Maschinendaten auswerten: so heben Unternehmen den Datenschatz
Maschinendaten auswerten
- 20.03.2023
Vom Condition Monitoring bis hin zu KI-basierten Prognosen
Ob im Maschinenbau, im Automotive-Bereich, bei Herstellern von Elektronikbauteilen oder anderen produzierenden Unternehmen: Wenn Industriebetriebe die Daten ihrer Fertigungsanlagen erschließen, ergeben sich zahlreiche Optionen. So ist es beispielsweise möglich, den Zustand der einzelnen Maschinen live zu überwachen. Störungen können damit sehr frühzeitig erkannt und behoben werden, noch bevor es zu Ausfällen und Stillständen kommt. Zudem können Controller die gesammelten Maschinendaten auswerten, um Rückschlüsse über die Effektivität, Auslastung, Zuverlässigkeit und andere Aspekte zu ziehen.Eine weitere Möglichkeit ist der Einsatz künstlicher Intelligenz. Denn KI ist allgemein prädestiniert dafür, in großen Datenmengen bestimmte Muster und Normabweichungen zu identifizieren. Dies gilt selbstverständlich auch für Prozess- und Maschinendaten. Auf diese Weise sind innovative Ansätze wie Predictive Maintenance umsetzbar. In diesem Fall erkennt ein Algorithmus Anomalien in den Maschinendaten, die auf einen möglichen Ausfall hindeuten. Wartungsmaßnahmen können dann frühzeitig und vor allem bedarfsgerecht eingeleitet werden. Auch "Predictive Quality", die fortlaufende Optimierung der Prozess- und Produktqualität, lässt sich mithilfe maschinendatengestützter Prognosen umsetzen.
All diese Ansätze haben eine Gemeinsamkeit: Sie basieren auf sehr großen Datenmengen, die manuell nicht mehr verarbeitet werden können. Normalzustände oder Anomalien lassen sich somit nur schwer herausfiltern. Herausfordernd sind auch die unterschiedlichsten Datenformate und Protokolle, die gerade in heterogenen Maschinenparks den Regelfall darstellen. Denn diese müssen zunächst in eine einheitliche Sprache übersetzt werden, um sie zielführend auszuwerten. Die BotCraft GmbH hat eine Software-Plattform geschaffen, die beide Probleme löst.
Maschinendaten auswerten: Spezialdienstleister liefert das passende Toolset
Any2x ist eine Connectivity-Lösung, die speziell für die Anforderungen produzierender Unternehmen geschaffen wurde. Sie eignet sich ideal für heterogene Produktionsumgebungen, da sie eine herstellerunabhängige Vernetzung von Maschinen ermöglicht. Any2x ersetzt die normalerweise erforderlichen Hard- und Softwarekomponenten für die Maschinenanbindung, indem es diese Erweiterungen mittels Konfigurationsdatei abbildet. Zudem ist die Software in der Lage, Maschinendaten in eine einheitliche Sprache zu übersetzen. Dies wiederum ist die Basis für eine ganzheitliche Auswertung.
Bei AnomSpotter handelt es sich um ein Big-Data-Exploration-Tool. Das Werkzeug erlaubt es, große Mengen an Maschinendaten ohne das Eingreifen menschlicher Experten sehr schnell auf Normalzustände und Anomalien hin zu durchsuchen. Somit können Unternehmen binnen kurzer Zeit ermitteln, welche Anteile ihres Datenbestands zielführend nutzbar sind. Zudem sind sie in der Lage, ihre Datensätze zu labeln, also als Normalzustand oder Anomalie zu kennzeichnen. Auf dieser Basis ist es dann wiederum möglich, Systeme für Condition Monitoring, Predictive Maintenance oder Predictive Quality aufzubauen, Prozessanomalien zu klassifizieren und Trends in den Daten zu erkennen.
Anwendungsbeispiel aus der Automobilzulieferindustrie
Das BotCraft-Big-Data-Exploration-Tool war der Aufgabe jedoch gewachsen. Einzig die erforderliche Rechenleistung musste bereitgestellt werden. Nun konnte der Datenbestand in 60-Gigabyte-Pakete aufgeteilt und schrittweise analysiert werden. Die Analysedauer betrug jeweils nur eine Stunde. Das Tool merkte sich die Teilergebnisse und führte sie anschließend im Rahmen einer übergreifenden Analyse zusammen. Nachdem der Normalzustand und sämtliche Anomalien identifiziert wurden, nutzte das Unternehmen das Tool, um mithilfe von Wochenpaketen Trends in der Verteilung der Datenpunkte zu finden. In Summe wurde eine Analyseaufgabe, die im Normalfall viele Monate dauert und mehrere Hunderttausend Euro kostet, dank BotCraft binnen weniger Tage erledigt.
