fraunhofer-Institut für Techno- und Wirtschaftsmathematik (ITWM) in Kaiserlautern. Data-mining methoden worden al met succes gebruikt bij marketing, financiering en genonderzoek.
In de productieomgeving wordt het nog nauwelijks toegepast. Reden is dat de data niet in real-time konden worden verwerkt en de databronnen te veel verschillen. Prodami is echter eenvoudig te integreren in verschillende data- en communicatiestructuren en verwerkt de data in real-time. Methoden voor machinaal leren moeten er bovendien voor zorgen, dat Prodami storingsvrij in een draaiend productieproces kan worden geïntegreerd.
