Forschungsprojekt Bei Predictive Analytics ist die Herangehensweise entscheidend

Anbieter zum Thema

MPDV Mikrolab GmbH

Paessler AG

Trebing & Himstedt Prozeßautomation GmbH & Co. KG

Redaktionsbüro Dresden

Vorhersagen mit Predictive Analytics für die digitale Fertigungswelt ermöglichen, das war das Ziel eines Forschungsprojektes des MES-Herstellers Industrie Informatik. Entwickelt wurde eine Out-of-the-box-Lösung für mittelständische Unternehmen.

Transparenz ist der elementare Bestandteil einer effizienten Fertigungsumgebung. Sie durchleuchtet vergangene und aktuelle Abläufe, zeigt Potenziale auf und hilft Industriebetrieben dadurch bei der Optimierung ihrer Wertschöpfung. Mit der Digitalisierungswelle in die Fertigung steigen allerdings auch die Anforderungen an eine effiziente Verarbeitung der unbegrenzten Datenmengen, die daraus gewonnen werden – und das idealerweise in Echtzeit. Diese Datenmengen in Kombination mit neuen Erkenntnissen rund um die Themen Künstliche Intelligenz (KI) und Machine Learning (ML) erlauben nun zuverlässige Vorhersagen.

Mit Data Analytics zu neuen Geschäftsmodellen

Eine Funktionalität bekommt mit dem Industrial Internet of Things (IIoT) eine ganz neue Bedeutung: Predictive Maintenance, die vorausschauende Instandhaltung. Experten sprechen von Data Analytics. Algorithmen, Big-Data-Anwendungen und KI erkennen gewisse Muster in den Daten des IIoT. Dies erlaubt Vorhersagen über zu erwartende Zustände und neue Trends. Data Analytics generiert mit entsprechenden Modellen daraus neue Einsichten. Aus den Daten können Erkenntnisse gewonnen werden, die am Ende vielleicht sogar in neue Geschäftsmodelle münden können.

Strategie

Wie datenbasierte Geschäftsmodelle den Maschinenbau transformieren

KMU Umgang mit großen Datenmengen ermöglichen

Das Unternehmen Industrie Informatik hat sich dem Thema Predictive Analytics in einem Forschungsprojekt intensiv gewidmet. „Mittels Predictive Analytics können Fertigungsunternehmen heute durch Sensoren generierten Datenmengen sinnvoll für eine bessere Planung einsetzen. Eine genauere Prognose des Ausschussanteils etwa führt zu verbesserter Kapazitätsauslastung, Termintreue und geringeren Lagerständen“, erklärt der involvierte Universitätsprofessor Dr. Alfred Taudes von der Wirtschaftsuniversität Wien, Department für Informationsverarbeitung und Prozessmanagement, Institut für Produktionsmanagement. Wie in einem MES, Manufacturing Execution System, die vorhandenen Daten sinnvoll im Rahmen von Predictive Analytics eingesetzt werden können, beschreibt Taudes so: „Die in der Vergangenheit im MES erfolgten Aufzeichnungen zu Ausschuss, Maschinenausfall, Störungen und Produktqualität im jeweiligen Umfeld, wie Maschine, Personal, Umwelt, Material, Auftrag und Zeit, geben unter Einsatz geeigneter Methoden Aufschluss über Konstellationen, in denen diese Probleme gehäuft auftreten. Diese Muster werden bei der Vorhersage der Qualitätsmetriken bei künftigen Planungen angewandt.“

Dass Predictive Analytics kein neues Thema ist, weiß Industrie Informatik-Mitbegründer und Head of Strategic Product Management, Thomas Krainz. Für ihn ist allerdings die Herangehensweise entscheidend: „Unser Ziel war es, eine Out-of-the-box-Lösung zu entwickeln, mit der unsere Anwender schnell, einfach und natürlich leistbar zu Ergebnissen kommen. Vor allem mittelständischen Unternehmen soll so der Umgang mit großen Datenmengen und damit der Zugang zu umfassenden Digitalisierungsmaßnahmen ermöglicht werden.“

Maschinenbau und Echtzeitdatenverarbeitung

Mit Thin Edge echten Mehrwert aus Prozessdaten holen

Predictive-Analytics-Methoden rasch umsetzen

Der Weg zum markttauglichen Produkt führte über ein mehrjähriges Forschungsprojekt, an dem mehrere Instanzen maßgeblich beteiligt waren. Den theoretischen, wissenschaftlichen Zugang ermöglichte die Wirtschaftsuniversität Wien. Auch das Unternehmen RISC Software beteiligte sich an dem Forschungsprojekt. Die gemeinsam gewonnenen Erkenntnisse wurden dann in Fallbeispielen von ausgewählten Kunden erarbeitet. Im Fokus stand die Erarbeitung möglicher Anwendungsfelder auf Basis vorhandener Daten sowie Algorithmen, Verfahren und Technologien zu Prognosezwecken, die ausgearbeitet, entwickelt, erprobt und bewertet wurden.

„Das Ergebnis aus dem Forschungsprojekt ist einerseits ein Out-of-the-Box-Technologie-Stack, der sowohl in der Cloud als auch on-premises einsetzbar ist. Zudem haben wir ein Data Preprocessing-Modell entwickelt, das dem Anwender dabei hilft, Daten aus Cronetwork MES von Industrie Informatik im ersten Schritt zu bereinigen und aufzubereiten, bevor eine KI die laufende Bewertung und Interpretation der daraus gewonnenen Informationen vornimmt“, beschreibt Krainz. Dass all diese Vorgänge auf dem Standard-Datenmodell von Cronetwork MES basieren, soll dem Anwender Effizienzvorteile bringen, die sich in der raschen Umsetzbarkeit der Predictive Analytics-Methoden niederschlagen. Das Random Forest Modell als Lern-Algorithmus trägt dazu bei, welches bekannt ist für schnelle Durchlaufzeiten und sehr gute Interpretierbarkeit der Ergebnisse. „Die meisten Daten sind bereits vorhanden, es fehlt lediglich an einer passenden Analyse und bedienergerechten Integration in den Planungsprozess“, sagt Taudes. Neben den Prozessdaten könnten beim Qualitätsmangement auch textuelle oder visuelle Informationen relevant sein. „Hier stehen wir erst am Anfang der Analyse, insbesondere die Integration heterogener Datenbestände ist ein aktives Forschungsgebiet.“

Industrial Internet of Things

IIoT praxisgerecht und ganzheitlich umsetzen

Mit Predictive Analytics Einsparpotenziale aufdecken

„Erfolgsentscheidend ist am Ende die Anpassung all dieser Technologien und Funktionen an die jeweilige Datensituation und vor allem die Erwartungshaltung der Kunden. Künstliche Intelligenz und Predictive Analytics sind keine Wunderheiler. Sie sind weder besser noch intelligenter in ihren Aufgaben als ein Mensch. Ihr Vorteil liegt in der Nachbildung von menschlichem Know-how – und das bei hoher Geschwindigkeit und außerdem rund um die Uhr. Daraus leiten sich viele Möglichkeiten ab“, ergänzt Krainz. Konkret gemeint sind damit Prognosen zu relativen Ausschüssen und Arbeitsplatzstörungen in Folgeschichten sowie zu Qualitätsstati nach Fertigungsschritten. Alleine mit diesen Informationen könne man verborgene Einsparungspotenziale aufdecken und die Effizienz am Shopfloor optimieren, so Krainz.

* Tino M. Böhler, Journalist, Dresden

(ID:47831532)