ERFOLGSFAKTOR ANALYTICS - CUBESERV BI-KONGRESS Mainz, 14. Juni 2018
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
ERFOLGSFAKTOR ANALYTICS
15. CUBESERV BI-KONGRESS
Mainz, 14. Juni 2018
2
GUIDED MACHINE LEARNING – PREDICTIVE
MAINTENANCE
Gunther Piller (Hochschule Mainz)
Adrian Bourcevet (CubeServ Group)
3
Guided Machine Learning – Predictive Maintenance
Agenda
1 DER WUNSCH: AUTOMATISCHE RESSOURCENANKER
22 ÜBERBLICK: MACHINE LEARNING
33 ZUM DATENGETRIEBENEN UNTERNEHMEN: SMARTER START
4 ÜBERBLICK LÖSUNG: GUIDED MACHINE LEARNING
55 ERSTER ANWENDUNGSFALL: PREDICTIVE MAINTENANCE
4
Guided Machine Learning
Der Wunsch: Automatische Ressourcenanker
5
Guided Machine Learning
Überblick
«Generierung von Wissen aus Erfahrung»
6
Überblick: Machine Learning
Entscheidungsunterstützung
Insbesondere in neuen Situationen und wenn wir noch keine Zielwerte festgelegt haben, können Szenarien und
das Aufzeigen von «verdrängten» Entwicklungen uns helfen bessere Entscheidungen zu fällen und diese trotz
der Subjektivität zu begründen.
- Wettermodelle (zB. Kachelmannwetter.com)
- Währungskursentwicklungen
- Absatzplanung
7
Überblick: Machine Learning
Prozessautomatisierung
Standardaufgaben:
Bisher konnten feste Regeln in Programmierung hinterlegt werden,
«softe» Entscheidungen mussten nach gleichen Regeln vom Mensch getroffen werden
- Nachbestellung von Produkten anhand von Live-Bildern (zB. Schrauben)
- Vorschläge im Webshop als Lernende Anwendung
- Bremsassistent im Auto
8
Überblick: Machine Learning
Neue Erkenntnisse
Beispiele für Muster sind Korrelationen, Cluster, Ausreißer und Trends.
Weitere spezifische Muster sind Topics in
Texten und Communities in sozialen Netzwerken.
9
Datengetriebenen Unternehmung
Smarter Start
Vom Problem zur Fragestellung
Geschäftsverständnis
Datenverständnis
Einfache Fragen können leichter beantwortet werden
Verfügbare Daten schränken die Algorithmen ein
Kurze, erfolgreiche Projekte schaffen Vertrauen
10
Smarter Start zur Datengetriebenen Unternehmung
Brückenschlag
Sponsoring aus dem Business sicherstellen
Unterstützung durch Methodenexperten und Datenverständnisexperten
Vorhandene Tools nutzen / auf Integration achten
Machine Learning ist ein Prozess:
die einzelnen Phasen müssen verstanden und optimiert durchlaufen werden
Analytische Phasen wechseln sich mit kreativen Phasen ab
Das Problem wird in handliche Stücke zerlegt
11Guided Machine Learning
Designprinzipien
Erfolg durch
Prozessunterstützung
Informationen transparent ablegen
Handlungsoptionen deutlich hervorheben
Offene Architektur
12Predictive Maintenance
Projekt
Forschungsprojekt der CubeServ GmbH und der Hochschule Mainz
Kooperationsprojekt im Rahmen des zentralen Innovationsprogramm
Mittelstand des Bundesministerium für Wirtschaft und Energie
Start: 01.07.2017, Dauer: 20 Monate
Status: Prototyp zur automatischen und schrittweisen Analyse mit mehreren Analysealgorithmen, wie z.B.
Regression, Entscheidungsbaumverfahren, Pattern-Mining
13Predictive Maintenance
Potentiale
Vermeidung von Kostenkaskaden durch Störungen und Ausfälle von Maschinen
Störung
Best-in-Class-Unternehmen
Maschinen- Produktionsausfall 10-20% weniger ungeplante
Produktvorrat
stopp Qualitätsmängel Ausfälle1
Notbestand an Notdienst +20% Overall-Equipment-
Lieferverzug
Ersatzteilen Reparatur Effectiveness2
Ersatzmaschinen Neustart Umsatzeinbußen 15% Reduktion von
Wartungskosten2
Rufbereitschaft Überstunden Kundenzufriedenheit
1Delloite
Center for Integrated Research: Making Maintenance Smarter, 2017, 2Aberdeen Group: The Changing Landscape of Predictive Maingenance, 2014,
OEE=availability x performance x quality 14Predictive Maintenance
Ziel
Einfach: Nutzbar durch Mitarbeiter von Fachabteilungen
Fokus auf betriebliche Probleme und Vokabular
Automatische Berechnungen, Best-Practice-Analysevorlagen, Handlungsanweisungen
Günstig: Keine großen Anfangsinvestitionen
Einsatz von in Unternehmen vorhandener, bewährter Technologie (z.B. SAP HANA)
Alternative: kostengünstige/-lose Komponenten (z.B. OpenUI5, R)
Schnell: Erste Ergebnisse mit Geschäftsnutzen nach wenigen Wochen
Erste Analysen auf Basis bestehender Daten
Gezielte Vertiefungen in vielversprechenden Bereichen
Unternehmen ohne Data-Science-Ressourcen den
gewinnbringenden Einsatz neuer analytischer Verfahren ermöglichen
15Predictive Maintenance
Machinelles Lernen nutzen
Vorhersagenmodelle erstellen, Ergebnisse verstehen und verbessern
Geschäfts- Daten-
verständnis verständnis
Hohe Einstiegshürden bei schrittweiser
Modellentwicklung
Datenvorbereitung – 70% des Gesamtaufwands
operativer Daten-
Einsatz Daten vorbereitung
Machine-Learning-Methoden anwenden können
Verbesserungsmöglichkeiten eigenständig erkennen
Bewertung Modellierung
16Predictive Maintenance
Machinelles Lernen nutzen
Vorhersagenmodelle erstellen, Ergebnisse verstehen und verbessern
Geschäfts- Daten-
verständnis verständnis
Erste Analyseergebnisse aus vorhandenen Daten mit
automatischer Modellbildung
Nachvollziehbare Resultate durch verständliche
operativer Daten-
Einsatz Daten vorbereitung
Erläuterungen
Vorschläge zur Verbesserung
Schrittweises Verstehen der Methodenbausteine
Bewertung Modellierung
17Predictive Maintenance
Meta-Learning
Datensets
Kontinuierliches Lernen auf Basis von Meta-
Knowledge-Base Daten zu Messwerten, Fragestellungen und
Algorithmen
Fragestellungen
Bestmögliche, fragestellungspezifische
??? Auswahl von Analysebausteinen
Fallbasierte Prozessketten für
Algorithmen Meta-Learning
Datenvorbereitung, Modellbildung und
Nachbehandlung
18Predictive Maintenance
Prototyp
Predictive Maintenance mit Guided Machine Learning
in der Produktion von Kunststofffolien
Ziel von Produktionsleiter und Maschinenführer: Qualitätsrisiken frühzeitig erkennen
mit Predictive Störung durch automatische Berechnung,
Maintenance starten – v Sensormesswerte Bewertung verschiedener
ohne Vorkenntnisse erkennen Vorhersagemodelle
Identifikation und Anleitung zur Verbesserung
v Aufzeigen interessanter der Vorhersagen durch
Zusammenhänge Fachwissen
unmittelbar erste Ergebnisse erhalten & schrittweises Verbessern und Lernen
19Predictive Maintenance
Prototyp
20Predictive Maintenance
Prototyp
Schlaglichter
Darstellung von Messwerten und Analysen im Kontext des Produktionsprozesses
… Abweichungen der Foliendicke, Abhängigkeit zur Temperatur T4 und Druck D2, …
Automatische Datenvorbereitung und Berechnung von Vorhersagemodellen
… Ergänzen fehlender Werte, Aggregation von Sensormesswerten, Regression, Entscheidungsbäume, …
Automatisches Finden interessanter Zusammenhänge
… charakteristische zeitliche Muster von Sensormesswerten für Temperatur T4 vor Qualitätseinbrüchen, …
Vorschläge zur Verbesserung der Vorhersagemodellen durch fachliches Know-How
… fachliche Bewertung der Auswahl/Aggregation von Messwerten, fachliche Priorisierung von Mustern, …
21Predictive Maintenance
Projektvorschlag
Machen Sie mit!
Enddecken Sie die Potentiale von Predictive Maintenance für Ihr Unternehmen.
Lassen Sie sich vom Wert Ihrer bereits bestehenden Daten überraschen.
Erhalten Sie eine Vorabanalyse Ihrer Daten durch Verwendung im Entwicklungsprozess.
Lassen Sie sich nicht abhängen. Steigen Sie in Predictive Analytics ein – jetzt!
Weiterführende Informationen:
https://www.cubeserv.com/dateizentrale/dateiverwaltung/downloads/loesun
gen_produkte/cubeserv_flyer_guided_machine_learning_framework.pdf
Projektvideo
22Guided Machine Learning
Ansprechpartner
VIELEN DANK FÜR IHRE AUFMERKSAMKEIT!
IHR ANSPRECHPARTNER: IHR ANSPRECHPARTNER:
Andreas Laux Prof. Dr. Gunther Piller
Managing Director CubeServ GmbH Professor, Hochschule Mainz
T +49 173 348 3914 T +49 176 4650 4842
andreas.laux@cubeserv.com gunther.piller@hs-mainz.de
23Sie können auch lesen
