Digitale Geschäftsmodelle

Mit Sensordaten Kosten sparen

Das Forschungsfeld Internet der Dinge hat das Interesse vieler weltweit agierender Unternehmen geweckt. Um aus Sicht der hiesigen Industrie nicht den Anschluss zu verlieren, müssen Ingenieure technologische Herausforderungen bewältigen. Es gilt, Hunderte von Sensoren vernetzen und erfasste Daten zu Informationen verdichten zu können. Der Software-Anbieter Empolis hat hierfür eine Plattform im Portfolio, die mittels ‚Complex Event Processing‘ den Weg zu neuen Geschäftsmodellen, etwa für vorausschauende Instandhaltung, ebnen soll.

Bild: Empolis Management GmbH

Viele global agierende Unternehmen treiben das Forschungsfeld des ‚Internet of Things‘ voran. So gründeten die amerikanischen Konzerne AT&T, Cisco, General Electric, IBM und Intel unlängst das ‚Industrial Internet Consortium‘. Der Zusammenschluss will Unternehmen ermöglichen, Anlagen, Abläufe und Daten einfacher zu verknüpfen und zu verbessern. Auch Google beschränkt sich nicht mehr nur auf das Geschäft mit Kundendaten, sondern hat mit ‚Nest‘ einen Hersteller von vernetzten Thermostaten übernommen. Facebook hingegen hat sich mit ‚Oculus VR‘ einen Produzenten von Virtual Reality-Brillen einverleibt. Noch hat Deutschland beim Thema Industrie 4.0 allerdings in vielen Dingen die Nase vorn. Damit das so bleibt, müssen hiesige Ingenieure das Wissen um Technologie in digitale Geschäftsmodelle umwandeln.

Erste Unternehmen des Maschinen- und Anlagenbaus – in Kooperation mit der deutschen IT-Branche – treiben Pilotprojekte voran und haben erkannt, dass es hier nicht nur um einen Trend geht, sondern vielmehr um vielleicht entscheidende und langfristige Wettbewerbsvorteile. Geschäftsmodelle im Bereich vorausschauender Instandhaltung und Wartung gewinnen in diesem Zusammenhang stetig an Bedeutung. Hierbei geht es vor allem darum, Sensordaten intelligent und in Echtzeit auszuwerten, um Vorhersagen und Vorkehrungen treffen zu können, damit Fehlersituationen gar nicht erst eintreten oder, falls eine solche Situation doch einmal eintritt, sie unmittelbar und effizient beheben zu können. Gelingt dies, ist zu erwarten, dass sich der Ertrag von Maschinen dauerhaft steigern lässt.

Herausforderungen sind zu meistern

Allerdings stellen sich hierbei Herausforderungen, die sich aus dem enormen Datenwachstum oder Big Data im Bereich der Maschine-zu-Maschine-Kommunikation (M2M) ergeben. Schließlich bestehen Produktionsanlagen nicht selten aus Hunderten komplexer Maschinen, von denen jede einzelne über einige Dutzend Sensoren verfügt, die wiederum im Abstand von Sekundenbruchteilen Daten in heterogenen Strukturen liefern können. Auch ist die Geschwindigkeit hoch, mit der Daten anfallen und bearbeitet werden müssen. Die Anzahl der vernetzten Geräte nimmt zu, so dass eine Verarbeitung nahezu in Echtzeit, auch als near real time bezeichnet, ratsam ist. Zudem sind nicht immer alle Daten korrekt. Zwar können durch Menschen verursachte Fehler durch automatiserte Prozesse meist ausgeschlossen werden, jedoch weisen auch Maschinendaten Störungen auf, weil zum Beispiel Messfehler auftreten oder Sensoren zeitlich nicht synchron sind.

Einsatz von Maschinen und Anlagen verbessern

Vor diesem Hintergrund hat der Software-Anbieter Empolis mit ‚Empolis Smart Service‘ eine Software-Plattform entwickelt, die Fertigungsbetriebe unterstützt, den Einsatz ihrer Maschinen und Anlagen zu verbessern. Eingehende Sensordaten werden hierfür mittels statistischer Verfahren, semantischer Regeln und im Kontext von Erfahrungsfällen und gespeicherten Fehlerbildern analysiert. So lässt sich nicht nur der aktuelle Zustand erkennen, sondern es lassen sich auch Vorhersagen treffen und daraus Maßnahmen ableiten. Die Plattform ermöglicht zum Beispiel das sogenannte ‚Complex Event Processing‘. Das bildet die Grundlage für aussagekräftige Analysen zustandsorientierter Überwachung im Sinne von Condition Monitoring und vorausschauender Instandhaltungs- und Wartungsarbeiten oder Predictive Maintenance. Die Plattform stellt zahlreiche Verfahren und Techniken zur Verfügung – von statistischen Methoden und maschinellem Lernen bis zur Möglichkeit, fachliche Zusammenhänge in einer semantischen Regelsprache zu beschreiben, um so komplexe Ereignisse und Zusammenhänge detektieren zu können. Auf diese Weise wird es möglich, Störungen vorauszusagen, Symptome und Fehlerbilder abzuleiten sowie mittels gespeicherter Informationen zu Fehlerbildern Langzeitbetrachtungen durchzuführen.