Weihnachten

Weihnachten rückt näher – bei uns gab es bereits die erste Bescherung: Wir konnten das Release unseres DatenBerg Backpacks feiern. Dieses Softwarepaket beinhaltet einen Webserver, unsere eigens entwickelte Datenbank, ein schickes Frontend und unsere erste Analyse-App: Der DataCheck.

 

Kennen Sie diese Situation: Sie analysieren Daten aus der Produktion und möchten Korrelationen identifizieren – vielleicht ganz klassisch mit einem Tabellenverarbeitungsdiagramm. Doch auch nach mehreren Versuchen kommt kein brauchbares Ergebnis heraus. Dabei haben Sie doch mehrere Zeiträume gewählt, die Daten händisch überprüft und bereinigt. Auch wir kennen das Gefühl – in den ersten Datenanalyseprojekten sind wir über ähnliche Fallstricke gestolpert: Unsere Analysen erreichten zu Beginn nicht den erwünschten Erfolg, unsere Algorithmen kämpften mit Ausreißern und unerkannten Sprüngen in den Daten. Kurz gesagt – die Datenqualität machte uns zu schaffen. Eine Out-of-the-Box Lösung, um die Datenqualität zu bewerten war jedoch nicht griffbereit. Diese Lücke füllen wir mit unserer DataCheck-App. Sie kann aus einem Datensatz mit mehreren Messwerten oder Maschinendaten relevante Merkmale der Datenqualität identifizieren. Dazu etwas Theorie:



Ausreißer

Einzelne Messwerte im Zeitverlauf, die so stark vom durchschnittlichen Prozesszustand abweichen, dass die Wahrscheinlichkeit für deren Eintreten sehr gering ist. Mit anderen Worten – sie sind vermutlich falsch! Ursachen hierfür können z.B. Falschmessungen, ein Ausfall des Messmittels sein oder falsche Eingaben, falls der Werker die Messwerte von Hand eingibt. Im DataCheck werden Ausreißer automatisch erkannt und gekennzeichnet.

Sprünge zeichnen sich – im Gegensatz zu üblichen Prozessschwankungen – durch signifikante Veränderungen im Datenverlauf aus. Ursachen dafür können Chargenwechsel oder Eingriffe in den Prozess sein. Mit der automatischen Erkennung und Kennzeichnung von Sprüngen können verschiedene Einflüsse nachvollzogen werden. So entstehen wertvolle Erkenntnisse über das Prozessverhalten und nicht repräsentative Messwertverläufe können für die weiteren Analysen bereinigt werden.



Sprünge





Rauschen

Rauschen in Messdaten kann durch Messmittel- und Prüfsystemungenauigkeiten entstehen. Im DataCheck wird das Rauschen mithilfe von mathematischen Glättungsverfahren herausgefiltert. Über die Werte G95 und G99 lässt sich die Stärke des Rauschens beschreiben. Sie geben an, in welchem Intervall 95% (G95) bzw. 99% (G99) der Werte um den geglätteten Prozesszustand liegen. Zum Beispiel liegen bei einem Wert von G99 = 2mm 99% der Werte mit einem Rauschen von +/- 2mm um den realen Prozesszustand. Je kleiner der Wert ist, desto genauer ist der Messaufbau und damit geht auch eine bessere Qualität von möglichen Datenanalysen einher. Die Differenz dieser Werte zu den Eichangaben auf dem Messmittel zeigt auf, wo es Verbesserungspotential im Messaufbau gibt. Ist sie groß, so gibt es möglicherweise Einflüsse, wie beispielsweise die Aufhängung eines Geometriemessmittels oder Lichteinfall bei einem optischen Messystem.

Basierend auf der Gesamtheit der Werte können wir den Zustand der aktuellen Datenqualität beschreiben. So lässt sich schnell und übersichtlich erkennen, ob Analysen auf dem vorliegenden Datensatz sinnvolle Ergebnisse liefern können oder wo noch Verbesserungspotenziale liegen.

Theorie in die Praxis umsetzen - Fallbeispiel:

In Abbildung 1 sehen Sie den Gewichtsverlauf eines spritzgegossenen Bauteils. Der Datensatz beschreibt einen Produktionstag mit knapp 500 Teilen. Erkennen Sie wie viele Ausreißer und Sprünge in dem Datensatz sind?

Abbildung 1: Gewichtsverlauf eines Werkstücks

Mit unserem DataCheck ist diese Aufgabenstellung schnell erledigt. Sie sehen in dem Verlauf sieben Ausreißer und einen Sprung. Integriert ist die Ansicht in unsere Weboberfläche, zur einfachen und schnellen Bedienung.

Abbildung 2: Analyse des Gewichts im DataCheck

Das Ergebnis des DataCheck: Wenn die Toleranz für das Gewicht kleiner als +/- 1.35g ist, sollte der Einsatz eines anderen Messmittels erwogen werden. Die Anzahl der Ausreißer sollte ebenfalls genauer untersucht werden, ob hier tatsächlich Qualitätsfehler zu Grunde liegen oder ob ein Messfehler vorlag. Der Sprung markiert ein deutliches Geschehen, das Einfluss auf den Prozess genommen hat und auf das offensichtlich nicht reagiert worden ist. Hier sind die möglichen Einflussgrößen zu untersuchen, die zu dieser sprunghaften Abweichung geführt haben: Hat der Mitarbeiter vielleicht vor lauter Weihnachtstrubel aus Versehen die Maschine verstellt oder kommt der Sprung durch eine Veränderung in der Mischung des Kunststoffgranulats? Hier setzt unsere App DeepDive an, die Anfang 2019 veröffentlicht wird. Bleiben Sie auf dem Laufenden und melden sich bei unserem Newsletter an, um die Neuigkeiten nicht zu verpassen!

Wir wünschen ein frohes neues Jahr und viel Erfolg im kommenden Geschäftsjahr!

Ihr DatenBerg Team