Methoden

Methoden der datenbasierten Fertigungsoptimierung#

Vorausschauende Wartung (Predictive Maintenance) prognostiziert notwendige Instandhaltungsmaßnahmen mit dem Ziel, Anlagenbetriebszeiten und Wartungspläne zu optimieren und gleichzeitig Anlagenausfälle durch verpasste Wartungsmaßnahmen zu vermeiden.

Fehlererkennung und -klassifikation (Fault Detection and Classification) deckt Anomalien von Anlagen und Prozessen auf und ermittelt die Fehlerursachen.

Run-to-Run-Kontrolle modifiziert die Prozessparameter zwischen zwei aufeinander­folgenden Durchläufen selbsttätig, um das Prozessergebnis zu verbessern.

Virtuelle Messtechnik (Virtual Metrology) ermöglicht die Vorhersage von Qualitätsparametern nach einzelnen Prozessen. Damit lässt sich die Anzahl der real benötigten Messungen deutlich reduzieren, so dass eine dichte Qualitätskontrolle bei erhöhtem Durchsatz erreicht wird.

Der Austausch von Prozessdaten und Geräte-Parametern macht eine Fertigungsoptimierung im Sinne einer Prozessregelung im Vorfeld, einer Prozessanpassung im Nachgang oder einer bedarfsgerechten Unterbrechung der Fertigung, z.B. für eine Instandhaltungsmaßnahme, erst möglich.

Anerkannte Vorgehensweise entsprechend gültiger Standards#

Das Vorgehen von Dr. Production orientiert sich an anerkannten Standards. So folgt die Herangehensweise in Data-Mining-Projekten dem Standard-Prozess-Modell CRISP-DM (Cross-Industry Standard Process for Data-Mining), bei dem sechs Phasen unterschieden werden: Geschäfts- / Prozessverständnis, Datenverständnis, Datenvorbereitung, Modellierung, Evaluierung, Bereitstellung.

Diese Phasen werden nicht ausschließlich sequentiell durchlaufen, sondern es wird bei Bedarf immer wieder zwischen den einzelnen Phasen hin und her gewechselt.

Dr. Production wendet eine dem Cross-Industry Standard Process for Data-Mining (CRISP-DM) analoge Vorgehensweise an.