{"id":3948,"date":"2017-04-19T06:37:21","date_gmt":"2017-04-19T04:37:21","guid":{"rendered":"https:\/\/staging.blogs.yokogawa.de\/chemical-pharma\/unkategorisiert\/zukunftsweisende-datenanalyse-und-qualitaetssicherung\/"},"modified":"2022-06-17T07:52:33","modified_gmt":"2022-06-17T05:52:33","slug":"zukunftsweisende-datenanalyse-und-qualitaetssicherung","status":"publish","type":"post","link":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/zukunftsweisende-datenanalyse-und-qualitaetssicherung\/","title":{"rendered":"Zukunftsweisende Datenanalyse und Qualit\u00e4tssicherung"},"content":{"rendered":"

Heute schon angewendet: Datenanalyse und Qualit\u00e4tssicherung<\/h2>\n

Die Datenanalyse erfreut sich insbesondere in der Finanzwelt und im Einzelhandel bereits gro\u00dfer Beliebtheit. Viele sind sogar davon \u00fcberzeugt, dass die Datenanalyse in der modernen Gesch\u00e4ftswelt ein absolutes Muss ist. In der Prozessindustrie sind die Datenmengen, die Datengeschwindigkeit und die Datenvarianz in j\u00fcngster Zeit explosionsartig angestiegen. Deshalb stellt sich die Frage, wie sich durch den effizienten Einsatz von fortschrittlichen Datenanalysen (z.B. statistische Analysen, pr\u00e4diktive Analysen, Big-Data-Analysen etc.) operationelle Risiken reduzieren und Gesch\u00e4ftsergebnisse verbessern lassen. Dieses Thema ist f\u00fcr uns und unsere Kunden von gro\u00dfer Wichtigkeit und erfordert hier und jetzt h\u00f6chste Aufmerksamkeit.<\/p>\n

Wir werden mit immer mehr Billigkonkurrenz aus einer Reihe von Wachstumsm\u00e4rkten konfrontiert, die einen starken Abw\u00e4rtsdruck auf die Gewinnspannen aus\u00fcben. Eine weitere Herausforderung f\u00fcr die Industrie sind die stets wachsenden Anspr\u00fcche der Verbraucher, wodurch wir gezwungen sind, gr\u00f6\u00dfere Lagerbest\u00e4nde bereitzuhalten, eine k\u00fcrzere Produktlebensdauer einzukalkulieren und h\u00f6here Qualit\u00e4tsniveaus zu bieten.<\/p>\n

Jedes Gesch\u00e4ft birgt Risiken. Manche dieser Risiken wie z.B. Kundenpr\u00e4ferenzen oder Wettbewerbskr\u00e4fte sind \u00e4u\u00dferst schwierig einzusch\u00e4tzen und zu bew\u00e4ltigen. Andere Risiken hingegen wie z.B. operationelle Risiken sind leicht zu begreifen, zu erkennen und zu mindern, was eine erh\u00f6hte operationelle Exzellenz, h\u00f6here Gewinnspannen, Wettbewerbsvorteile und bessere Kundenbeziehungen zum Ergebnis hat. Operationelle Risiken stehen in direktem Zusammenhang mit f\u00fcnf allgemeinen Aspekten: Produktqualit\u00e4t, Effizienz, Anlagenzuverl\u00e4ssigkeit, Sicherheit und menschliche Zuverl\u00e4ssigkeit. Dieser Artikel behandelt vornehmlich die Frage, wie eine fortschrittliche Datenanalyse dabei helfen kann, neue Erkenntnisse zum Thema Qualit\u00e4t und Compliance zu gewinnen.<\/p>\n

Herausforderung Qualit\u00e4tssicherung<\/h2>\n

Viele Unternehmen haben unl\u00e4ngst mit Problemen bei der Qualit\u00e4tssicherung zu k\u00e4mpfen, was zu einer Verschwendung von Rohstoffen, zum R\u00fcckruf von Produkten und sogar zu einem Imageverlust des Unternehmens f\u00fchrt. Die von unseren Kunden h\u00e4ufig gestellten Kernfragen lauten \u201eWarum wird es immer schwieriger, unsere Qualit\u00e4tsziele zu erreichen?\u201c und \u201eWie k\u00f6nnen wir im Vorfeld, also vor der Produktauslieferung feststellen, dass etwas mit dem Produkt nicht stimmt?\u201d.<\/p>\n

Wir haben zwei zentrale Herausforderungen bei der Qualit\u00e4tssicherung ermittelt: alternde Anlagen und die steigende Nachfrage nach h\u00f6herer Qualit\u00e4t und Konsistenz.<\/p>\n

Die Anlagen in vielen Unternehmen sind zunehmend veraltet und unzuverl\u00e4ssig. Deshalb wird es immer schwieriger, den Anlagenzustand zu optimieren und die gesteckten Qualit\u00e4tsziele zu erreichen. Ein weiteres Ph\u00e4nomen ist eine noch nie dagewesene Nachfrage nach hoher Qualit\u00e4t und Konsistenz. Diese Problematik stellt sich sowohl in Westeuropa als auch in Japan, obwohl diese L\u00e4nder in punkto Qualit\u00e4t und Konsistenz bereits branchenweit eine Spitzenposition einnehmen. F\u00fcr eine weitere Erh\u00f6hung des Qualit\u00e4tsniveaus m\u00fcssen Unternehmen ihre Datenbanken durchforsten und alle Daten f\u00fcr die gesamte Produktionsanlage und s\u00e4mtliche Prozesse pr\u00fcfen. Allerdings ist eine Identifikation aller qualit\u00e4tsbeeinflussender Parameter aufgrund der vielz\u00e4hligen beteiligten Faktoren \u00e4u\u00dferst komplex und schwierig. Die meisten Unternehmen meinen, sie w\u00fcrden alle Schl\u00fcsselvariablen kennen, die f\u00fcr die Qualit\u00e4t ihrer Prozesse und Produkte verantwortlich sind, aber unserer Erfahrung nach ist dies reines Wunschdenken. Dies f\u00fchrt uns unweigerlich zu der folgenden Frage: Wie k\u00f6nnen wir alternde und zunehmend unzuverl\u00e4ssige Anlagen mit dem Kundenwunsch nach besserer Qualit\u00e4t und Konsistenz in Einklang bringen, wenn es so viele versteckte Qualit\u00e4tsparameter gibt, die einen starken Einfluss auf die Prozess- und Produktqualit\u00e4t haben?<\/p>\n

Yokogawas innovative L\u00f6sung zur Qualit\u00e4tssicherung<\/strong><\/h2>\n

Auf der Grundlage seiner langj\u00e4hrigen Erfahrung hat Yokogawa eine innovative L\u00f6sung zur Qualit\u00e4tssicherung entwickelt: Process Data Analytics, eine Anwendungssoftware zur Erkennung von Qualit\u00e4ts- und Produktivit\u00e4tsverlusten in einer fr\u00fchen Phase des Herstellungsprozesses. Dies wird erm\u00f6glicht durch die Analyse von Prozessdaten, Anlagenstatusinformationen, der Betriebshistorie und weiteren Daten.<\/p>\n

Diese L\u00f6sung stellt die Datenverarbeitung und -aufbereitung in den Mittelpunkt und bedient sich einer strukturierten Methode zur Identifikation, L\u00f6sung und Modellierung von Produktqualit\u00e4tsproblemen basierend auf der 4-M-Methode – Mensch, Material, Methode, Maschine (Abbildung 1).<\/p>\n

\"Advanced+Data+Analytics2\"<\/p>\n

Ein “Zungenbrecher”: Die angewandte Mustererkennungsmethode<\/h2>\n

Neben dieser Methode haben wir auch unsere fortschrittliche Datenanalysesoftware entwickelt. Diese branchenf\u00fchrende L\u00f6sung verwendet die sog. Mahalanobis-Taguchi-Methode (MT) zur Analyse vielz\u00e4hliger statistischer Variablen. Bei der MT handelt es sich um eine Mustererkennungsmethode, die in der Qualit\u00e4tskontrolle und im Qualit\u00e4tsmanagement weit verbreitet ist.<\/p>\n

Zun\u00e4chst wird die Standardabweichung aus zwei oder mehr Datens\u00e4tzen im Normalzustand ermittelt. Dann werden die verglichenen Datens\u00e4tze aus den Daten im Vergleichszustand erfasst. Das Grundprinzip beruht auf der Messung der Distanz zwischen der Standardabweichung und den verglichenen Datens\u00e4tzen unter Ber\u00fccksichtigung der Wechselwirkungen zwischen den Datens\u00e4tzen. Die Normalit\u00e4t oder Anomalie des verglichenen Datensatzes wird mit Hilfe dieser Distanz, der sog. Mahalanobis-Distanz, (Abbildung 2) beurteilt. Jede Abweichung von den Normalbedingungen wird erkannt und f\u00fchrt zur Ausgabe einer Warnmeldung zu einem m\u00f6glichen Qualit\u00e4tsverlust.<\/p>\n

\"Advanced+Data+Analytics3\"<\/p>\n

Weit mehr als nur ein Faktor<\/h2>\n

In der Prozessindustrie, insbesondere in der chargenorientierten Prozessindustrie, besteht ein hohes Ma\u00df an Anomalien und extrem komplexen Zusammenh\u00e4ngen. Bislang gab es kein so intelligentes und zuverl\u00e4ssiges Fr\u00fcherkennungssystem f\u00fcr Qualit\u00e4tsprobleme, mit dem Anlagenfahrer durch eine Qualit\u00e4tserkennung in Echtzeit Betriebsabl\u00e4ufe w\u00e4hrend der Produktion zielgerichtet unterbrechen oder anpassen konnten. Hier kommt unsere zukunftsweisende Softwarel\u00f6sung Process Data Analytics ins Spiel: Process Data Analytics analysiert Produktionsabl\u00e4ufe basierend auf Parametern wie Temperatur, Druck, Durchfluss, F\u00fcllstand und anderen Prozessdaten sowie Daten zu Anlagenabl\u00e4ufen und Ger\u00e4tewartung, die von einem PIMS (Prozess-Information-Management-System), DCS (verteiltes Prozessleitsystem) oder PLC (speicherprogrammierbare Steuerung) erfasst werden.<\/p>\n

Da Qualit\u00e4t von diversen Faktoren beeinflusst wird, liegt der Schl\u00fcssel zum Erfolg in der Umsetzung dieser L\u00f6sung, die s\u00e4mtliche Mitarbeiter \u00fcber mehrere Abteilungen hinweg zusammenbringt und eine uneingeschr\u00e4nkte Zusammenarbeit erm\u00f6glicht. Die meisten Datenanalyseunternehmen am Markt erfassen jedoch lediglich Daten und f\u00fchren die Datenanalyse hausintern durch, ohne die Betriebsabl\u00e4ufe beim Kunden zu ber\u00fccksichtigen, wodurch entscheidende Faktoren au\u00dfer Acht gelassen und falsche Schlussfolgerungen gezogen werden.<\/p>\n

Hilfe zur Selbsthilfe<\/h2>\n

G\u00e4ngige Praxis ist auch, dass den Kunden die Datenanalysesoftware bereitgestellt wird, sie die Analyse aber selbst durchf\u00fchren m\u00fcssen. Diese Art von Software ist in der Regel alles andere als benutzerfreundlich und ihre Verwendung viel zu komplex f\u00fcr nicht hochspezialisierte Anwender. Deshalb wird die Software nach dem Kauf vom Kunden kaum eingesetzt. Yokogawa hat bei der Entwicklung von Process Data Analytics auf eine Kombination aus Datenanalyse und Kenntnissen der Anlagenabl\u00e4ufe beim Kunden gesetzt. Wir verkaufen diese einzigartige Softwarel\u00f6sung nicht nur, sondern arbeiten in unserer Rolle als L\u00f6sungsspezialist eng mit unseren Kunden zusammen und begleiten sie solange, bis sie ihre Qualit\u00e4tsprobleme eigenst\u00e4ndig meistern k\u00f6nnen.<\/p>\n

Im Grunde wissen wir alle, dass eine effiziente Qualit\u00e4tskontrolle f\u00fcr den Aufbau eines erfolgreichen Unternehmens unverzichtbar ist. Uns allen ist bewusst, welch wichtige Rolle die Qualit\u00e4tssicherung zur Erzielung von Kostensenkungen und zum Schutz der Verm\u00f6genswerte spielt. Aber sind dies wirklich die einzigen Vorz\u00fcge einer gleichbleibend hohen Qualit\u00e4t? Viele Unternehmen und sogar die Marktf\u00fchrer in unserer Branche werden diese Frage bejahen. Qualit\u00e4tskontrollfunktionen werden h\u00e4ufig als unn\u00f6tiger Mehraufwand betrachtet, wobei sie in manchen F\u00e4llen sogar Kostensenkungsma\u00dfnahmen zum Opfer fallen.<\/p>\n

\u201eQualit\u00e4tskontrolle ist sch\u00f6n und gut, aber nicht besonders attraktiv.<\/strong>\u201d<\/p><\/blockquote>\n

Stimmt das? Schauen wir uns die folgenden Thesen an:<\/p>\n

\u201eUnternehmen, die als Anbieter qualitativ h\u00f6herwertiger Produkte wahrgenommen werden, erwirtschaften drei Mal h\u00f6here Gewinne als andere Unternehmen.<\/strong>\u201d<\/p>\n

\u201eUnternehmen k\u00f6nnen ihre Gewinne um fast 100 % steigern, indem sie ihre Kundenbindung um nur 5 % erh\u00f6hen<\/strong>\u201d.<\/p><\/blockquote>\n

Zu diesen Ergebnissen kommt C. D. Heagy in seiner Studie zu immateriellen Verm\u00f6genswerten und ihren Auswirkungen. In der Tat werden die positiven Auswirkungen der Qualit\u00e4tssicherung auf die Umsatz-\/Gewinngenerierung und die Erh\u00f6hung der Kundenbindung grunds\u00e4tzlich untersch\u00e4tzt oder sogar ignoriert. Wir haben beispielsweise im Rahmen unserer Zusammenarbeit mit einem Reifenhersteller dessen Qualit\u00e4tsparameter analysiert und gemeinsam ein optimales L\u00f6sungskonzept erarbeitet. Aufgrund der stark variierenden Kundenanspr\u00fcche sind die Qualit\u00e4tsziele des Reifenherstellers nur schwer umsetzbar. Wir haben in diesem Fall mit Hilfe der sog. Response Surface Methode (RSM) Wirkungsfl\u00e4chenpl\u00e4ne zur Herstellung eines kausalen Zusammenhangs zwischen der Qualit\u00e4t und den Produktionsbedingungen in einer Trade-off-Beziehung erstellt. Durch die Ausf\u00fchrung unserer Analyse lie\u00df sich ein Produktionssystem einrichten, dass eine flexible Anpassung der Produktionsbedingungen an sich wandelnde Qualit\u00e4tsanspr\u00fcche der Kunden erm\u00f6glicht. Mit unserer analytischen Qualit\u00e4tssicherungsl\u00f6sung k\u00f6nnen unsere Kunden die Vertriebsphase beschleunigen und die Wettbewerbsf\u00e4higkeit ihrer Produkte verbessern, was letztendlich zu einer deutlichen Erh\u00f6hung ihrer Ums\u00e4tze und Gewinne f\u00fchrt.<\/p>\n

So wird es gemacht
\n<\/strong><\/h2>\n

Unser Beratungsservice Process Data Analytics wird derzeit von 120 Unternehmen unter Zugrundelegung der folgenden allgemeinen Vorgehensweise genutzt.<\/p>\n

Schritt 1: Detaillierte Standortanalyse<\/strong><\/p>\n