Industrial Data Intelligence: Echtzeit-Einblick in Ihre Anlage

Wie viel zusätzliches Potenzial steckt in Ihrer Anlage?
Wir finden es für Sie heraus,.

Methoden und Technologien der Produktionsanalytik helfen Ihre Produktion zu optimieren.

Haben Sie einen konkreten Anwendungsfall? Dann führen wir gerne einen Proof of Concept durch und bewerten ihn auf seine technische und kommerzielle Machbarkeit.

Sollten Sie Unterstützung bei der Definition und Bewertung eines konkreten Anwendungsfalles benötigen, führen wir vorher gerne einen Workshop zur industriellen Datenanalyse in Ihrem Hause durch. Dort bestimmen wir gemeinsam den kommerziellen Wert Ihrer Daten, legen die Projektziele und -anforderungen fest und leiten die konkrete Aufgabenstellung und Vorgehensweise ab.

Nach einer erfolgreichen Machbarkeitsstudie helfen wir Ihnen, in einem industrial data analytics Projekt Ihre Produktionsdaten zu sammeln und diese fortdauernd zu analysieren. Das Ziel ist die Optimierung Ihrer Produktion oder der Ihres Kunden.

Unsere dataTHINK Industrial Data Analytics-Lösung verarbeitet Ihre Produktionsdaten in Echtzeit, in der Anlage und ermöglicht die Plug&Play-Datenanalyse mittels OPC UA, mit dem Ziel, Ihre Produktion zu optimieren.

Übersicht

Ihr Industrial Analytics-Partner: Wir rüsten Sie für das digitale 21. Jahrhundert

Für konkrete Anwendungsfälle, in denen Daten einen kommerziellen Wert darstellen, entwerfen wir individuelle Produktionsanalytik-Konzepte zur datenbasierten Produktionsoptimierung. Dazu werden zunächst Produktionsdaten gesammelt und analysiert, mit dem Ziel, Gesetzmäßigkeiten zu erkennen, aus denen sich Optimierungen zur Verbesserung der Gesamtanlageneffektivität ableiten lassen. Neben technischer Architektur, Sicherheitskonzept, Datenverarbeitung, Analyse, Visualisierung und Integration, ermöglichen wir die Messbarkeit des Erfolges in Bezug auf anfangs festgelegte Ziele mit unseren dataTHINK-Lösungen.

Der Bereich „Industrial Data Intelligence“ ist eine interdisziplinäre Gruppe bei Softing Industrial, die sich ausschließlich mit dem Thema der datenbasierten Produktionsoptimierung beschäftigt. Wir bauen auf Erfahrung aus 35 Jahren industrieller Datenkommunikation und Datenakquise.

Wenn Sie für ein Produktionsunternehmen oder einen Anlagen- oder Maschinenbauer tätig sind, sind wir gerne Ihr Dienstleister und Partner für die industrielle Datenanalyse mit dem Ziel, Ihre Produktion oder die Ihres Kunden zu optimieren.

Vorgehen

Projektbegleitung nach CRISP-DM

Die Vorgehensweise bei unseren Produktionsanalytik-Projekten basiert auf dem CRISP-DM (Cross-Industry Standard Process for Data Mining)-Prozessmodell, welches seit 1996 im Rahmen eines EU-Förderprojekts entwickelt wurde und sich als branchenübergreifender Standard für Data-Mining und -Analytics, – auch für die industrielle Datenanalyse mit Hilfe unserer dataTHINK-Lösungen – entwickelt hat.

CRISP-DM unterscheidet zwischen sechs Phasen, zwischen denen häufig hin und her gewechselt wird:

Geschäftsverständnis: Die Projektziele und -anforderungen werden aus dem Blickwinkel der Geschäftsziele festgelegt. Die konkrete Aufgabenstellung und Vorgehensweise werden daraus abgeleitet.

Datenverständnis: Die zur Verfügung stehenden Daten werden gesammelt und gesichtet, mögliche Probleme der Datenqualität ermittelt und erste Hypothesen für enthaltene Informationen formuliert. 

Datenvorbereitung: Der endgültige Datensatz wird in mehreren auf einander folgenden Auswahl-, Transformations-, und Aufräum-Aktivitäten konstruiert.

Modellierung: Geeignete Modellierungsverfahren werden angewendet und Parameter optimiert. Abhängig von Datenformatsanforderungen bestimmter Verfahren kann es notwendig sein, einen Schritt zurück zur Datenvorbereitungsphase zu gehen.

Evaluierung: Das Modell, welches die Projektziele und -anforderungen aus Phase Eins am besten erfüllt, wird ausgewählt.

Bereitstellung: Abhängig von den Projektanforderungen kann die Bereitstellung variieren, von einer einmaligen Aufbereitung und Präsentation, bis hin zu einer dauerhaften Integration in den Entscheidungsprozess des Kunden.

Sammeln

Industrielle Datenakquise im Echtzeitfluss

In unseren industrial analytics-Projekten erfassen wir Daten aus Automatisierungskomponenten und Feldgeräten wie SPSen, Sensoren, Aktoren und Datenbanken sowie aus zusätzlichen Quellen, wie z.B. Produktionsfluss- oder Wetterdaten. Abhängig von der konkreten Aufgabe, werden die Daten eventuell für die spätere Produktionsanalytik in eine persistente Speicherform überführt. Für das Sammeln der Daten kommen entweder Produkte von Softing (z.B. dataFEED OPC Suite, echocollect, OPC-Server und OPC UA-Technologie) oder von Dritten zum Einsatz.

Analysieren

On-Site Stream Produktionsanalytik: Echtzeit-Verarbeitung in der Anlage

Grundsätzlich unterscheiden wir zwei Arten von Fragestellungen für die industrielle Datenanalyse:

Einmalige Fragestellung: Ein Problem wird analysiert und verstanden und kann durch eine Modifikation der Produktion gelöst werden. In diesem Fall findet die Lösung im Anlagen-Engineering statt.

Dauerhafte Fragestellung: Ein Problem soll vorausschauend erkannt werden. In diesem Fall wird eine Lösung mittels einer dataTHINK Streaming Analytics-Implementierung (z.B. eine Anomalie-Erkennung) realisiert.

Unsere Analytics-Lösung verwendet aktuelle Verfahren aus dem maschinellen Lernen wie Anomalieerkennung oder Zeitreihenanalyse zum Aufspüren von Ausreißern und Vorbeugung ungewollter Situationen. Sie setzt auf open source, sowie auf den Industrie 4.0 Standard OPC-UA und lässt sich einfach installieren. Sie nimmt (Meta-)Daten als OPC-UA-Informationsmodell auf und stellt die verarbeiteten Daten als angereichertes OPC-UA-Informationsmodell für Dritte zur Verfügung. OP-UA ermöglicht ferner die automatische Anwendbarkeit von Algorithmen ohne die ansonsten notwendige Vorverarbeitung (Extract, Transform, Load).

Entscheiden

Bewertung des Industrial Analytics Modells anhand der Ziele / Anforderungen

In der Entscheidungsphase wird das Ergebnis der Produktionsanalytik von Experten des Anwendungsfalls geprüft. Nur die Experten aus der Anlagentechnik können beurteilen, ob gefundene mathematische Zusammenhänge tatsächlich in der Praxis existieren. Außerdem werden die Ergebnisse der Produktionsanalytik mit weiteren, unabhängigen Stichproben validiert, um eine hohe Zuverlässigkeit zu garantieren. Sollten sich durch das Einbringen von Expertenwissen und durch weitere Stichproben Unklarheiten oder Widersprüche zur Analyse ergeben, so muss diese wiederholt oder der Parametersatz der Datenanalyse geändert werden. Besteht zwischen industriellen Datenanalyse und Expertenmeinung eine hohe Übereinstimmung, sollten zur Vorbereitung der Implementierungsphase auch geschäftliche, technische, organisatorische und rechtliche Randbedingungen betrachtet werden. Diese bestimmen im hohen Maße die Umsetzungsmöglichkeit der Analyseergebnisse mit Hilfe unserer dataTHINK-Lösungen.

Implementieren

Industrial Analytics Modellintegration mit dem dataTHINK Portfolio

Nachdem die Entscheidung über die Umsetzung der Produktionsanalytik erfolgt ist, gibt es zwei Möglichkeiten:

Umsetzung der Erkenntnisse im Entwicklungsprozess: Das Problem wurde analysiert und verstanden und kann durch die Modifikation der Produktion gelöst werden.

Dauerhafte Installation einer Industrial Analytics-Lösung: Das Problem oder die Aufgabe lässt sich nur mit einer dauerhaften Fragestellung lösen und muss vorausschauend erkannt werden. Mittels einer dataTHINK Streaming Analytics-Implementierung wird die dauerhafte Lösung, z.B. zur Anomalie-Erkennung, installiert und damit die Produktion optimiert.