Wir mussten ein internes Werkzeug entwickeln, um Analysen zu standardisieren, die von der Datenbankabfrage bis zur abschließenden Bewertung der Leistungsfähigkeit des Prozesses und der Untersuchung von Sonderursachen reichen.
Die Entwicklung begann mit einer Datenbank mit einfacher Struktur (statistische Laborprüfungen) und wurde schrittweise auf größere Datenbanken erweitert, die mit Online-Prozessmessungen gefüllt wurden.
Ziel war es, ein einfaches und schnelles internes Tool zu haben, mit dem wir Folgendes erreichen konnten:
Hallo zusammen. Ich bin Massimo Pampurini. Ich arbeite als Fertigungsqualitätsingenieur bei Pirelli.
Hallo zusammen. Ich bin Sara Sorrentino und arbeite bei Pirelli als Prozessqualitätsingenieurin.
Wir stellen Ihnen unser Projekt vor: die Konsolidierung und Integration von Datenworkflows, die wir im letzten Jahr in unserem Unternehmen entwickelt haben. Ausgangspunkt war der Bereich der Halbfertigprodukte. Dies ist ein Überblick über unseren Fertigungsprozess. Wir begannen mit dem Bereich, der hinsichtlich der Datenanalyse am schwächsten ist – der Halbfertigproduktfertigung.
Warum wurde dieses Projekt ins Leben gerufen? Der Hauptgrund war für uns der erste Schritt: die Gewährleistung einer einheitlichen Methode zur Erfassung zuverlässiger Labordaten, um sicherzustellen, dass alle Anlagen dieselbe Datenerfassungsmethodik anwenden. Dies ermöglicht uns den Aufbau einzigartiger, weltweiter Pirelli-Datenbanken.
Die beiden Kernpunkte. Erstens die Grundlagen und die Voraussetzungen. Zweitens der einfache Daten-Download direkt in JMP, der es dem Benutzer ermöglicht, Daten schnell und effizient herunterzuladen, auch gefiltert nach Zeitintervall und Anlagenauswahl. Dies führt schließlich zur automatischen Analyse, sowohl der Prozessfähigkeit als auch der Regelkartenbewertung der wichtigsten Qualitätsmerkmale.
Okay, wo wir angefangen haben. Wir begannen mit der Standardisierung der Daten. Hier ist ein Beispiel dafür, wo wir angefangen haben. Vorher hatten wir nur Ordner mit Excel-Dateien, in denen die Pläne der Anlagen gesammelt waren – Daten, die keine standardisierte Datenerfassung gewährleisten konnten. In den letzten vier Jahren haben wir eine hochwertige Anwendung zur Visualisierung und Datenaufbereitung entwickelt, ein spezielles Tool in JMP, das auf derselben Datenquelle wie die Anwendung basiert, und jetzt integrieren wir Python in unsere JMP-Tools.
Das in JMP entwickelte Projekt verfolgte drei Hauptziele. Erstens wollten wir mithilfe einer grafischen Benutzeroberfläche in JMP einen standardisierten Datensatz erstellen. Zweitens war es wichtig, eine Methode zur automatischen Analyse zu entwickeln, um einen standardisierten Bericht über die Prozessfähigkeit zu erhalten und Anomalien durch die korrekte Anwendung von Regelkarten schnell zu erkennen. Drittens sollte ein Werkzeug zur Verfügung stehen, das eine detailliertere Untersuchung der Prozessparameter ermöglicht, um aus den Produktionsdaten die wichtigsten Variablen zu ermitteln.
Wir gehen nun kurz die drei Hauptpunkte durch, die Sara gerade vorgestellt hat. Zunächst beschreiben wir, wie wir unseren standardisierten Datensatz erstellt haben. Dazu haben wir eine grafische Benutzeroberfläche entwickelt, über die der Benutzer die Pflanze und den Zeitraum für den Startdatensatz auswählen kann. Die Daten können direkt heruntergeladen werden. Sie sind bereits standardisiert, d. h. sie wurden anhand derselben Kriterien bereinigt.
Nachdem der erste Datensatz als Grundlage für die Analyse erstellt wurde, integrierten wir ein weiteres Skript für die spezifische Fähigkeitsanalyse. Darin können wir die Anlage oder andere Hauptparameter, beispielsweise neben den Materialien, auswählen. Wir entwickelten verschiedene Schaltflächen für die Analyse nach Monat oder Material. Wichtig ist, dass der Benutzer diesen Bericht mit einem Klick abrufen kann. Dieser Bericht wird in unseren Werken zentral verwendet, um die tatsächliche Leistungsfähigkeit nach Material, Monat, Spezifikation und Merkmal zu ermitteln und die Priorität von Maßnahmen festzulegen, um in kurzer Zeit eine spürbare Verbesserung zu erzielen.
Die letzten beiden Schaltflächen des Tools zur automatischen Analyse umfassen eine spezielle Schaltfläche zur Analyse der Prozessstabilität. Wir wählen die optimale Regelkarte aus. Zudem haben wir alle Alarmtypen aktiviert, um Sonderursachen zu erkennen und Verbesserungspotenzial zu identifizieren. So können wir Ausreißer genauer untersuchen und die Regelkartenbewertung monatlich überwachen, um beispielsweise eine Abweichung oder eine Verschiebung des Prozessmittelwerts festzustellen.
Dann wurde eine weitere wichtige Schaltfläche hinzugefügt, die mit der Verteilung zusammenhängt, wie wir sehen können, aber nicht nur mit der Verteilung der Merkmale selbst. Wir wollten stets auch das Ergebnis der Prozessfähigkeit im Blick behalten, sowohl hinsichtlich der Prozessfähigkeit als auch von CP und CPK im Hinblick auf den Sigma-Bericht. Gleichzeitig wollten wir aber auch den Gesamt-Sigma-Fähigkeitsbericht und damit unsere Leistungskennzahlen stets im Auge behalten.
Der letzte wichtige Punkt des entwickelten Tools war die Möglichkeit zur detaillierten Untersuchung. Ausgehend von den Labordaten wollten wir die Korrelation direkt mit den Daten der laufenden Produktion ermitteln, um alle verfügbaren Prozessparameter zu erfassen und zu verstehen, wie die Prozessfähigkeit mit unseren Qualitätsmerkmalen und dem Einfluss der wichtigsten Prozessparameter zusammenhängt. Hierfür nutzen wir Tools wie den Predictive Profiler. Dabei achten wir stets darauf, die Extrapolationskontrolle zu aktivieren, wenn auch zwischen unseren X-Faktoren und anderen Prozessvariablen eine Korrelation besteht.
Dies ist die letzte Folie, denn wir geben Ihnen einen ersten Überblick und möchten Ihnen die nächsten Schritte vorstellen. Der erste Schritt ist die Integration mit Python, der zweite die Erweiterung all dieser Tools in anderen, für uns priorisierten Bereichen. Vielen Dank für Ihre Aufmerksamkeit und wir sehen uns beim Discovery Summit.
Vielen Dank für Ihre Aufmerksamkeit. Bis bald.
