Anzeige
Gocator - Ein benutzerfreundliches, flexibles Design ermöglicht eine leistungsstarke Bildverarbeitung mit nahtloser Datenkommunikation für eine effizientere und profitablere Produktion. ‣ weiterlesen
Predictive Mainteance: Die Maschine heilt sich selbst
Was verstehen Sie unter Engineering Driven Analytics?
Philipp Wallner: Das Thema Data Analytics, also die Auswertung von großen Datenmengen, wird immer wichtiger. Dabei geht es nicht nur um reine Business-Daten, sondern vor allem um die Kombination aus Business- und Engineering-Daten – beispielsweise aus der klassischen Sensorik, wie Temperatur, Beschleunigung und so weiter. Wir sehen, dass das Zusammenspiel von Business- und Engineering-Daten einen deutlichen Mehrwert bringt. Wenn man die Unternehmen fragt, was sie planen, sieht man allerdings auch einen starken Schwerpunkt auf Video-, Audio- oder Bilddaten.
Könnten Sie einige Beispiele nennen?
Wallner: Was wir in der Industrie häufig sehen, sind Applikationen in Richtung Predictive Maintenance, Condition Monitoring oder Health Monitoring. Man leitet dort aus den Daten, die man aufnimmt, ab, wie lange die Maschine noch ‘lebt’ oder wann man optimal seine nächsten Serviceintervalle einplanen sollte. So kann man dem Maschinenbediener ein Feedback geben, dass er sich die Maschine genau ansehen soll, und schon vorab beginnen, Ersatzteile zu bestellen. Bei Prescriptive Maintenance wird es dann eines Tages soweit sein, dass die Maschine weitgehend selbst versucht, ihre Probleme zu korrigieren, also einen Regler nachstellt oder einzelne Parameter anpasst.
Wie lange wird es dauern, bis Prescriptive Maintenance funktioniert?
Wallner: Das wird vermutlich noch ein bis zwei Jahre dauern, bis wirklich die ersten ‘selbstheilenden’ Maschinen im Feld sind. Die Technik dazu ist allerdings bereits da.
Warum ist jetzt der ideale Zeitpunkt, mit diesen Analysen anzufangen?
Wallner: Die Sensorik und die Datenspeicherkapazitäten werden immer günstiger. Die Möglichkeiten, dass man eine Vielzahl von Sensoren an der Maschine platziert und die Daten, die dort anfallen abspeichert – also hunderte von Terabytes – hätte in der Vergangenheit ökonomisch keinen Sinn gemacht. Zudem ist die Rechenpower der Anlagen – also direkt in einem Industrie-PC oder auf den darüber gelagerten IT-Systemen bis hin zur Cloud – mittlerweile so leistungsfähig, dass sie Machine Learning oder Neuronale Netze online rechnen können, ohne dass es Stunden dauert, bis man ein Resultat bekommt.
Wie kann Machine Learning helfen, Data Analytics effektiv zu lösen?
Wallner: Machine Learning, Neuronale Netze oder Deep Learning kommen immer dann zum Zug, wenn man keine oder nur wenige Modellinformationen hat – wenn man also nicht genau weiß, auf welche Daten und Schwellwerte man schauen muss und wie diese Sensordaten zusammenhängen. Dann kommen diese Algorithmen zum Einsatz, die nichts anderes machen, als Muster zu erkennen und Entscheidungen auf Basis dieser Muster zu treffen.
Die Grundlagen dieser Entscheidungen sind aber nur schwer nachvollziehbar.
Wallner: Das kommt darauf an, was man will. Wenn man einfach ‘nur’ wissen möchte, ob es ein Problem gibt oder ob ich auf eines zusteuere, dann ist eine fehlende Nachvollziehbarkeit unproblematisch. Wenn man aber eine Ursachenanalyse machen möchte – also herausfinden möchte, was die Schwachstellen meiner Anlage sind – findet man es mit diesen Tools nur schwer heraus. Dann kommt man an einer Modellbildung nicht vorbei.
Wer führt diese Analysen durch?
Wallner: Das muss man auf die einzelnen Bereiche herunterbrechen. Wenn wir bei Predictive Maintenance bleiben, sehen wir eine interessante Entwicklung. Wir sprechen mit vielen Maschinenherstellern und -anwendern. Für beide Gruppen gibt es unterschiedliche Vor- und Nachteile. Der Nachteil für beide ist der Aufwand, den man in solche Projekte reinstecken muss. Die Vorteile sind dagegen verschieden. Der Maschinenbetreiber möchte möglichst viel Uptime und geringe Stillstandszeiten haben. Für einen Maschinenhersteller ist es dagegen komplexer, was sein Vorteil ist. Das kann ein reiner Wettbewerbsvorteil sein, der nur schwer monetär zu bemessen ist. Wir sehen aber auch, dass einzelne Maschinenbauer umdenken und neue Businessmodelle einführen, beispielsweise einen Servicevertrag mit verkaufen, der 99,7 Prozent Uptime der Maschine oder 1.400 Stunden Uptime in einem bestimmten Zeitraum garantiert. Manche gehen sogar so weit, dass sie gar nicht mehr die Maschine selbst verkaufen, sondern die Möglichkeit, Stückgut zu produzieren.
Inwieweit kann Mathworks hier helfen?
Wallner: Wir haben eine Statistics und Machine-Learning-Toolbox in Matlab. Dort kann man unterschiedliche Algorithmen für Machine und Deep Learning mit einer eigenen Toolbox einsetzen. Allerdings sehen wir auch, dass die wenigsten Anwender Data Scientists sind, sondern Ingenieure. Diesen Personen wollen wir den Einstieg ins Machine Learning einfacher machen und haben eine Machine Learning-App entwickelt, in der man seine Daten hineinlädt, unterschiedliche Machine Learning-Algorithmen darüber laufen lässt und dann ein Feedback bekommt, welcher Algorithmus am besten für diese Anwendung funktioniert. Dann generiert man ein Matlab-Skript, bei dem die Ergebnisse einfließen und kann das Ganze weiter mit Leben füllen. Daneben haben wir eine Consulting-Abteilung, die sich als Starthelfer versteht. Dort können wir Kunden begleiten, wenn die das erste Mal Machine Learning oder Datenanalyse machen. Wir schlagen vor, wie man Daten entsprechend aufbereitet, welches Preprocessing man macht und welche verschiedenen Algorithmen man anwenden sollte.
Das könnte Sie auch interessieren
Vom 22. bis zum 26. April wird Hannover zum Schaufenster für die Industrie. Neben künstlicher Intelligenz sollen insbesondere Produkte und Services für eine nachhaltigere Industrie im Fokus stehen.‣ weiterlesen
Eine Umfrage von Hewlett Packard Enterprise (HPE) unter 400 Führungskräften in Industrie-Unternehmen in Deutschland zeigt, dass zwei Drittel der Befragten den Data Act als Chance wahrnehmen. Der Data Act stieß unter anderem bei Branchenverbänden auf Kritik.‣ weiterlesen
Fraunhofer-Forschende haben für Fahrer und Fahrerinnen von Baumaschinen einen Helm mit integriertem Beschleunigungssensor entwickelt. Die Helm-Sensorik misst die Vibrationen der Baumaschinen. Die Sensorsignale werden analysiert, eine Software zeigt die Belastung für den Menschen an.‣ weiterlesen
Deutsche Unternehmen nehmen eine zunehmende Bedrohung durch Cyber-Angriffe wahr. Das zeigt eine aktuelle Umfrage vom Markt- und Meinungsforschungsinstitut YouGov im Auftrag von 1&1 Versatel, an der mehr als 1.000 Unternehmensentscheider teilnahmen.‣ weiterlesen
Carbon Management-Technologien stehen im Fokus, um CO2-Emissionen zu reduzieren und zu managen. Die Rolle des Maschinenbaus und mögliche Entwicklungspfade betrachtet eine neue Studie des VDMA Competence Center Future Business.‣ weiterlesen
Nach Bitkom-Berechnungen fehlen bis zum Jahr 2040 mehr als 660.000 IT-Fachkräfte. Welche Maßnahmen helfen könnten, diesem Trend entgegenzuwirken, hat der Verband beleuchtet. Potenziale liegen unter anderem darin, mehr Frauen für IT-Berufe zu begeistern oder den Quereinstieg zu erleichtern.‣ weiterlesen
Laut einer Studie der Unternehmensberatung Bain & Company könnten Unternehmen ihre Produktivität durch digitale Tools, Industrie 4.0-Technologien und Nachhaltigkeitsmaßnahmen steigern. Deren Implementierung von folgt oft jedoch keiner konzertierten Strategie.‣ weiterlesen
Hohe Geschwindigkeit und hohe Erkennungsraten sind die Anforderungen an die Qualitätskontrolle in der Verpackungsbranche. Wie diese Anforderungen erreicht werden können, zeigt das Unternehmen Inndeo mit einem Automatisierungssystem auf Basis von industrieller Bildverarbeitung und Deep Learning.‣ weiterlesen
Jeder zweite Betrieb investiert laut einer Betriebsräte-Befragung der IG Metall zu wenig am Standort. Demnach verfügen rund 48 Prozent der Unternehmen über eine Transformationsstrategie. Zudem sehen die Betriebsräte ein erhöhtes Risiko für Verlagerungen.‣ weiterlesen
@Grundschrift_NH:Die Implementierung von künstlicher Intelligenz in Unternehmen erreicht oft nicht das erforderliche Maß für eine signifikante Wertschöpfung. ‣ weiterlesen
Ob es sich lohnt, ältere Maschinen mit neuen Sensoren auszustatten, ist oft nicht klar. Im Projekt 'DiReProFit' wollen Forschende dieses Problem mit künstlicher Intelligenz zu lösen.‣ weiterlesen
INDUSTRIE 4.0 & IIoT-MAGAZIN Leseprobe
Zeitschrift für Industrie 4.0, Internet of Things & Digitale Transformation
