End-to-End-Prozesse durch Industrial Analytics in der Cloud
10. April 2019

Industrial Analytics ist keine Magie,
sondern Mathematik und Ingenieursarbeit.

Durch die intelligente Vernetzung von Maschinen entlang der gesamten Produktionskette werden in der Fertigungsindustrie immer größere Datenmengen produziert, das sogenannte „Industrial Big Data“. Industrial Big Data ist im Zuge das Internets der Dinge bzw. Industrie 4.0 entstanden und umfasst, in Abgrenzung zu „herkömmlichem“ Big Data, primär Daten, die von Maschinen- und Anlagen produziert werden. Diese sind in ihrer Menge nicht nur unüberschaubar groß, sondern auch völlig heterogen: Temperaturmessungen, Stromverbrauch und Druck in der industriellen Fertigung, Leistungsdaten von Motoren, Log-Dateien von Fertigungskomponenten zu anderen Maschinen in der Prozesskette oder Umgebungsdaten von Maschinen wie Luftfeuchtigkeit und Raumtemperatur.

Für Unternehmen bergen diese Daten ein immenses Potenzial zur Optimierung der eigenen Produktionsprozesse und Wartung. Um dieses heben zu können, müssen die Maschinendaten analysier- und auswertbar gemacht werden. Und hier kommt Industrial Analytics ins Spiel!

Individuelle Wettbewerbsvorteile
versus Best Practices.

Predictive Maintenance mittels Industrial Analytics ist heute keine Zukunftsvision für eine Zeit hinter dem Horizont, sondern praktische Realität. Die hierzu benötigten Technologien und Algorithmen sowie Daten der Anlagen und Maschinen stehen häufig gut nutzbar zur Verfügung und müssen „nur“ noch sinnvoll ausgewertet und bewertet werden. Aber wie? Obwohl moderne Maschinen und Anlagen aus etablierten, meist standardisierten und austauschbaren, teilweise von Wettbewerbern produzierten Komponenten bestehen, nutzen wir im Bereich des Industrial Analytics nur selten allgemein bekannte Analysen, Best Practices o. ä., sondern entwickeln das Rad immer wieder neu. Natürlich nur deshalb, weil unsere Maschinen und Anlagen völlig anders sind als die von Marktbegleitern. Aber sind sie das wirklich, wenn doch die Komponenten, die Steuerungen etc. ähnlich, häufig sogar substituierbar sind?

Ja, das ist sicherlich möglich, wenn die Grundgesamtheit aller Anlagen solche Best Practices wirklich ermöglicht. Großkonzerne mögen hierzu im Stande sein, aber gerade der deutsche Maschinen- und Anlagenbau ist doch ein stark diversifizierter Markt. Dies hat Deutschland vielleicht zum Weltmarktführer gemacht, könnte aber für zukünftige Serviceleistungen rund um die Maschinen und Anlagen kontraproduktiv werden. Denn üblicherweise implizieren der individuelle Aufbau einer Industrial-Analytics-Infrastruktur und die Erarbeitung sinnvoller Analysen erhebliche Investitionen, die nicht von jedem kleinen und mittelständischen Maschinen- und Anlagenbauer getätigt werden wollen oder können.

Zudem ist zu beobachten, dass viele Unternehmen über eigens neu gegründete Digitalisierungsabteilungen zwar eigene Analysen realisieren, um beispielsweise Anomalien zu erkennen, es anschließend jedoch an der Skalierung und dem Abdecken des End-to-End Prozesses (hier insbesondere dem Prozess der eigentlichen Störungsbehebung) scheitert. So können häufig rote Flaggen für eine Anomalie in einer Komponente, die eine Auffälligkeit signalisiert, gehisst werden, jedoch bleibt im Unklaren, was dies bedeutet: Welche Ursache waren vermutlich hierfür verantwortlich? Welche Störungsbehebungsmaßnahmen waren in ähnlichen Fälle hilfreich? Wie lange kann die Komponente noch genutzt werden? Reicht es noch bis zur bereits geplanten Wartung? Muss sofort reagiert werden? Kann das Problem repariert werden, ist ein Ersatzteil nötig oder reicht schlicht eine andere Parametrisierung für die Anlage aus?

All dies bleiben häufig unbeantwortete Fragen. Aber sind diese Fragen nicht mindestens so wichtig wie die Anomalie selbst? Hinzu kommt, dass die oben beschriebenen Anomalie-Erkennungen zwar für eine Komponente oder Baugruppe funktionieren, nicht jedoch für all die anderen Hunderte von Komponenten in der Anlage und deren Zusammenspiel. Hier kann der Skalierung im klassischen Maschinen- und Anlagenbau aufgrund des Umfangs der Analysen meist nicht Rechnung getragen werden.

Wir haben die Erfahrung gemacht, dass die Analysen auf Basis von Komponenten bzw. Baugruppen durchaus vergleichbar sind und „nur“ das Zusammenspiel der Komponenten bzw. deren Analysen tatsächlich unternehmensindividuell betrachtet werden muss. Das bedeutet also, dass es durchaus Sinn macht, bestimmte Analysen für einzelne Komponenten gemeinsam zu erarbeiten bzw. auf bereits von anderen Unternehmen erarbeiteten Analysen zurück zu greifen.

Nach dem Verbau etablierter technischer Komponenten von Zulieferern in eigenen Maschinen und Anlagen kann nun die Nutzung etablierter Analysen von Industrial Analytics Anbietern neues Ratio-Potenzial erschließen.

Aber warum Industrial Analytics
in der Cloud?

Die weitere Standardisierung von solchen Analysen bedingt jedoch eine gewisse Standardisierung auf Basis der Methoden, aber auch auf Basis der IT-technischen Infrastruktur. Hier spielen moderne Cloud-Lösungen ihre Stärke aus. Die Kunden können größere Investitionen in eigenen Infrastrukturen sowie IT- und vor allem OT (Operational Technology) – technischen Know-how-Aufbau weitestgehend vermeiden und von der gemeinsamen Infrastruktur, aber vor allem auch von deren „Vorgaben“ partizipieren. Denn solche Standards können auch helfen, sich nicht in IT-technischen Details, die weit vom Kerngeschäft eines Maschinen- und Anlagenbauers entfernt sind, zu verzetteln, sondern sich auf die individuelle Analyse der out of the box mit der Cloud-Lösung bereit gestellten Komponentenanalysen zu fokussieren. Hierin steckt doch der eigentliche Mehrwert des Spezialanbieters einer Anlage, nicht in der x-ten Erarbeitung einer Zeitreihenanalyse für einen Sensor zur Detektion von Pumpenproblemen. Es ist daher nicht für jedes Unternehmen sinnvoll, eigene Industrial-Analytics-Lösungen auf Basis einer Analytics-Plattform, wie bspw. Microsoft, Siemens, Bosch oder IBM zu entwickeln, sondern sich fertige Business- oder Komponenten-Analysen aus einer Industrial Analytics Cloud für genau diese Plattformen zu beziehen und einfach dazuzuschalten. Genau darin liegt der Vorteil moderner Cloud-Infrastrukturen.

Die Nutzung von Cloud-Lösungen bietet im Gegensatz zu generischen IT-Plattformen den Vorteil, dass bspw. für das obige Pumpenproblem bereits einige Analysen vorhanden sind, auf die, ohne hierzu eigene Kapazitäten allokieren zu müssen, einfach zurückgegriffen werden kann. Solche Lösungen sind zurzeit im Aufbau, bedürfen aber noch einer stärkeren Akzeptanz in der Wirtschaft. Zu groß sind immer noch die Befürchtungen, wesentliches Know-how und damit essentielle Wettbewerbsvorteile mit der Nutzung einer solchen Cloud-Plattform preiszugeben. Aber sind Analyseverfahren für eine Pumpe wirklich von so hoher wettbewerblicher Relevanz oder steckt nicht im Zusammenspiel aller Analysen, korrespondierend mit dem Zusammenspiel der mechatronischen Komponenten, der eigentliche Wettbewerbsvorteil?

Return on Investment und
Time to Market reduzieren.

Cloud-Lösungen für Industrial Analytics können also für einen deutlich schnelleren Return on Investment und Time to Market sorgen. Faktoren, die in der heute so dynamischen globalisierten Wirtschaft vielleicht von viel entscheidender Bedeutung sind, als das im Unternehmen vorhandene Detailwissen für einen Schwingungssensor in eigenen Analysen mit eigener IP aufwändig umzuwandeln. Insbesondere Cloud-Lösungen nach den deutschen Rechtssystemen bieten hier zudem den Vorteil, dass jeder Teilnehmer eines solchen Systems sicher definieren kann, wie weit seine Kooperationsbereitschaft mit anderen Unternehmen auf dieser Plattform gehen soll. Will er nur von den zur Verfügung gestellten Komponenten-Analysen partizipieren, oder auch eigene Analysen der Community zur Verfügung stellen, um die Plattform weiter zu entwickeln. Die individuelle Orchestrierung der von der Cloud-Lösung bereitgestellten Komponenten-Analysen analog der mechatronischen Komponenten zu einer Unique Selling Proposition der Anlage bleibt hierbei in der Regel nur dem Unternehmen und (auf Wunsch) deren Kunden zugänglich. Gleiches gilt selbstredend für die originären Sensordaten.

„Der Fortschritt lebt vom
Austausch des Wissens.“

Diesen Gedanken des Teilens von Wissen zum eigenen Nutzen hatte schon Albert Einstein vor vielen Jahren propagiert. Übertragen auf Industrial-Analytics-Cloud-Plattformen kann man dies in etwa so interpretieren, dass die Bereitstellung eigener Komponenten-Analyse (unabhängig davon, ob diese selbst oder von einem Dienstleister entwickelt wurden) auf einer solchen Lösung dazu führen wird, dass auch andere ihre Inhalte teilen werden. Ein Crowd-Sourcing-Ansatz, der insbesondere für kleine und mittelständische Unternehmen, deren Kapazität nicht ausreicht, neben den Innovationen im Bereich ihres Kerngeschäfts noch einen parallelen Innovationsprozess für Industrial Analytics Analysen aufzubauen, interessant sein könnte. Insbesondere für diese Unternehmen kann es deshalb sinnvoll sein, ihre Angebote für Predictive-Maintenance-Dienstleistungen rund um ihre Produkte nicht neu und individuell auf einer reinen IT-Plattform, sondern auf einer Analytics-Cloud-Plattform mit weiteren Unternehmen der Branche aufzusetzen.

Abonnieren Sie unseren
Newsletter hier.

Top 10 Apps für Serviceleiter im Salesforce AppExchange