Ausschuss in der Produktion mit KI untersuchen

Das Problem

Jeder Betrieb kennt den Ausschuss: Teile, die nicht den Anforderungen entsprechen und weggeworfen oder nachgearbeitet werden müssen. Das kostet Material, Arbeitszeit und Nerven. Oft heisst es: «Montags ist es schlimmer», «Seit dem neuen Lieferanten ist es schlechter» oder «Die Maschine 2 ist halt alt». Ob das stimmt, weiss niemand genau.

Die Daten wären vorhanden. In Tabellen stehen Datum, Schicht, Maschine, Auftrag, Material, Einstellwerte und Ausschussmenge. Aber niemand hat Zeit, sie in Ruhe zu untersuchen, und Tabellen mit Tausenden Zeilen sind unübersichtlich.

Hier kann eine KI als Analysehilfe dienen: Sie fasst Zahlen zusammen, sucht Unterschiede zwischen Gruppen und formuliert Vermutungen. Wichtig ist aber der nüchterne Blick. Muster in Daten sind Hinweise. Was wirklich dahintersteckt, zeigt sich erst im Betrieb.

So lösen Sie es mit KI – Schritt für Schritt

1. Fragestellung festlegen. Zum Beispiel: «Bei welchen Bedingungen ist die Ausschussquote an Linie 3 höher?» Eine klare Frage verhindert, dass Sie in Zahlen ertrinken.

1. Daten zusammenführen. Legen Sie in einer Tabelle pro Auftrag oder Tag die Ausschussquote und mögliche Einflüsse nebeneinander: Maschine, Schicht, Materialcharge, Einstellwert, Temperatur, Werkzeugalter. Je sauberer die Spalten, desto besser. Siehe Datenqualität und KI.

1. Personen- und Kundendaten entfernen. Verwenden Sie Schichtbezeichnungen statt Namen und Auftragsnummern statt Kundennamen. Prüfen Sie, welches Werkzeug Ihr Betrieb für Produktionsdaten freigegeben hat.

1. Ausschussquote selbst berechnen. Rechnen Sie in der Tabelle: Ausschuss geteilt durch Produktionsmenge. Geben Sie diese Spalte vor, statt die KI rechnen zu lassen.

1. Vergleiche anfragen. Lassen Sie die KI die durchschnittliche Quote je Gruppe vergleichen (Maschine, Schicht, Charge) und dabei auch die Anzahl Datenzeilen je Gruppe nennen. Kleine Gruppen sind unzuverlässig.

1. Hypothesen sammeln. Bitten Sie um eine Liste möglicher Erklärungen, jeweils mit dem Hinweis, welche Daten sie stützen würden und welche fehlen.

1. Mit Fachleuten besprechen. Zeigen Sie die Auffälligkeiten dem Schichtleiter, der Instandhaltung und der Qualität. Sie wissen, was plausibel ist und was ein Zufall oder Messfehler sein kann.

1. Eine Hypothese testen. Wählen Sie die wahrscheinlichste und prüfen Sie sie mit einem kleinen Versuch: Ändern Sie nur eine Bedingung und vergleichen Sie danach.

1. Ergebnis festhalten. Notieren Sie, was Sie getestet haben und was sich geändert hat, auch wenn nichts herauskam.

Vorlage zum Kopieren

Du unterstützt einen Schweizer Produktionsbetrieb bei der Datenanalyse. Unten steht eine Tabelle mit Produktionsdaten (ohne Personen- und Kundennamen).

Frage: Bei welchen Bedingungen ist die Ausschussquote höher?
Spalten: [z. B. Datum | Schicht | Maschine | Charge | Einstellwert | Produktionsmenge | Ausschussmenge | Ausschussquote]

Aufgabe:
1. Vergleiche die durchschnittliche Ausschussquote je [Schicht / Maschine / Charge] und nenne jeweils die Anzahl Zeilen.
2. Nenne Auffälligkeiten, aber kennzeichne Gruppen mit weniger als [30] Zeilen als «zu wenig Daten».
3. Formuliere höchstens fünf Hypothesen. Schreibe jeweils dazu: «Hypothese, nicht bewiesen».
4. Nenne Daten, die fehlen, um die Hypothesen zu prüfen.
Behaupte keine Ursachen. Wenn die Daten nicht reichen, sage es.

Daten: [Tabelle einfügen]

Passen Sie Spalten und Mindestzahl der Zeilen an. Bei seltenen Fehlern brauchen Sie einen längeren Zeitraum, damit Zufälle nicht wie Muster aussehen.

Worauf Sie achten müssen

• Zufall: In kleinen Datenmengen sehen Zufälle wie Muster aus. Fordern Sie immer die Zahl der Zeilen pro Gruppe an.
• Fehlende Einflüsse: Was nicht in der Tabelle steht, sieht die KI nicht. Vielleicht liegt die Ursache in einem Faktor, den niemand erfasst hat.
• Rechenfehler: Programme rechnen manchmal falsch. Kontrollieren Sie Durchschnitte in der Tabelle selbst.
• Zusammenhang ist nicht Ursache: Wenn zwei Dinge gleichzeitig auftreten, muss nicht eines das andere verursachen.
• Datenschutz und Geheimnisse: Mengen, Rezepturen und Einstellwerte sind oft Betriebsgeheimnisse. Klären Sie intern, was in welches Werkzeug darf.
• Messqualität: Wenn Ausschuss je nach Schicht unterschiedlich erfasst wird, vergleichen Sie Äpfel mit Birnen. Prüfen Sie die Erfassung zuerst.

Ein Beispiel aus der Praxis

Ein Beispiel: Ein Metallbetrieb im Toggenburg hat auf Linie 3 eine Ausschussquote, die in den Wintermonaten höher liegt. Der Produktionsleiter Herr Schmid trägt für 14 Wochen die Daten pro Tag zusammen: Schicht, Charge, Raumtemperatur, Werkzeugalter, Menge, Ausschuss.

Die KI zeigt: Hoher Ausschuss tritt häufig bei einer bestimmten Charge und bei Werkzeugen mit hoher Stückzahl auf. Eine Gruppe hat jedoch nur acht Datenzeilen, die Aussage dazu ist unsicher. Mit dem Instandhalter vereinbart Herr Schmid einen Test: Werkzeug früher wechseln, sonst nichts ändern. Nach zwei Wochen sinkt die Quote sichtbar. Die Chargenfrage bleibt offen und wird mit dem Lieferanten besprochen.

So hilft Ihnen Alpasana

Wenn Sie klären möchten, welche Daten Sie dafür brauchen und wie sich solche Analysen in Ihren Alltag einfügen, unterstützt Sie die KI-Beratung und digitale Transformation von Alpasana. Beschrieben sind das Aufnehmen und Verbessern von Prozessen, das Analysieren von KI-Potenzialen, Priorisierung und Umsetzungsplan sowie Datenaufbereitung und Schnittstellen.

Projekte werden individuell offeriert. Garantien für eine bestimmte Ausschussreduktion gibt es nicht, und die technische Beurteilung Ihrer Anlagen bleibt bei Ihren Fachleuten.

Häufige Fragen

Muss ich dafür Programmieren können?

Nein. Eine Tabelle und eine klare Frage genügen für den Einstieg. Für wiederkehrende Auswertungen kann sich später eine feste Lösung lohnen.

Wie viele Daten brauche ich?

Das hängt von der Fragestellung ab. Gruppen mit sehr wenigen Zeilen lassen sich nicht sinnvoll vergleichen. Prüfen Sie die Zahl der Beobachtungen pro Gruppe.

Kann die KI voraussagen, wann Ausschuss entsteht?

Das wäre ein weiterer Schritt und braucht eine Fachlösung. Mehr dazu unter Predictive Maintenance verstehen. Für den Einstieg reicht die Analyse der Vergangenheit.