Anzeige

Anzeige

VERANSTALTUNGEN

IT-SOURCING 2019 – Einkauf meets IT
09.09.19 - 10.09.19
In Düsseldorf

ACMP Competence Days Berlin
11.09.19 - 11.09.19
In Stiftung Deutsches Technikmuseum Berlin, Berlin

MCC CyberRisks - for Critical Infrastructures
12.09.19 - 13.09.19
In Hotel Maritim, Bonn

Rethink! IT 2019
16.09.19 - 17.09.19
In Berlin

DSAG-Jahreskongress
17.09.19 - 19.09.19
In Nürnberg, Messezentrum

Anzeige

Anzeige

Big Data Kontext 700

Das wahre Gold des digitalen Zeitalters sind Daten. So wächst auch im Industriekontext mit steigender Vernetzung von Maschinen und Anlagen das Datenaufkommen kontinuierlich an. Doch wie lassen sich die gesammelten Datenmassen in der Fertigung tatsächlich sinnvoll nutzen und welche Voraussetzungen müssen dafür geschaffen werden?

Im Rahmen des vom Bundesministerium für Bildung und Forschung geförderten Forschungsprojekts „BigPro“ untersuchte das FIR an der RWTH Aachen zwischen September 2014 und November 2017 gemeinsam mit zahlreichen Projektpartnern, wie Big-Data-Technologien das Störungsmanagement in der Produktion sinnvoll unterstützen können. Der zusammenfassende Abschlussbericht des Forschungsprojekts wurde vor wenigen Wochen veröffentlicht.

Im Zentrum von BigPro stand die Entwicklung eines Prototypen, der auf Basis von Big Data das Reaktionsmanagement bei Störungen verbessern und damit die durch Maschinenausfälle entstehenden Kosten senken sollte. Dazu entwickelten die Projektbeteiligten eine Plattform, die heterogene Datenströme aus unterschiedlichsten Quellen wie angebundene Anlagen, im Einsatz befindliche IT-Systeme oder Rückmeldungen von Maschinenführern erfassen, verarbeiten und miteinander in Beziehung setzen konnte.

Auf dieser Basis war das System anschließend in der Lage, die jeweiligen Datenkonstellationen in Echtzeit unterschiedlichen Störungsmustern zuzuordnen und so bei sich anbahnender Übereinstimmung bereits im Vorfeld Maßnahmen vorzuschlagen, um einem tatsächlichen Produktionsausfall der Maschine zuvorzukommen. Die Wartungsprozesse selbst unterstützte das System in Form eines Maßnahmenkatalogs, dessen Vorschläge je nach historischer Erfolgsquote im jeweiligen Kontext dynamisch priorisiert sowie bei Bedarf durch die Dokumentation neuer Lösungsansätze erweitert wurden. Zum Einsatz kam der Prototyp sowohl in der Demonstrationsfabrik Aachen als auch in realen Anwendungsszenarien bei Industriepartnern.

Den Datenmassen einen Sinn geben

„Wenn es um innovative Anwendungsszenarien in der digitalen Fabrik geht, dauert es meist nicht lange, bis das Zauberwort ‚Big Data‘ fällt. Dabei zeigt die Praxis, dass die Erfassung großer Datenmengen allein meist nicht für die gewünschten Zwecke ausreicht“, erklärt Christian Leopoldseder, Managing Director Austria bei der Asseco Solutions. „Mit dieser Problematik sahen sich auch die Projektbeteiligten bei BigPro konfrontiert: Die Maschinen übertrugen in Echtzeit ihre Identifikation sowie unterschiedliche technische Werte. Doch mit diesen isolierten Daten allein ließ sich im ersten Schritt nicht viel anfangen. Um wirklich praxisrelevante Schlussfolgerungen abzuleiten, ist Kontext nötig: Wo steht die besagte Maschine? Wann war ihre letzte Wartung? Trat die Störung bereits in der Vergangenheit auf? Wie wurde diese damals gelöst? Wie lange hat das gedauert? Ohne eine solche Einordnung nützen die Datenmassen eines Big-Data-Szenario gar nichts. Nur wenn sie automatisiert und in Echtzeit mit Daten aus anderen Quellen in Beziehung gesetzt werden, entsteht ein unmittelbarer Nutzen für die Praxis.“

Um den Datenmassen im BigPro-Projekt eine entsprechende Bedeutung zu geben, wurde eine Datenhaltungsschicht entwickelt, welche die eingehenden technischen Datenströme mit Metadaten aus weiteren Systemen anreicherte und so zu unmittelbar nutzbaren Informationen machte. Als Grundlage hierfür konzipierte Asseco eine zentrale Datenhaltung, der als Schnittstelle zwischen allen beteiligten Systemen fungierte.

Die Informationen zu möglichen Maßnahmen zur Störungsbehebung wurden ebenfalls in dem DataStore hinterlegt. Auch hier bildete die Kombination mit Daten aus weiteren Quellen die Basis für die dynamische Priorisierung der Vorschläge: Indem im BigPro-System dokumentiert wurde, welche Maßnahme bei welcher Störung am häufigsten gewählt wurde und zum Erfolg führte, konnte das System bei jedem Wartungseinsatz die erfolgversprechendsten Maßnahmen automatisiert hervorheben.

Spezialwissen des Kunden unerlässlich

Auch die Bedeutung der Expertise des Kunden wurde im Forschungsprojekt vor Augen geführt. So waren in einer der Praxisanwendungen ein Temperatur- und Druckverlauf in den Daten, der zunächst nicht erklärt werden konnte. In einem solchen Fall ist das spezifische Fachwissen des Kunden unerlässlich, der selbst der beste Experte für seine Fertigung ist und daher weiß, wie einzelne Daten zu verstehen und zu deuten sind. Zusätzlich zum Kontext durch weitere Datenquellen ist damit auch das Spezialwissen des Kunden eine unerlässliche Komponente, Daten in Big-Data-Szenarien sinnvoll zu interpretieren und für die Praxis nutzbar zu machen.

www.assecosolutions.com

GRID LIST
Tour de France

Tour de Data: Spitzenleistung und Transparenz

Im Windschatten fahren war gestern – heute nutzen Radrennfahrer bei der Tour de France…
Tb W190 H80 Crop Int 95925a34900fa0be4dd265a1f6797f09

Fünf Hürden bei der Datenintegration

Die Datenschlacht ist in vollem Gange: Unternehmen, die ihre Daten nicht für die…
Wasserfontänen

Jungbrunnen für das Data Warehouse

Die Expansion der Amazonen-Werke in Verbindung mit der Innovationsführerschaft im Markt…
Tb W190 H80 Crop Int C2eec89cae8801d0c5497bd47cd8d851

QUANTUM AS A SERVICE?

Die Idee des Quantencomputers ist nicht neu – seit Jahrzehnten schwärmen Wissenschaftler…
Data Digital

Datenmanagement abonnieren à la Netflix, Spotify & Co

Ein Musikproduzent verließ sich früher auf sein Gespür und Bauchgefühl, wenn er…
Tb W190 H80 Crop Int Bafff3f0464c40558319bba61f24f6db

Gut oder schlecht? – Datenqualität richtig einschätzen

Das Qualitätsmanagement für Stamm- und Bewegungsdaten ist in die Liga der Top-Themen für…