„In unserem gemeinsamen Projekt hat das SDSC-BW auf-gezeigt, wie wir unsere Produktionszeiten besser abschätzen können. Dies motiviert uns, die kontinuierliche und detaillierte Maschinendatenerfassung und Produktionsplanung weiter auszubauen, um so schneller zu einer Echtzeitbewertung durch Smart Data-Algorithmen zu gelangen.“
Tobias Fischer / Lean-Manager

Geschätzte Produktionsplanung

Wie Smart Data hilft, die Fertigungszeit ihrer Produkte besser vorherzusagen

Der Kunde

Die Erdrich Umformtechnik GmbH mit Sitz im badischen Renchen-Ulm ist ein familiengeführtes Unternehmen, das seit mehr als 55 Jahren weltweit Brems-, Fahrwerks- und Antriebsteile für die Automobilindustrie liefert. Erdrich strebt nach permanenten Verbesserungen, Einsparungen und Erhöhung des Kundennutzens durch zusätzliche Funktionen. Dies gilt für alle Stanz-, Feinschneide-, Tiefziehprodukte und Baugruppen, die hergestellt werden.
www.erdrich.de

Die Daten

Bei der Produktion von Bauteilen sind mehrere Schritte mit teilweise externen Zulieferungen erforderlich. Für die verschiedenen Produktionsschritte (z.B. Pressen, Montieren, Schweißen) liegen unterschiedliche Daten vor, die beispielsweise von der genutzten Maschine stammen; gleichzeitig kommen während der Produktion neue Daten hinzu: u.a. über notwendige Maschinenreparaturen, die Maschinengeschwin-digkeit oder die produzierte Stückzahl. Für eine erste Potentialeinschätzung der Daten wurden Fahrwerks-komponenten ausgewählt; hierzu wurden dann die Daten der gesamten Produktionsprozesse über einen Zeitraum von anderthalb Jahren bereitgestellt.

Die Herausforderung

Die qualitativ hochwertige und planmäßige Produktion einer großen Menge von Bauteilen ist ein komplexer Prozess, der aus unterschiedlichen Einzelschritten besteht. Verzögert sich einer dieser Schritte, muss der Zeitverlust an anderer Stelle kompensiert werden, um den Plan einhalten zu können. Da die Plandaten, die vor Beginn einer Produktion zur Verfügung stehen, stark begrenzt sind, stoßen klassische Business Intelligence (BI)-Tools hier an ihre Grenzen. Das Ziel des Projekts war, diese Datenmenge mit Smart Data-Technologien intelligent anzureichern und auszuwerten.

Die Potentialanalyse

Die kostenlose, vom Ministerium für Wissenschaft, Forschung und Kunst Baden-Württemberg geförderte Potential-analyse des SDSC-BW startete mit der Suche nach möglichen Einflussfaktoren für eine Planungs-verzögerung. Schnell stellte sich heraus, dass bestimmte Maschinenarbeitsplätze und Komponenten-kombinationen besonders häufig zu einer Planabweichung führen. Die Analyse warf dabei die Frage auf, ob der bisher genutzte Planungsansatz flexibel genug auf die sich ständig verändernden Maschinen- konditionen reagieren kann. Die Experten berieten sich und erweiterten ihre Zielstellung auf die Erprobung einer dynamischen Planung. Sie reicherten dafür den Datensatz mit weiteren Informationen aus historischen Produktionsdaten an.

Das Resultat

Das Projektteam konnte neben wichtigen Einflussgrößen, die häufig zur Verzögerung bei der Produktion führen, verschiedene Verarbeitungsketten identifizieren, mit denen die zeitliche Abschätzung der Produktion verbessert werden kann. Dabei evaluierte es eine Reihe leistungsfähiger und moderner Algorithmen sowie spannende Vorverarbeitungsschritte. Neben der Bestimmung der typischen statistischen Fehlermaße wurden die Ergebnisse auch als Kostendifferenzen zum ursprünglichen Planmodell sowie einem sehr einfachen Basis-Modell (Mittelwertschätzer) evaluiert. Erdrich erfuhr auf diese Weise, dass sich die Produktionskosten durch die verbesserte Produktionszeitschätzung genauer voraussagen lassen.

Wie es weiter geht

Durch das Projekt mit dem SDSC-BW erhielt Erdrich einen neuen Ansatzpunkt für die Untersuchung möglicher Produktionsverzögerungen. Mit Hilfe der neu entwickelten Regressionsmodelle kann die Planungsgenauigkeit verbessert und dynamisch angepasst werden. Auch wenn die Maschinendatenerfassung noch nicht lückenlos erfolgt, helfen die erzielten Ergebnisse den Entscheidern dabei, die Umsetzung der Digitalisierung fundiert voranzutreiben. Bereits heute sind die Ergebnisse zur Verbesserung der Produktionszeitschätzung verwendbar.