Die Anforderungen an die moderne Stahlherstellung steigen täglich

Tim Eschert

Maschinelle Lernverfahren zur Lösung von Qualitätsproblemen – die Perspektive eines Startups auf die Zusammenarbeit mit großen Konzernen

Die Auswirkungen dieser Industrie auf die Beschäftigung, die Umwelt und unser tägliches Leben sind mit nur wenigen anderen Industrien vergleichbar. Die Digitalisierung verändert nicht nur die Art und Weise, wie wir kommunizieren, lernen und arbeiten, sondern auch die Art und Weise, wie wir planen, handeln und produzieren. Während einige dieser Bereiche durch neue Methoden und Technologien bereits einen enormen Wandel erfahren haben, steht die industrielle Fertigung erst am Anfang ihres Weges.

In modernen Fabriken versuchen wir, die Auswirkungen jeder unserer Handlungen auf die Umwelt, die Produktqualität und die Betriebsausstattung zu verstehen. Die Antwort der Stahlproduzenten auf vielfältigere und strengere Kundenanforderungen ist Produktinnovation und bessere Prozesskontrolle. Um diese Ziele zu erreichen, haben Stahlwerke in den letzten zwei Jahrzehnten neue Sensoren installiert und in die Automatisierung investiert. Wir haben damit begonnen, qualitativ hochwertige Daten über unsere Fabriken, Betriebe und Prozesse zu sammeln.

Der übliche Prozessverbesserungsansatz für Fabriken ist „Six Sigma“ – eine Reihe von statistischen Techniken und Verfahren aus den 1980er Jahren, die zur systematischen Verbesserung industrieller Arbeitsabläufe eingesetzt werden. Six Sigma war in den 1990er Jahren sehr beliebt. Am Ende dieses Jahrzehnts wurde es von zwei Dritteln der Fortune 500-Unternehmen verwendet. Aber in den heutigen digitalisierten, datenreichen Fabriken beginnt diese Technik ihr Alter zu zeigen. Es ist Zeit für eine Aktualisierung.

Machine Learning ist eine Technologie, die aus komplexen Datensätzen Zusammenhänge herausfindet. In den letzten fünf Jahren hat dieser Bereich Fortschritte gemacht, die die Art und Weise, wie die Fabriken die bereits vorhandenen Daten wahrnehmen und nutzen, verändern können. Sie ermöglichen es uns, über die statischen, einzelnen Analysen hinauszugehen, die wir in Six Sigma gewohnt sind. Stattdessen können wir jetzt kontinuierlich die Daten einer ganzen Fabrik analysieren, um Einblicke in unsere Prozesse zu gewinnen und die verborgenen Beziehungen zwischen unseren Produktionsparametern in einem bisher nicht möglichen Ausmaß zu entdecken.

Was genau ist der Unterschied zwischen Data Analytics, Six Sigma und ML – und was haben sie gemeinsam?

Letztendlich sind es drei verschiedene Werkzeuge, die in unterschiedlichen Situationen nützlich sind.

  • Data Analytics ist explorativ. Es umfasst die Einrichtung eines automatisierten Prozesses zur Datenerfassung und die anschließende manuelle Analyse eines Datensatzes zur Visualisierung von Mustern.
  • Six Sigma stützt sich auf handverlesene Werte und Parameter. Es stützt sich auf einen definierten Prozess, den „DMAIC-Zyklus“. Die Datenmenge, die normalerweise in jedem Zyklus berücksichtigt wird, ist gering. Die Werte werden in der „Definitions“-Phase von Hand ausgewählt und dann in der zweiten Phase gemessen. Dies bedeutet, dass ein Six-Sigma-Prozess schnell von den menschlichen Experten, die die Studien durchführen, verzerrt wird.
  • Was Machine Learning einzigartig macht, ist eine ganzheitliche Sicht auf die Herstellung. Das maschinelle Lernen erkennt automatisch verborgene Muster in den Daten. Es ist erklärend, was über den explorativen Ansatz der Datenanalyse hinausgeht. Es ist umfassend, was über den begrenzten und oft verzerrten Ansatz von Six Sigma hinausgeht.

Optimierung des Legierungsverbrauchs durch „White Box“-Machine Learning

Lernen Sie Susan kennen. Susan arbeitet seit einiger Zeit als Continuous Improvement Manager in einem Stahlwerk. Ihre Aufgabe ist es, Qualitätsprobleme zu reduzieren, Produkttoleranzen zu verbessern und Kosten zu minimieren. Seit den 80er Jahren hat sich viel geändert – das Werk wird jetzt vollständig von digitalen Geräten gesteuert, und Susan verbringt einen Großteil ihrer Zeit vor dem Computer wo sie versucht, alle Daten, die das Werk erzeugt, zu verstehen.

Susan ist eine Expertin für Techniken zur Prozessverbesserung. Sie hat in der Vergangenheit mehrere Six-Sigma-Projekte durchgeführt, wobei sie sich jeweils nur auf eine handverlesene Untermenge von Qualitätsmetriken und -parametern konzentrierte. Die Erkenntnisse, die sie durch diese Projekte gewonnen hat, waren wertvoll. Aber die Tools konnten einfach nicht alle Daten des gesamten Prozesses verarbeiten. Sie hatte das Gefühl, dass ihr das Gesamtbild fehlte.

Versuchen wir, uns ein Modell für maschinelles Lernen vorzustellen, das Susan bei der Analyse ihres gesamten Prozesses helfen könnte. Susan verfügt über Hunderte von Einstellungen, Eingaben und Parametern, die sie während des Fertigungsprozesses manipulieren kann. Man kann sich vorstellen, ein maschinelles Lernmodell anhand der historischen Daten dieser Einstellungen zu trainieren und dieses Modell optimale Einstellungen vorhersagen zu lassen, die Susan ihren Kollegen empfehlen kann.

Dies wird als „Black Box“-Modell bezeichnet. Black-Box-Modelle sind ausgezeichnete Werkzeuge für die Vorhersage. Sie eignen sich hervorragend dazu, zu lernen, wie man Vorhersagen auf der Grundlage historischer Eingaben in ein System treffen kann. Diese Blackbox-Modelle sind im Technologiesektor weit verbreitet und ermöglichen es Unternehmen wie Google und Facebook, Dokumente zu übersetzen, selbstfahrende Autos zu entwickeln und Ihnen den nächsten Einkauf zu empfehlen.

Ein Blackbox-Modell könnte für die Produktempfehlungen von Amazon gut funktionieren, aber es stellt Susan vor einige Probleme. Erstens hätte sie keine Möglichkeit zu verstehen, wie das Modell zu diesen optimalen Einstellungen kam. Vielleicht wurde es durch einen Temperatursensor verursacht, der manchmal schlechte Messwerte hat. Zweitens könnte sie nicht diagnostizieren, was bei den schlechten Läufen schief gelaufen ist, um sie in Zukunft zu vermeiden. Drittens konnte sie die Ergebnisse des Modells nicht anhand ihrer dreißigjährigen Erfahrung validieren. Vielleicht fand das Modell des maschinellen Lernens eine kleine Menge an Beweisen für eine Beziehung, die Susan immer vermutete, aber nie verifizieren konnte.

Was Susan braucht, ist ein transparentes Machine Learning. Sie muss verstehen, wie die Vorhersagen zustande kommen, damit sie ihre Arbeit besser machen kann. Glücklicherweise gibt es einen weiteren Zweig des maschinellen Lernens, der sich genau diesem Thema widmet: das interpretierbare maschinelle Lernen.

Susan hat diese neuen leistungsfähigen Techniken erfolgreich eingesetzt. Mit modernem maschinellem Lernen hat sie ganz neue Produktqualitäten entwickelt und die wichtigsten Qualitätskennzahlen in ihrem Werk optimiert. Durch die einfache Kombination ihrer sofort verfügbaren Daten, die in den Datenbanken zur Verfügung stehen, konnte sie bereits im ersten Jahr siebenstellige Einsparungen realisieren.

How to: Ein Pilotprojekt zum maschinellen Lernen evaluieren

  1. Das Pilotprojekt sollte mit dem operativen Status quo der verglichen werden. Welche Arten von Analysen werden heute in der Fabrik durchgeführt? Ist die Genauigkeit dieser Analysen vertrauenswürdig? Wann wurde das letzte Mal eine Six-Sigma-Analyse zur Verbesserung eines bestimmten Prozesses durchgeführt?
  2. Beginnen Sie mit einem kleinen Teil der Produktionslinie. Konzentrieren Sie sich auf ein einziges Ziel. Ist dieses Ziel für Ihr Werk wichtig? Verfügen Sie über Daten aus diesem Teil des Prozesses? ML ist flexibel; der Projektwert wird sich durch eine spätere Erweiterung des Analysebereichs deutlich erhöhen.
  3. Interpretieren Sie die Ergebnisse mit Fachexperten. Halten Sie die relevanten Ingenieure und Manager am Projekt beteiligt. Können die Ingenieure die Software korrekt verwenden und die Ergebnisse interpretieren? Sehen die Manager den monetären Nutzen, den die Ingenieure aus diesen Erkenntnissen ziehen?

Tim EschertTim Eschert
Application Engineer
Fero Labs GmbH

Verfasst in: Allgemein, Blog, News zur Veranstaltung