Gastbeitrag Softing: Industrial Data Intelligence

Gastbeitrag von Peter Seeberg, Business Development Manager für den Bereich Industrial Data Intelligence bei der Softing Industrial Automation GmbH

Peter Seeberg Softing Industrial Automation
Peter Seeberg, Softing Industrial Automation

Daten sind das Öl des 21. Jahrhunderts. Zusätzlich zu Boden, Kapital und Arbeitskraft werden sie zunehmend zum Produktionsfaktor. Datensammelnde Firmen (voran die amerikanischen) dominieren die globale Wirtschaft. Industriefirmen verbinden sich mit IT-Firmen und verknüpfen gemeinsam IT und Automatisierung zum (Industrial) Internet of Things / Industrie 4.0.

Industrie 4.0 und die Auswirkungen in vier Stufen

Warum sprechen gerade jetzt alle von Industrie 4.0? Von dem Industrial Internet? Vom Internet of Things und Data Analytics? Weil unsere Welt, um mit Erik Brynjolfsson und Andrew McAfee („The Second Machine Age“) zu sprechen, auf der zweiten Hälfte des Schachbretts angekommen ist. Der Legende nach soll ein indischer Herrscher dem Erfinder des Schachspiels einen Wunsch gewährt haben. Dieser wünschte sich Weizenkörner: für das erste Feld eines Schachbretts ein Korn, für das zweite Feld das doppelte, also zwei, für das dritte wiederum die doppelte Menge, also vier und so weiter. Der Herrscher war anfangs verwirrt über die vermeintliche Bescheidenheit des Brahmanen und realisierte erst nach Einwilligung dass er schon für das 11. Feld über eintausend, für das 21. über eine Million und für das 32. Feld – das quasi die Hälfte des Schachbretts darstellt – über zwei Milliarden Weizenkörner schuldete.

Brynjolfsson und McAfee benutzen den Ansatz der zweiten Hälfte des Schachbretts, um dem Leser ihre Hypothese der uns bevorstehenden neuen Ebene der Intelligenz näher zu bringen. Auch Gordon Moores berühmte Prophezeiung aus dem Jahre 1965 beruht auf einer (anfangs jährlichen; später zweijährlichen) Verdoppelung der Transistordichte bei in etwa gleichbleibenden Chip-Kosten. Fünfzig Jahre später stellen Chipfabrikanten Prozessoren mit mehreren Milliarden Transistoren auf einem Chip her; Automatisierungskomponenten, von Sensoren über Steuerungen bis hinzu Maschinen generieren große Mengen von Daten; Cloud-Anbieter erkämpfen sich ihre Marktanteile mittels immer mehr und preiswerteren Angeboten für öffentliches wie privates Hosting; offene Kommunikationsstandards sind die Norm, in und außerhalb der Fabrik; und Data Analytics ist aus der Forschung in die Geschäftswelt angelangt. Die Summe dieser Entwicklungen ermöglicht eine datenbasierte Produktionsoptimierung.

Industrie 4.0 zu Ende gedacht könnte nach Meinung des World Economic Forum in eine autonome Wirtschaft resultieren, in der Logarithmen miteinander kommunizieren zum Wohle des Menschen. Aber so weit ist es noch nicht. In der ersten Phase liegt das Potential in der Verbesserung der Anlagennutzung, sowie in Kostenreduzierung und Arbeiterproduktivität.

Datenbasierte Verbesserung der Gesamtanlageneffektivität

Softing hat im Jahr 2015 die Industrial Data Intelligence Gruppe ins Leben gerufen. Ziel dieser Initiative ist es, Kunden dabei zu unterstützen, werthaltige Informationen aus Produktionsdaten zur Optimierung von Produktionsprozessen zu gewinnen. Optimierung bedeutet in den meisten Anwendungsfällen eine Verbesserung der Gesamtanlageneffektivität (GAE bzw. Overall Equipment Effectiveness – OEE). Dabei ist das Ziel – die gesamtheitliche Verbesserung von Verfügbarkeit, Leistung und Qualität – nicht neu; neu ist der datenbasierte Ansatz mittels maschinellen Lern-Algorithmen.

Die Menge, Geschwindigkeit und Vielfältigkeit der heute anfallenden Daten übersteigt die Fähigkeiten des Bedienpersonals und verlangt nach neuen datenbasierten Ansätzen. Ein für die Situation repräsentativer Anwendungsfall, den näher beleuchtet werden soll, ist die vorausschauende Wartung. Diese zielt darauf ab, den großen Teil der nicht-altersbedingten Ausfälle zu reduzieren und somit die Anlagenleistung zu erhöhen. Anstelle der heute flächendeckend eingesetzten reaktiven oder vorbeugenden Wartung, bei der fest eingeplante Wartungszeiten das Leistungspotential der Anlage drücken, sagen maschinelle Lern-Algorithmen den Ausfall konkreter Anlagenteile voraus und ermöglichen so eine bedarfsgerechte Wartung spezifischer Teile zu produktionsfreien Zeiten bevor es zum Ausfall kommt.

Sammeln, Analysieren, Entscheiden, Implementieren

Zunächst wird im intensiven Austausch mit dem Kunden der kommerzielle Wert von Daten in relevanten Anwendungsfällen bestimmt. Wenn dieser gegeben ist, wird ein individuelles Konzept entworfen, das die gefundenen Potentiale erschließt. Neben technischer Architektur, Sicherheitskonzept, Datenverarbeitung, Analytics, Visualisierung, Integration sowie der Erstellung eines Prototyps steht dabei auch die Messbarkeit des Erfolges im Vordergrund. Der gesamte Prozess baut auf der Kunden-Expertise auf; wo relevant, werden externe Partner zur Zusammenarbeit herangezogen.

Nachdem die Lösung beim Kunden implementiert ist, bewegt sich die eigentliche Arbeit in einer fortdauernden Schleife von Datensammlung und -analyse über das Treffen von Entscheidungen zur Implementierung und wieder zurück.

Data Analytics: Maschinelles Lernen: Magie oder nicht?

Anlagendaten, die in der Vergangenheit auch schon oft gesammelt (aber nicht verarbeitet) wurden, können heute eingesetzt werden um unerwünschte Situationen wie z.B. Störungen vorherzusehen. Was geht da genau vor? Sind wir tatsächlich auf einer Ebene der künstlichen Intelligenz angekommen, die des Menschen ebenbürtig wäre oder diese sogar übersteigt und eher die dem Orakel von Delphi gleichkommt?

Anders als bei klassischen Applikationen nimmt das maschinelle Lernen seine Lösung nicht direkt aus dem von Menschen geschriebenen Software-Code. Vielmehr suchen Algorithmen in Daten ein vermeintliches Muster. Das Wesen des maschinellen Lernens ist, dass ein Muster existiert – in unserem Fall eine Korrelation zwischen Baugruppenzuständen und physikalischen Messwerten – welches wir nicht mathematisch festhalten können aber welches durch Algorithmen auf Basis von Daten gefunden werden kann. Dabei kann man die Algorithmen mit Lösungen füttern („supervised learning“) oder man überlässt es dem Algorithmus, Muster selber zu finden („unsupervised learning“).

Im letzten Fall geht es darum, auf Basis von Daten einer normal funktionierenden Maschine oder Anlage zu erkennen, was bisher nicht eingetroffen ist, nämlich ein Störungsfall. Im ersten Schritt werden auf Basis bereinigter Daten Korrelationsgrafiken produziert. Diese lassen sozusagen die Daten für sich sprechen und zeigen dem Menschen, ob und zwischen welchen Daten es eine und welche Korrelation gibt.

Im zweiten Schritt werden Daten der normal funktionierenden Anlage benutzt, um ein Modell mit Grenzwerten zu trainieren. Sobald das Modell in Zukunft mit abweichenden – fehlerhafte Baugruppen, Maschinen oder Prozesse repräsentierenden – Daten gefüttert wird, schlägt es Alarm, abhängig von der Anzahl und Länge der Überschreitungen klein (z.B. eine E-Mail-Benachrichtigung) oder groß (heulende Sirenen).

Nein, maschinelles Lernen ist keine Magie. Ja, die Fähigkeit von Algorithmen, in großen Mengen von Daten Korrelationen zu finden übersteigt die des Menschen und ermöglicht die datenbasierte Produktionsoptimierung.


Der Autor, Peter Seeberg, ist Business Development Manager für den Bereich Industrial Data Intelligence bei der Softing Industrial Automation GmbH. Er sitzt im OPC Europe Advisory Council und vertritt Softing bei der Smartfactory in Kaiserslautern sowie in den Industrie 4.0-Arbeitskreisen der Bitkom und VDMA.

Über Softing

Die Softing Industrial Automation GmbH ist Anbieter von industriellen Kommunikationslösungen und Produkten sowohl für die Prozess- als auch für die Fertigungsindustrie. Die Schwerpunkte liegen in Komponenten und Werkzeugen für Feldbus- und Industrial Ethernet-Systeme und industrielle Steuerungen, sowie in Lösungen für die Produktionsautomatisierung in den Kategorien Software (OPC UA), Schnittstellenkarten und Gateways, SPS Konnektivität, Embedded Lösungen und Netzwerkdiagnose. Die Produkte und Dienstleistungen der Softing Industrial Automation sind zugeschnitten auf die Anforderungen von System- und Geräteherstellern, Maschinen- und Anlagenbauern oder Endanwendern. Weitere Informationen unter http://industrial.softing.com.

,,,,,

Leave a comment

Your email address will not be published. Required fields are marked *

Accept and Proceed

Cookies help us to improve our services. By using our website, you agree to our use of cookies. Learn more