close

Anmelden

Neues Passwort anfordern?

Anmeldung mit OpenID

16 Den Datenschatz heben. Mit Big Data Alalytics erkennen - NET

EinbettenHerunterladen
ZUKUNFTSMARKT M2M
Den Datenschatz heben
Mit Big Data Analytics erkennen, was Maschinen kommunizieren
Gerhard Altmann
Millionen vernetzter Geräte,
Maschinen und Anlagen liefern
gigantische Datenmengen. Diese
bergen ein riesiges Potenzial an
geschäftsrelevanten Informationen –
vorausgesetzt, Unternehmen
bedienen sich leistungsstarker
Analyselösungen, um den
Datenschatz zu heben. Dies ist jedoch
längst nicht überall der Fall. Zwar
wird der Wert von Big Data Analytics
schon anerkannt, dennoch werten
laut einer Studie der Universität
Potsdam beispielsweise lediglich 37 %
der Fertigungsunternehmen ihre
Maschinen- und Sensordaten aus. Die
Ergebnisse der Umfrage
„Wettbewerbsfaktor Analytics“ zeigen
zudem, dass Fertigungsunternehmen
immer noch vorwiegend
rückwärtsgewandt analysieren und
die Potenziale von Predictive
Analytics liegen lassen.
Gerhard Altmann ist international verantwortlich für den Bereich Manufacturing beim Softwarehersteller SAS in Heidelberg
16
Maschine-zu-Maschine-Daten (M2M),
die in Gebäuden, Anlagen oder innerhalb der Prozesse anfallen, dienen der
Erfassung von Zuständen und Einflüssen. Um Daten von tausenden Maschinen auszuwerten, benötigt man
leistungsfähige IT-Systeme – und vor
allem effiziente Analysemethoden. Eine zentrale Aufgabe für Unterneh-
in eine Analyseumgebung geladen
werden müssen. Dies bringt immense
Zeitvorteile: Mit SAS Visual Analytics
beispielsweise kann 1 Mrd. Datensätze in gerade einmal 9 s analysiert werden. Und Auswertungen, die früher
ein bis zwei Tage dauerten, stehen
innerhalb weniger Minuten zur Verfügung.
Enterprise-Resource-Planning-Systeme
Sensor- und Maschinendaten
Customer-Relationship-Management
externe Marktforschungsdaten
Point of Sale
Websites
Social-Media-Anwendungen
0
25
50
75
%
100
Anteil der Datennutzung differenziert nach Datenquellen (grau – weniger als 20 % Datennutzung,
blau – 20 bis 50 % Datennutzung, hellblau – 51 bis 75 % Datennutzung)
men in diesem Zusammenhang ist
es, die für sich genommen „dummen“ Rohdaten aus Maschinen und
Betriebsprozessen zu integrieren und
zu analysieren – und sie dadurch zu
echten Steuerungsinformationen zu
veredeln.
Ein entscheidender Faktor bei Big Data Analytics, wie sie beispielsweise
SAS anbietet, ist, dass Daten nach bislang unentdeckten Fehlermustern
durchsucht werden können. Herkömmliche Systeme waren lediglich in
der Lage, bei bekannten Fehlern einen
Alarm auszulösen. Mit moderner Analytics-Software lassen sich die Daten
hingegen ergebnisoffen auf Abweichungen und Auffälligkeiten hin untersuchen, die auf bis dato unbekannte Fehler und Korrelationen hinweisen. Möglich wird dies mit der sogenannten In-Memory-Technik, das
heißt, Daten werden direkt im Arbeitsspeicher eines Rechners analysiert und nicht mehr in einer Datenbank gesammelt, von wo aus sie erst
Mit dieser Technik bieten Maschinendaten vielfältige Anwendungsszenarien für die Analyse: Dazu gehören
Prozessoptimierung, vorausschauende Wartung, Qualitäts- und Garantiemanagement oder optimale Kapazitätsauslastung ebenso wie neue
Geschäfts-, Service- und Vertriebsmodelle.
Vorsicht ist besser als
Nachsicht
Ein wichtiges Einsatzfeld für die Auswertung von Maschinendaten ist die
prädiktive Wartung: Sobald die Software ungewöhnliche Datenmuster erkennt, kann sie eine Warnung an den
verantwortlichen Ingenieur absetzen,
der dadurch genügend Spielraum hat,
um Gegenmaßnahmen zu treffen. Big
Data Analytics ermöglicht es auch, die
Prozesslogistik einzelner Fertigungsbereiche sowie des gesamten Unternehmens zu optimieren und laufend
zu überwachen.
NET 10/14
Den Datenschatz heben
Prädiktive Wartung bei
Windparks
Doch Maschinendaten werden längst
nicht nur in der Fertigung ausgewertet. Vorausschauende Wartung
kommt unter anderem auch im Energiesektor zum Einsatz. Während Solarparks abhängig von Schlechtwetterperioden gewartet werden, ist eine
prädiktive Analyse zur Vermeidung
von Ausfällen bei Windparks vor allem
im Offshore-Bereich sinnvoll. Dabei
müssen nicht nur die Daten der einzelnen Komponenten, beispielsweise
der Windkraftanlagen in einem Windpark, ausgewertet, sondern auch deren Abhängigkeiten im Verbund in
Betracht gezogen werden. Befinden
sich z.B. drei Windkraftanlagen in einem Netzverbund, berücksichtigt ein
analytisches System bereits im Voraus,
welche Auswirkungen auf weitere
Komponenten ein Ausfall dieser drei
Windkraftanlagen haben könnte. Prädiktive Analyse kann also den Ausfall
der drei Windräder konkret vorhersagen und gleichzeitig den potenziellen
Verbundeffekt erkennen. Damit lässt
sich prognostizieren, inwieweit dieses
Ereignis die Leistung des gesamten
Parks beeinträchtigt.
Neben der prädiktiven Wartung spielt
auch das Thema Smart Metering eine
wichtige Rolle bei der Analyse von
Maschinendaten im Energiesektor.
Smart Meter, also intelligente Stromzähler, sind nach der Energiewende
die Datentreiber und ein wesentlicher
Teil der Massendatenverarbeitung.
Schon bei einem Viertelstundenrhythmus fallen hier rund 35.000 Messwerte pro Jahr und Kunde an; eine höhere Frequenz ist allerdings sinnvoll und
zu erwarten. In der Folge erhöht sich
das Datenvolumen massiv und stellt
neue Anforderungen an die verwendeten IT-Systeme in Bezug auf Durchsatz, Leistungsfähigkeit und Skalierbarkeit.
Die „Datenlawine“ ergibt sich daraus,
dass Smart Metering eine Zweiwegekommunikation ist: Der Zähler im
Haus dient nicht nur der Erfassung
und automatischen Übermittlung der
Verbrauchswerte zu den Netzbetreibern und Erzeugern, sondern liefert
auch dem Verbraucher aktuelle Daten
NET 10/14
über den gegenwärtigen Verbrauch
und die dazugehörigen aktuellen Preise. Analytische Intelligenz kommt hier
ins Spiel, wenn die Nachfragesteuerung automatisch erfolgt, Energieverbraucher im Haus über die Messgeräte gesteuert und ihr Einsatz und Verbrauch kostenoptimiert werden. Ein
Modell in dem Zusammenhang ist
Real Time Pricing, bei dem der Strompreis entsprechend den Lastkurven
der Erzeugung und der Tageszeit kalkuliert wird.
Neue Geschäftsmodelle
Aus den Möglichkeiten von Big Data
Analytics lassen sich neue Vertriebsund Servicemodelle ableiten. Denn industriell gefertigte Maschinen und
Geräte erzeugen im Betrieb Daten,
die Auskunft über den Zustand der
Maschine, über Auslastung, Wartungsbedarf und damit über service-
Prozessoptimierung bei Posco
Ein Beispiel für den erfolgreichen
Einsatz von Big Data Analytics in der
Fertigung ist Posco: Der südkoreanische Stahlkonzern setzt unter anderem für die Optimierung von Industrieprozessen auf Analytics-Software
von SAS.
Beispiel: ein zu hoher Ausschuss bei
warmgewalzten Stahlbändern. Herkömmliche statistische Verfahren
konnten die Ursache dafür nicht
identifizieren. Mit SAS fand sich
durch die Analyse der physikalischen Prozesse eine Lösung, um den
Ausschuss von 15 % auf 1,5 % zu
senken.
An anderer Stelle entdeckte die analytische Software den Auslöser für
Profitabilitätsunterschiede zwischen
verschiedenen Produktionsanlagen –
dies war Ausgangspunkt für Optimierungsmaßnahmen, die jährlich
1,2 Mio. $ einbringen. Und auch die
Lagerhaltung konnte mithilfe von
Analytics entlastet werden. Nach
entsprechenden Optimierungsmaßnahmen ist es Posco möglich, mit einem um 60 % reduzierten Lagerbestand den Kundenbedarf in gewohntem Maß zu decken.
und vertriebsrelevante Faktoren geben. Diese Betriebsdaten gilt es, abzugreifen und intelligent zu analysieren,
um anschließend die Ergebnisse in
Service- und Vertriebsprozesse zu integrieren.
Der Vorteil von Big Data Analytics im
Vergleich zu herkömmlicher Analyse:
Sie erfasst sämtliche Betriebsdaten direkt während ihrer Entstehung. Die Informationen werden über das Internet vom Anwender zum Gerätehersteller oder einem spezialisierten
Dienstleister geleitet. Bei relevanten
Auffälligkeiten informiert das System
automatisch einen zuständigen Servicemanager. Reparaturen lassen sich
im Vorfeld so einplanen, dass sie nicht
auf Kosten der Laufzeit gehen, also
am Wochenende oder abends durchgeführt werden können. Zudem können Servicetermine gebündelt werden, wenn sich abzeichnet, dass es in
der gleichen Gegend andere Geräte
gibt, bei denen die Wartung kurz bevorsteht. So lassen sich Anfahrtszeiten
und damit Kosten reduzieren.
Darüber hinaus gibt Big Data Analytics Auskunft darüber, wie stark die
Geräte beim Kunden ausgelastet sind.
Zeigt sich anhand der laufend erhobenen Betriebsdaten, dass das Produkt
beim Anwenderunternehmen ständig
an Kapazitätsgrenzen stößt, kann der
Hersteller darauf zeitnah reagieren,
indem er seinem Kunden das nächst
größere, leistungsfähigere Modell
schmackhaft macht.
Fazit
Ein Großteil der Unternehmen ist derzeit noch nicht fit für Big Data Analytics, obwohl die technischen und analytischen Instrumente längst marktreif
zur Verfügung stehen und von einzelnen Unternehmen auch bereits erfolgreich eingesetzt werden. Jetzt muss
der nächste Schritt erfolgen: die Überführung der Technik in den Arbeitsalltag. Die strategische Analyse von Maschinen- und Betriebsdaten erfordert
also nicht zuletzt ein professionelles
unternehmensweites Change Management, das auf allen Ebenen um Unterstützung für diese neue Technik
und die damit verbundenen Veränderungen wirbt.
(bk)
17
Document
Kategorie
Kunst und Fotos
Seitenansichten
10
Dateigröße
47 KB
Tags
1/--Seiten
melden