Datenparadies Fabrikhalle: So holen Unternehmen mehr aus ihren Maschinen- und Produktionsinfos heraus
Veröffentlicht am 25. September 2020 in AI
Wer Industrie 4.0 als Wettbewerbsvorteil nutzen möchte, kommt um Industrial Data Science nicht herum. Neuer vierstufiger und auf CRISP-Data-Mining basierender Ansatz unterstützt Projekterfolg.
Fällt der Trendbegriff „Big Data“, denken die meisten zunächst an Social Media oder die Analyse des Kundenverhaltens im Online-Handel. Dabei nimmt die strategische Datenanalyse auch im Produktionsumfeld immer mehr an Fahrt auf. Frost & Sullivan spricht der Big Data-Analyse im Industriebereich immenses Potenzial zu: Die Produktionseffizienz ließe sich durch derartige Auswertungen etwa um zehn Prozent steigern, Betriebskosten um nahezu 20 Prozent eindämmen und Instandhaltungskosten um 50 Prozent minimieren. Das Problem: Daten lassen sich in Fabriken zwar verhältnismäßig problemlos sammeln und speichern. Danach passiert aber wenig, und wichtige Erkenntnisse, die in den vorliegenden Informationen schlummern, gehen verloren. Zudem fehlt es oft an Budget und Personal, um sich dieser Aufgabe zu widmen. Doch wer diese Hürden meistert und sich der Industrial Data Science fokussiert widmet, wird schon bald neue Einblicke gewinnen und die Fabrikhalle in ein Datenparadies verwandeln.
Data Science-Projektansatz: Vorbereitung, Analyse und Anwendungsentwicklung, Evaluierung und Wartung
Industrial Data Science ist eine recht neue Disziplin. Daher gibt es (noch) keine allgemein gültige Herangehensweise, die sich für jedes Unternehmen eignet. Jede Lösung und Anwendung erfordert eine maßgeschneiderte Datenanalyse und -modellierung, um das bestmögliche Ergebnis zu erzielen. Sinnvoll ist jedoch ein Standardansatz, um die besten Projektergebnisse zu erzielen. Als Basis ist beispielsweise das CRISP-DM-Modell geeignet. CRISP-DM steht für Cross-Industry Standard Process for Data Mining und ist weit verbreitet. OMRON hat CRISP-DM vereinfacht und einen neuen eigenen Ansatz entwickelt. Die vier Schritte dieses Ansatzes sind Vorbereitung, Analyse und Anwendungsentwicklung, Evaluierung sowie Wartung. Der folgende Infokasten zeigt, worauf es in den verschiedenen Phasen ankommt.Phase 1: Vorbereitung
Die Vorbereitungsphase ist die wichtigste Phase. Ein datenwissenschaftliches Projekt wird niemals erfolgreich sein, wenn das Ziel unklar ist. In diesem ersten wichtigen Schritt kümmern sich alle Beteiligten und Bereichsexperten daher zunächst um das Problem oder die spezielle Anforderung, um zu einem klar definierten Projektziel zu gelangen. Sie analysieren die Maschine und/oder den Produktionsprozess dabei detailliert, um einen Überblick zu erhalten, welche Daten bereits verfügbar sind und welche noch erfasst werden müssen. Hierbei lässt sich ein erster Datensatz als eine Art Machbarkeitsstudie sammeln und analysieren. Am Ende der Vorbereitungsphase steht ein Bericht, der Einblicke in den erwarteten generierten Wert und einen realistischen ROI gibt.Phase 2: Analyse und Anwendungsentwicklung
Im Folgenden werden die Daten über einen längeren Zeitraum gesammelt, um ein repräsentatives Abbild des Maschinen- und Prozessverhaltens zu erhalten. Eine Datenpipeline beinhaltet je nach Projektziel die folgenden Stufen:
- Datenerhebung: Die Daten werden aus verschiedenen Quellen gesammelt – von rohen Sensordaten bis zu Informationen aus MES-Systemen.
- Daten-Vorverarbeitung: Die gesammelten Daten werden für den Analyseschritt vorbereitet, transformiert, zusammengeführt und bereinigt.
- Datenanalyse: Die entwickelten Analysealgorithmen und maschinellen Lernmodelle werden angewendet.
- Anwendung: Die Ergebnisse und Schlussfolgerungen aus der Datenanalyse werden zur Verfügung gestellt. Beispiele sind eine auf die Situation oder Zielgruppe zugeschnittene Visualisierung oder eine Rückmeldung an die Maschine.
Die notwendigen maschinellen Lernmodelle lassen sich gemeinsam mit den übrigen Datenverarbeitungsschritten trainieren und validieren. Ist die Validierung erfolgreich, kann eine Anwendung basierend auf der beschriebenen Datenpipeline entwickelt werden, die sich problemlos einsetzen und ausführen lässt.
Phase 3: Auswertung
Die Anwendung wird in der Produktionsumgebung eingesetzt, Leistung und Geschäftsergebnisse werden bewertet. Entspricht die Performance nicht den Erwartungen, werden die vorhergehenden Projektphasen erneut durchlaufen.Phase 4: Wartung und Instandhaltung
Produktionsprozesse ändern sich und auch das Maschinenverhalten ist im Laufe der Zeit steten Änderungen unterworfen. Gründe hierfür können Updates oder Verschleiß sein. Deshalb ist eine regelmäßige Revalidierung der Lösung vonnöten, um sicherzustellen, dass die Lösung realitätsnah arbeitet und ihren Wert behält. Zudem wächst auch die Menge der verfügbaren Daten, und oft lassen sich bessere Modelle entwickeln. Daher gilt es, bestehende (maschinelle Lern-)Modelle immer wieder zu überprüfen.Praxisbeispiel SMT-Linie
Eine datengesteuerte Lösung muss nicht immer ausgefallene maschinelle Lernmodelle oder künstliche Intelligenz beinhalten. Manchmal kann eine effektive Verarbeitung der Daten und die Bereitstellung der richtigen Informationen zur richtigen Zeit auf die richtige Art und Weise schon ausreichen. Ein anschauliches Beispiel für ein derartiges Data Science-Projekt findet sich im aktuellen Whitepaper „Data Science Services by OMRON – How to get the full value from your factory floor data“, das zum kostenlosen Download bereitsteht. Das Projekt wurde in der OMRON Manufacturing of the Netherlands (OMN)-Fabrik an SMT-Linien (Surface-Mount Technology) durchgeführt, an denen elektronische Komponenten auf Leiterplatten (PCBs) montiert und gelötet werden.Nur gern genutzte Lösungen entfalten volles Potenzial
Das Potenzial von Big Data im eigenen Produktionsumfeld zu nutzen, ist nicht einfach, doch es lohnt sich. Dabei reicht es nicht aus, Daten zu sammeln und ein paar Grafiken zu bauen. Es geht darum, produktionsrelevante Informationen aus den Daten herauszufiltern und dem richtigen Publikum passgenau zu präsentieren. Der Schlüssel liegt darin, diesen Umwandlungsprozess der Daten in nützliche Informationen in den Fokus der Datenanalyse-Bemühungen zu rücken. Dies muss in enger Zusammenarbeit zwischen Data Scientists und Experten des Herstellungsprozesses geschehen. Nur dann lässt sich eine Lösung entwickeln, die gerne und oft genutzt wird und langfristigen Wert generiert.
Weitere Informationen, wie sich der volle Wert von Industriedaten ausschöpfen lässt, findet sich im aktuellen OMRON-Whitepaper:
