Suchen

Logistics & Manufacturing

DESIGN THINKING

Unveil approach

Industrie 4.0
PREDICTIVE MAINTENANCE

THE CASE OF PREDICTIVE MAINTENANCE

Big Data als Herausforderung

Die Datenmengen, die eine hochkomplexe Industrieanlage produziert, sind immens. Die Datenströme sind dabei durch die 5 Vs charakterisiert.

DETAILS ANZEIGEN DURCH ANKLICKEN!

Variety Variety

Variety

Value Value

Value

Veracity

Velocity

Volume

×

Big Data als Herausforderung

Die Datenmengen, die eine hochkomplexe Industrieanlage produziert, sind immens. Die Datenströme sind dabei durch die 5 Vs charakterisiert.

DETAILS ANZEIGEN DURCH ANKLICKEN!

Variety

Die Integration unterschiedlicher Datenquellen und die Notwendigkeit auch unstrukturierte Daten zu integrieren, stellen eine Herausforderung dar, der traditionelle, relationale Datenbanken nicht gewachsen sind. Dies gilt insbesondere, wenn nicht absehbar ist, welche Datenquellen künftig noch hinzukommen werden. So kommen im Kontext vorausschauender Instandhaltung unter anderem Audio-, Video-, Radar- oder Bilddaten in Betracht, deren Auswertung in Kombination mit weiteren Daten wichtige Aufschlüsse über den Zustand und den Ausfallzeitpunkt eines Gerätes  liefern.

Value

Der Wert der Daten ist nicht intrinsisch und der Nutzwert muss erst durch Verarbeitung geschaffen werden. Die geeigneten Variablen aus massiven Datenvolumina herauszudestillieren gehört zu den zentralen Herausforderungen eines jeden Big Data-Projekts.

Veracity

Der Wahrheitsgehalt der Daten spielt eine entscheidende Rolle. Messfehler z.B. müssen  erkannt und ausgeglichen werden. Mithilfe von Modellen die auf historischen Daten aufbauen, muss die Spreu vom Weizen getrennt werden.

Velocity

Produktionsprozesse laufen in Echtzeit ab, und so weisen Sensordaten eine hohe zeitliche Granularität auf und sie müssen in Echtzeit verarbeitet werden, wenn sie zur automatisierten Justierung laufender Prozesse verwendet werden sollen.

Volume

Die Datenmenge. Sensorennetzwerke in Industrieanlagen, Controllernetzwerke in Fahrzeugen produzieren kontinuierlich Daten in Dimensionen von Zettabytes und Brontobytes. Derartige Datenmengen sind mit traditionellen Datenbankmodellen nicht mehr beherrschbar. Zum Speichern und für die Verarbeitung kommen daher verteilte Systeme (wie Hadoop) zum Einsatz, die Datenbanken in einer Netzwerkstruktur organisieren.

DATENQUELLEN UND INFRASTRUKTUR

Das Ziel liegt darin, sicherzustellen, dass die IT-Architektur den Anforderungen des gesetzten Ziels auch wirklich gerecht wird. Eine zentrale Herausforderung besteht in der Erweiterung klassischer, relationaler Datenbanken um unstrukturierte Daten.

infrastructure

Daher hängt die Entscheidung im Wesentlichen auch davon ab, mit welcher Geschwindigkeit die Daten über den Schritt der Analyse in Aktion umgesetzt werden sollen bzw. welcher Automatisierungsgrad für die Prozesse angestrebt wird. Diese Frage kann ebenso wenig generell beantwortet werden, wie die Frage nach relevanten Datenquellen: beides hängt stark vom jeweiligen (branchenspezifischen) Einsatzszenario ab.

DATENEXPLORATION UND MODELLENTWICKLUNG

Zielsetzung und Realisierbarkeit werden aus unterschiedlichen wirtschaftlichen, technischen, rechtlichen und IT-Gesichtspunkten ausgewertet. Nachdem die Ziele des Projektes festgelegt sind, entwickelt der Data Scientist statistische Modelle, die alle Variablen bestimmen und integrieren, um Vorhersagen treffen zu können, wann es zu einem Ausfall eines Gerätes, eines Motors oder einer Maschine kommen wird.


Die Modelle werden sodann durch Anwendung auf Test- und Trainingsdaten überprüft: dies ermöglicht eine Qualitätseinschätzung des Modells und weitere Verfeinerung, um exaktere Voraussagen zu erzielen.

 
 
 
 

PROZESSINTEGRATION

 
 
 
 

Vorhersagen und Ergebnisse aus Analytics müssen in die Prozesse des Unternehmens verankert werden. Relevante Personen haben rechtzeitig Zugriff mit den richtigen Tools und einem User Interface, dass sie bei der Entscheidungsfindung optimal unterstützt.


Die Wahl der geeigneten Tools hängt von vom gewünschten Grad an Automatisierung ab, d.h. in wie weit Mitarbeiter die Daten nach der Erhebung weiter analysieren und interpretieren, oder ob Instandhaltungsprozesse automatisiert angestoßen werden.

Predictive Maintenance beruht zwar im Kern auf Big Data, die Umsetzung konkreter Projekte erfordert aber ein Kompetenzprofil, das z.B. auch Netzwerke, Telekommunikation, IT-Architektur, das IoT, Cloud Computing und Security umfasst.

REPLY VERFÜGT ÜBER DIE NACHGEWIESENE EXPERTISE IN ALLEN BEREICHEN, DIE FÜR PREDICTIVE MAINTENANCE RELEVANT SIND.

Reply engagiert sich im Rahmen der OPC Foundation für die Entwicklung globaler Standards für das IoT mit dem Ziel,  einen übergreifenden Standard für die industrielle Automatisierung als Grundlage von Industrie 4.0 zu schaffen.

Reply bringt dabei die Erfahrung und technische Expertise aus zahlreichen Projekten ein, um bei der Entwicklung zur Industrie 4.0 zu neuen Ufern aufzubrechen; hierbei übernimmt Predictive Maintenance als zentraler Innovationstreiber eine Schlüsselfunktion.

PREDICTIVE MAINTENANCE IN DER PRAXIS

WIND
FARMS

COMMERCIAL
VEHICLES

CONNECTED
CARS

STEEL
PRODUCTION

Wind farms

Windenergie gehört zu den bereits klassischen Anwendungsbereichen von Predictive Maintenance. Der Einsatz von Sensoren, insbesondere Vibrationssensoren, die Daten über Internetverbindung mit der Zentrale teilen, ist in der Lage, Verluste durch ungeplante Ausfälle fast vollständig zu eliminieren. Die Fernüberwachung mit der Unterstützung prädiktiver Modelle senkt zudem die Kosten für die Instandhaltung in entlegenen Gebieten wie Off-shore Windparks signifikant.

Commercial vehicles

Die intelligente Auswertung der Sensorinformationen aus Fahrzeugkomponenten kann entscheidend dazu beitragen, Produktionsausfälle z.B. auf Baustellen oder in der Landwirtschaft zu verhindern und Unfälle etwa in der Logistikbranche zu vermeiden. Anbieter von Mietnutzfahrzeugen können Serviceteams rechtzeitige entsenden, bevor es zu einem Ausfall kommt und sich durch Entwicklung innovativer Geschäftsmodelle, wie leistungsabhängige Mietkosten, vom Wettbewerb differenzieren.

Connected cars

Dank des Einsatzes interner, vernetzter Sensoren, sind Connected Cars in der Lage, selbst zu ermitteln, ob eine Komponente vor einer Fehlfunktion oder Ausfall steht. Die Daten aus dem Controller Area Network z.B. können zu weiteren Analysen übermittelt und eine zustandsbasierte Erinnerung für notwendige Inspektionen ausgelöst werden. Informationen über den Zustand des Fahrzeugs können vorab ab die Werkstatt übertragen werden, um sicher zu stellen, dass alle benötigten Ersatzteile vorhanden sind und die Reparaturen ohne Verzögerung beginnen können

.

Steel production

Durch Einsatz des Design Thinking Ansatzes war es in einem Projekt in der Stahlindustrie möglich, festzustellen, dass Sensoren in den Produktionsanlagen bereits großflächig im Einsatz waren. Das Projektdesign basierte auf der Verwendung von IoT-Technologien und IT-Integration unter durchgängiger Einbindung der Erfahrung und Fachkenntnis der Ingenieure. Als Ergebnis wurde das Unternehmen in die Lage versetzt, die zuvor ungenutzten Sensordaten aktiv für Vorhersagen der Materialqualität und zur Behebung von Fehlern in laufenden Betrieb einzusetzen, was die Kosten für Nachbesserungen deutlich senkte.

 
 
 

Syskoplan Reply ist eine auf SAP Beratungs- und Implementierungsdienstleistungen spezialisierte Gesellschaft der Reply-Gruppe. Syskoplan Reply betreut seine Kunden bei der Einführung innovativer Lösungen zur Optimierung ihrer Prozesse. Dabei baut das Unternehmen auf die SAP HANA Plattform, Realtime Analytics, ebenso wie SAP Lösungen für das Internet der Dinge sowie auf neue Anwendererlebnisse mit SAP Fiori. Dieser Ansatz ist das Alleinstellungsmerkmal von Syskoplan Reply und richtet sich an Unternehmen, die Customer Engagement und Commerce, digitale Lösungen sowie Customer-Supplier-Netzwerke einführen wollen.