Für eine sinnvolle Nutzung müssen Daten nicht massenhaft vorhanden sein – auch viele kleine Datenmengen können in Kombination mit weiteren externen Informationen gewinnbringend sein. Andreas Wierse, Geschäftsführer der Stuttgarter Sicos BW: „Entscheidend ist, dass man bei der Datenanalyse Muster oder Verbindungen erkennt, die wertvolle Hinweise für mögliche Prozessverbesserungen geben.“ Bei Smart Data geht es daher nicht nur um die Analyse der erfassten Datenmengen, sondern auch um die Berücksichtigung weiterer semantischer Informationen.
„Viele KMU erkennen allerdings das Potenzial dieser Technologien nicht oder wissen nicht, wie sie sich dem Thema nähern sollen“, berichtet Wierse. Um KMU in Baden-Württemberg an das Thema heranzuführen, hat Sicos BW daher 2014 deshalb mit dem Karlsruher Institut für Technologie (KIT) das Smart Data Solution Center Baden-Württemberg gestartet. „Vielen KMU mangelt es schlicht an den finanziellen Mitteln oder der fachlichen Expertise, diese Technologie für sich zu bewerten“, so Wierse. „Hier wollen wir Unterstützung geben.“
Nützliche Vorhersagen treffen
Das SDSC-BW bietet KMU eine neutrale und kostenlose Smart-Data-Beratung – dank finanzieller Unterstützung durch das baden-württembergische Landesministerium für Wissenschaft, Forschung und Kunst (MWK). Anhand einer Potentialanalyse beurteilen die Experten des SDSC-BW, ob sich die Aufbereitung, Analyse und Auswertung vorhandener Daten lohnt. Falls ja, beraten sie die Unternehmen zur Projektrealisation und begleiten die Umsetzung.
Paradebeispiel für eine sinnvolle Datennutzung im Industrieumfeld ist Predictive Maintenance (vorausschauende Wartung). Erkennen Firmen in Verbindung mit semantischen Informationen Datenmuster, die auf den kommenden Ausfall beziehungsweise die Störung einer Anlage oder Maschine hinweisen, können sie gefährdete Anlagenkomponenten rechtzeitig austauschen. „So sind die Unternehmen in der Lage, Wartungszeiten vorbeugend zu planen und teure Ausfallzeiten zu minimieren“, erläutert Wierse.
Energieverbrauch optimiert
Projektbeispiel Mader: Ziel der sechswöchigen Potentialanalyse beim Druckluft-Spezialisten Mader war es herauszufinden, inwieweit die Zeitreihendaten eines Druckluftsystems für eine vorausschauende Instandhaltung geeignet sind; außerdem galt es, weitere energieeffiziente Kompressor-Optimierungen zu entdecken. Denn rund 78 Prozent der Lebenszykluskosten einer Druckluftanalage sind Energiekosten.
Die Smart-Data-Experten wandten hierzu eine Zeitreihenanalyse sowie Techniken des maschinellen Lernens an. Das erlaubte ihnen, die Entwicklung der Daten des Druckluftsystems zu untersuchen – insbesondere die Korrelation zwischen Faktoren, wie zum Beispiel der Auslastungskombination der Kompressoren und dem Gesamtenergieverbrauch des Systems.
Das SDCS-BW präsentierte Mader verschiedene Techniken des maschinellen Lernens, die es erlauben, aus vorhandenen historischen Daten neue effizientere Kompressor-Konfigurationen zu erstellen. Peter Maier, geschäftsführender Gesellschafter von Mader, freut sich über das Resultat der Analyse: „Die Zusammenarbeit mit dem SDSC-BW hat uns eine neue und tiefere Betrachtungsweise der Druckluftstation-Daten ermöglicht.“
Maschinenzustand analysiert
Projektbeispiel Hermle: Beim mittelständischer Maschinenbauer Hermle ging es um die Nutzung von Datenanalysen zur Bewertung der Maschinenzustände. Durch ein intern entwickeltes System erfasst das Unternehmen zentrale Maschinen-Parameter, die Aussagen zum Zustand der Maschinen ermöglichen. Diese Informationen werden analysiert und ausgewertet, um Stillstände zu vermeiden und den Wartungsbedarf exakt zu bestimmen. Diese Fähigkeiten wollte das Unternehmen mit Hilfe des SDSC-BW weiter ausbauen.
In der ebenfalls sechswöchigen Potentialanalyse griff das Team des SDSC-BW auf die bereitgestellten Wartungsdaten eines Maschinentyps für den Zeitraum von zwölf Monaten zurück. Die Erstanalyse konzentrierte sich darauf, den Zustand der Achsen des Bearbeitungszentrums zu bestimmen und auf diese Weise Potentiale für eine automatisierte Fernwartung zu identifizieren. Im zweiten Schritt ging es um die Auswertung der Daten anhand überwachter Lernverfahren, zum Beispiel sogenannter Entscheidungsbäume, die automatisch Wenn-Dann-Regeln erzeugen.
Das Resultat: Die Experten entwickelten einen Ansatz, der eine automatisierte Auswertung des Maschinenzustands unter Einbeziehung optionaler Verfahrprofile ermöglicht. Die Techniker können nun zukünftig mithilfe der Datenauswertung den Wartungsprozess noch weiter verbessern. „Mit der Smart-Data-Analyse des SDSC-BW konnten wir unsere Erfolge im Bereich Predictive Maintenance bestätigen und die Weichen für eine noch bessere Maschinenwartung stellen“, freut sich Daniel Weiss von Hermle.
Smart Data Solution Center Baden-Württemberg
Sicos BW GmbH
Mehr zum Thema Industrie 4.0
