BMW optimaliseert fabricageproces met big data en machine learning

Het zijn voor autofabrikanten spannende tijden waarin veel gebeurt. Ontwikkelingen als elektrisch rijden en autonome auto’s zetten de markt op zijn kop. Hoe kun je al die nieuwe typen auto’s op één lijn fabriceren zonder daarbij fouten te maken?

Het is een vraag die BMW al langer bezighoudt. Het begin van het antwoord hebben ze gevonden: het optimaliseren van processen door toepassing van machine learning.

 

Initiatieven

In 2015 richtte BMW een afdeling op voor big data. Het team begeleidt diverse initiatieven om slimmer met data om te gaan. Want data heeft BMW in overvloed: over het productieproces, over klantwensen. Over autogebruik en ga zo maar door.

Over het eerste onderwerp sprak Markus Bönisch van BMW Group IT op Splunk Conf2017 in Washington DC, de gebruikersconferentie van deze leverancier van een analytics platform voor machine data. “Ons fabricageproces is in de loop der jaren niet wezenlijk veranderd”, steekt Bönisch van wal. “Het wordt steeds wat slimmer, maar als we in de toekomst flexibel op klantvragen willen kunnen inspelen, dan moeten we in staat zijn om ieder type auto op iedere productielijn te produceren. Zo ver is BMW nog niet. Omdat ieder type nu nog zijn eigen productielijn heeft, kunnen we niet snel genoeg de productie van het ene type afbouwen en van een ander type opbouwen. We moeten flexibeler worden omdat de klantvraag sneller verandert dan in het verleden.”

Kwaliteitsmonitoring

Het is zaak om de huidige complexe productieprocessen eerst te vereenvoudigen, zodat de volgende stap straks eenvoudiger kan worden gezet. Dat is de reden waarom BMW het quality assurance-proces onderhanden nam.

Bönisch vertelt: “In iedere fabriek werken ongeveer 80 mensen die zich bezighouden met kwaliteit. Voorheen monitorden zij processen in Excel. Dat was best omslachtig en bovendien geven allemaal losse Excel-sheets geen integraal beeld.” BMW werkte al jaren met Splunk, een platform om ‘machine data’ die wordt gegenereerd door een diversiteit aan onderliggende systemen in samenhang te analyseren.

Bönisch heeft deze software nu ook geïntroduceerd op de kwaliteitsafdeling. “We gebruiken twee soorten bronsystemen”, vertelt hij. “In de eerste plaats testsystemen die auto’s die van de band rollen op allerlei aspecten testen. Daarnaast systemen waarin rework wordt bijgehouden. Voorheen waren dit twee volledig gescheiden werelden waardoor we weinig zicht hadden op de kwaliteit van het rework. Natuurlijk ondergingen de auto’s na het rework de tests opnieuw. Maar de testers hadden geen zicht op welk rework precies was uitgevoerd en de kwaliteitsmensen hadden geen makkelijke manier om te analyseren of bij een bepaalde fout herstelmethode A beter werkt dan methode B.”

Machine learning

De eerste stap in het project was het identificeren van gelijkaardige fouten. De data uit de testsystemen laten zich eenvoudig vergelijken. “We hebben met behulp van machine learning (ML) clusters gemaakt van veelvoorkomende fouten. Als je die foutcategorieën eenmaal hebt, kun je op zoek gaan naar correlaties daartussen, zodat je weet welke fouten vaak in samenhang voorkomen. Deze foutpatronen vertellen vaak meer over waar een fout ontstaat dan enkel en alleen de wetenschap dat een bepaalde fout veel voorkomt.”

Je zou kunnen proberen om deze categorieën handmatig te maken, maar daarmee blijven sommige patronen onontdekt, weet Bönisch nu. “We hebben nieuwe inzichten opgedaan. En dat komt doordat ML-algoritmen nu eenmaal veel beter zijn in het vergelijken van zulke grote hoeveelheden complexe data.”

De volgende stap, het vergelijken van herstelwerkzaamheden, is een stuk lastiger. Bönisch: “In die systemen werken we namelijk voornamelijk met vrije-tekstvelden. Monteurs schrijven op wat ze precies hebben gedaan om de fout te herstellen. We moesten hier dus met tekstanalyse aan de slag.”

Lees het hele verhaal online of in ICT/Magazine van januari/februari.

X