Streaming Analytics an der Netzwerkkante

Daten fließend analysiert

Wenn die eigenen Maschinen und Anlagen digital vernetzt sind, haben Unternehmen im Grunde noch nichts gewonnen. Erst durch die Auswertung der dadurch erhobenen Daten entsteht ein Mehrwert. Streaming Analytics können diese Berechnungen ganz nah an den Ort verlagern, an dem die Daten enstehen.

 (Bild: ©kentoh/stock.adobe.com)
(Bild: ©kentoh/stock.adobe.com)

Eine möglichst hohe Qualität, wenig Ausschuss und minimaler Anlagenstillstand – das sind die Ziele, denen sich Unternehmen durch den Aufbau einer modernen, vollvernetzten Produktion annähern wollen. Basierend auf einem Industrial IoT als Datenplattform sollen so nicht nur schnellere, sondern vor allem auch bessere Entscheidungen getroffen werden. Grundlage für diese Entscheidungen sind über Sensoren und andere Input-Kanäle kontinuierlich erhobene Daten. Doch diese Daten können erst dann einen Mehrwert schaffen, wenn sie auch genutzt werden. Damit aus reinen Daten möglichst früh informierte Entscheidungen werden, kommt Streaming Analytics zum Einsatz, das analytische Modelle direkt in den Datenstrom bringt und eine entsprechende Verarbeitung bereits in den Geräten direkt vor Ort – on the edge – vornimmt. Durch solche Edge Devices können die vernetzten Systeme vorausschauend und effizient auf bereits bestehende oder mit hoher Wahrscheinlichkeit auftretende Probleme adäquat reagieren.

Wissen, was passiert

Für den erfolgreichen Einsatz von Streaming Analytics gibt es zahlreiche Praxisbeispiele, die belegen, wie die oben genannten Anforderungen erfolgreich adressiert werden. Volvo Trucks und Mack Trucks setzen bereits seit rund drei Jahren auf ein System für Predictive Maintenance, um die Ausfallzeiten der Fahrzeuge zu reduzieren. Dabei infomiert das System den Fahrer in Echtzeit über den Zustand seines Lkw und zeigt ihm sogar, wo sich in der Nähe eine Werkstatt befindet, die das vom Verschleiß betroffene Ersatzteil auf Lager hat. Ein weiteres Beispiel ist der Härteofen in einer Zahnradfabrik. Um Hitzeschäden an den Keramikplatten zu vermeiden, wurden teilweise leere Behälter erhitzt – ein unnötiger Verbrauch von Ressourcen. Nach einer Vermessung des Ofens kann die optimale Betriebstemperatur nun über verschiedene Daten wie Temperaturverlauf, Druck oder Verarbeitungsgeschwindigkeit ermittelt und gesteuert werden. So lässt sich nicht nur Leerlauf vermeiden, die teuren Keramikplatten halten zudem deutlich länger.

Ressourcen schonen

Auch bei der Begrenzung von Produktionsausschuss unterstützt Streaming Analytics. Sie kommt beispielsweise bei einer Maschine zum Einsatz, die Gummidichtungen herstellt. Vor dem Einsatz vernetzter IIoT-Lösungen waren die ersten drei produzierten Chargen meist kompletter Ausschuss, da die Maschine nach und nach an die spezifischen Eigenschaften des zu verarbeitenden Kautschuks angepasst werden musste. Variable Faktoren wie Temperatur oder Viskosität sorgten dafür, dass der erste Teil des angelieferten Rohmaterials meist nicht richtig verarbeitet werden konnte. Durch die Erhebung und Auswertung von Daten stellte sich heraus, dass sich vor allem mit besseren Transportmodalitäten ein enormes Einsparpotenzial bei den Produktionsabläufen erzielen lässt. Mittlerweile werden die Informationen über Temperatur und Konsistenz des Rohmaterials über Sensoren in Lkw und Laderampe direkt bei der Anlieferung erhoben und weitergeleitet. Die Produktionsmaschine wird dann entsprechend auf die Betriebsparameter eingestellt. In einer Papierfabrik für Sanitärartikel sorgen Echtzeitdaten ebenfalls für weniger Ausschuss. Die dortigen Anlagen verarbeiten das empfindliche Rohmaterial unter hohen Temperaturen und immensem Druck. Steigt die Luftfeuchtigkeit im Gebäude, löst sich der Zellulosestoff in der Produktion auf und das Material verklumpt. Durch Streaming Analytics hat der Betreiber sowohl Wetterwerte als auch Informationen über das Innenklima im Blick, kann die Maschine also entsprechend einstellen und zeitnah auf veränderte Rahmenbedingungen reagieren. Neben der vorausschauenden Wartung, um Ausfallzeiten zu vermeiden, und der Reduzierung von Fehlproduktionen kommt Streaming Analytics auch zum Einsatz, wenn es darum geht, die vorhandene Produktionsqualität zu steigern. So können Daten beispielsweise Qualitätsunterschiede beim Output von Fräsen beschreiben, die mit bloßem Auge nicht erkennbar sind. In einem zweiten Schritt werden dann automatisch Gegenmaßnahmen eingeleitet, die eine dauerhaft hohe Produktqualität sichern.

Auf die Kommunikation kommt es an

Diese Beispiele lassen erahnen, welches Potenzial in Streaming Analytics für die Fertigungsindustrie noch schlummert. Doch es gibt noch erhebliche Herausforderungen, die vor einer Nutzung der unbestreitbaren Vorteile in großem Stil gemeistert werden müssen. Wie so oft ist dabei eine erfolgreiche Kommunikation der Schlüssel zum Erfolg – und zwar auf verschiedenen Ebenen. Die erste Ebene ist technischer Natur und beschreibt die bereits erwähnte Kommunikation zwischen Maschinen über eine gemeinsame IIoT-Plattform. Voraussetzung für einen funktionierenden Austausch ist eine konsequente Konnektivität der Anlagen. Zwar sind viele Unternehmen bereits dabei, in neue Produktionsanlagen zu investieren oder ältere Maschinen per Retrofitting nachzurüsten, doch es wird schätzungsweise noch drei bis fünf Jahre dauern, bis ein Großteil der Anlagen die Vorteile von Streaming Analytics nutzen kann. In diesem Zusammenhang spielt auch der kommende Mobilfunkstandard 5G eine wichtige Rolle, denn die größere Bandbreite macht nicht nur Edge Devices hinfällig, sie ermöglicht auch eine Analyse in Echtzeit. Mangelnde Konnektivität ist im Übrigen auch ein Grund, warum künstliche Intelligenz in der Produktion momentan noch eine geringe Rolle spielt. Ein flächendeckender Einsatz ist hier erst in zwei bis drei Jahren zu erwarten, wenn eine entsprechende Datengrundlage vorhanden ist. Die zweite Kommunikationsebene betrifft die an den Projekten beteiligten Experten, also Fachingenieure auf der einen und Data Scientists und Solution Architects auf der anderen Seite. Beide Parteien sind Experten auf ihrem Gebiet, haben aber zunächst einen vermeintlich unterschiedlichen Interessensfokus. Während der Ingenieur vorrangig daran interessiert ist, dass die Maschine läuft und möglichst viel produziert, interessiert sich der Data Scientist eher für den Zeitpunkt, die Ursachen und die Dauer eines Ausfalls. Denn aus den generierten Daten kann er dann die Produktqualität ableiten und seine statistischen Modelle verbessern. Doch die jeweiligen Ziele sind kein Widerspruch, im Gegenteil: Ein Projekt funktioniert genau dann besonders gut, wenn sich beide Seiten ergänzen und die Expertise aus ihrem jeweiligen Fachgebiet einfließen lassen.





  • Innovationstreiber Thin[gk]athon: Kollaborative Intelligenz trifft auf Industrie-Expertise

    Der Thin[gk]athon, veranstaltet vom Smart Systems Hub, vereint kollaborative Intelligenz und Industrie-Expertise, um in einem dreitägigen Hackathon innovative Lösungsansätze für komplexe Fragestellungen…


  • MES und Lean-Management im Zusammenspiel

    Fertigungsunternehmen suchen stets nach Möglichkeiten, ihre Workflows zu optimieren, Verschwendung zu reduzieren und Ressourcen optimal einzusetzen. Der Lean-Ansatz ist hier ein bewährtes…


  • Mit KI und Plattform-Ansatz Potenziale heben

    Flexibilität wird im Qualitätsmanagement immer wichtiger. Der Zertifizierungsdruck steigt weiter an und Lieferkettenprobleme erfordern häufiger die Qualifizierung alternativer Zulieferer. Digitale QM-Plattformen können…


  • Die Digitalisierung in Deutschlands Industrie

    Eine aktuelle Studie von Reichelt Elektronik betrachtet den aktuellen Stand der Digitalisierung und stellt die Frage, wie Deutschland im Vergleich zu anderen…


  • Management-Tool für KI-Use Cases

    Im EU AI Act wurden kürzlich Regeln für die Anwendung und Entwicklung von künstlicher Intelligenz festgelegt. Spätestens jetzt sollten Unternehmen ihre KI-Use-Cases…