Suchen

Kommentar von Stefan Müller, IT-Novum Datenintegration ist die Grundlage für Industrie 4.0

| Autor / Redakteur: Stefan Müller / Nico Litzel

Die Fertigungsbranche beschäftigt sich gegenwärtig intensiv mit der Digitalisierung von Produktionsprozessen und Wertschöpfungsketten. Die Voraussetzung dafür ist ein durchdachtes Konzept für die Sammlung, Speicherung und Auswertung der unzähligen Informationen, die bei der Digitalisierung von Produktionsabläufen erzeugt werden.

Firmen zum Thema

Der Autor: Stefan Müller ist Director Big Data Analytics bei IT-Novum
Der Autor: Stefan Müller ist Director Big Data Analytics bei IT-Novum
(Bild: IT-Novum)

Ob erst am Anfang stehend oder schon mitten im Projekt, eines ist klar: Viele Fertigungsunternehmen haben bereits erfolgreich mit Industrie 4.0 begonnen. Jede Industrie 4.0-Initiative ist aber zum Scheitern verurteilt, wenn die dabei anfallenden Daten nicht integriert werden. Im Folgenden wird erklärt, warum Datenintegration auf dem Weg zur Smart Factory so wichtig ist und was dabei beachtet werden muss.

Warum Industrie 4.0?

Die richtige Integration aller Datenströme stellt die Grundlage für bedeutsame Veränderungen in der Produktion dar, zum Beispiel für eine Steigerung der Gesamtproduktionseffektivität oder der Gesamtanlageneffektivität. Die Chancen von Smart Factory sind zahlreich, um sie aber nutzen zu können, müssen Unternehmen in drei Bereichen aktiv werden: Daten, Datenintegration und Datenanalyse. Denn im Zentrum von Industrie-4.0-Initativen stehen Daten, ihre Integration und ihre Auswertung.

Wichtiger Rohstoff für die Wertschöpfungskette

Wenn es darum geht, Informationen zum Generieren von Wissen zu nutzen, hat die klassische Fertigung einen großen Optimierungsbedarf. Systeme in der Produktion 3.0 sind stark fragmentiert und umfassen mehrere Datensilos. Ihre Vernetzung untereinander ist schwach ausgeprägt mit der Folge, dass Prozesse nicht ganzheitlich betrachtet werden können. Man schätzt, dass Unternehmen momentan noch weniger als ein Prozent ihrer unstrukturierten Daten auswerten. Genau aus diesem Grund werden interne wie externe Daten meistens nicht betrachtet und verknüpft, obwohl der Anteil unstrukturierter Informationen bis zu 80 Prozent beträgt!

So hebt man den Datenschatz in der Produktion

Das Potenzial von Informationen aus der Fertigung ist enorm. Viele Unternehmen kämpfen jedoch, die Daten richtig zu nutzen. Wählt man aber die richtigen Anwendungen, lassen sich die Herausforderungen überwinden:

  • Datenmenge (Volume): Immer mehr Sensoren liefern immer mehr Daten über verschiedene Fertigungsparameter, permanent und in Echtzeit. Big Data hilft bei der Speicherung, Verarbeitung und Auswertung dieser Informationen und erzeugt wichtige Erkenntnisse.
  • Übermittlungsgeschwindigkeit (Velocity): Anwendungen für die prädiktive Wartung, d. h., die Vorhersage und Vermeidung von Anlagenausfällen, müssen ihre Daten zeitnah an Maintenance-Mitarbeiter liefern. Mit Streaming Analytics lässt sich eine entsprechende Alarmierung und Proaktivität in den operativen Abläufen der Fertigung umsetzen.
  • Datenvielfalt (Variety): Die größte Schwierigkeit auf dem Weg zu Industrie 4.0 ist die Datenvielfalt. Bevor die Daten zentral zusammengebracht werden können, müssen erst unzählige proprietäre Datenquellen angezapft werden. Für Sensordaten gibt es keinen Standard, die Informationen werden daher über verschiedenste Formate und Protokolle geliefert. Deshalb braucht es starke und flexible Werkzeuge, um die Daten integrieren zu können.

Die einzelnen Ausbaustufen bei der Integration von Daten

Die große Aufgabe bei der Datenintegration ist es, die einzelnen Datensilos so integrieren, dass am Ende ein Datenfluss steht, der alle Systeme zum passenden Zeitpunkt mit den richtigen Informationen versorgt. Dabei sind vier Stufen involviert:

  • 1. Data Warehouse: Klassische Data Warehouses integrieren Informationen aus verschiedenen Quellsystemen automatisiert, aggregieren sie und erzeugen Kennzahlen.
  • 2. Data Lake: In einem Date Lake sind mehr Daten integriert, auf die mehr Prozesse zugreifen können. Dabei werden auch semi- und unstrukturierte Daten angebunden und genutzt. Alte Maschinen werden im Rahmen des Retro-Fittings mit Sensoren ausgestattet und die Daten der verschiedenen Sensoren abgeschöpft. Darüber hinaus müssen neue Systeme, um die Informationen zu speichern und zu verarbeiten. Data Lakes und Big Data stellen die Grundlage dar für alle darauf aufsetzenden Anwendungen für Advanced Analytics und Data Science.
  • 3. Near Realtime: In der dritten Aufbauphase werden Daten in Fast-Echtzeit verarbeitet. Die Datenströme werden dabei direkt am Entstehungsort, beim Sensor, ausgewertet und nicht erst im Data Lake bzw. Data Warehouse persistiert. Dadurch werden Edge Analytics möglich, um Probleme bereits im Vorfeld abzuwenden: Bei Erreichung bestimmter Schwellwerte wird ein Alarm oder die automatische Abschaltung von Maschinen ausgelöst.
  • 4. Data Blending: Die nächste Stufe setzt auf die Kombination von Informationen aus mehreren Quellen, um einen analytischen Datensatz für Entscheidungen zu erhalten. Data Blending wird eingesetzt, wenn die Datenintegrationsprozesse oder die Infrastruktur nicht ausreichen, um die Datensätze zusammenzuführen, welche die einzelnen Geschäftsbereiche benötigen.

Von der Auswertung bis zur Handlungsempfehlung

Die geschilderten Schritte bei der Integration von Daten aus der digitalen Produktion haben ihr Gegenstück in den Auswertungsverfahren für diese Informationen. So umfasst der erste Schritt klassische Analysen historischer Daten, während auf der letzten Stufe Advanced Analytics mit Prognosen für zukünftige Entwicklungen mitsamt Handlungsempfehlungen stehen. Das heißt, nach dem Aufbrechen der Datensilos geht es darum, mithilfe von Analysen Wissen zu generieren und dies an die betroffenen Personenkreise zu verteilen. Deshalb stehen im Zentrum vieler Industrie-4.0-Lösungen die sogenannten Advanced Analytics.

  • 1. Business Intelligence: Applikationen für Business Intelligence vermitteln Informationen in Form von Berichten, Dashboards oder Self-Service-Auswertungen. Damit lassen sich zum Beispiel Einsichten in die Anlagenleistung oder in Wartungsaktivitäten gewinnen. Der Vergleich von Rüstzeiten zwei verschiedener Maschinen oder Werke ermöglicht es, rasch festzustellen, ob es Optimierungsbedarf bei bestimmten Werksteilen oder Standorten gibt.
  • 2. Prädiktive Analysen: Hier geht es um Zukunftsprognosen und die Entdeckung versteckter Zusammenhänge in den Informationen. Prädiktive Analysen sagen aus, was als Nächstes passieren kann, sodass Problemen proaktiv entgegengetreten werden kann.
  • 3. Präskriptive Analysen: Die sogenannten Prescriptive Analytics geben Informationen darüber, wie mit zukünftigen Herausforderungen umgegangen werden sollte und erstellen konkrete Handlungsempfehlungen für anstehende Aufgaben in der Produktion.

Mit modernen Technologien zu Industrie 4.0

Innovative Technologien helfen Produktionsunternehmen bei der Realisierung von Wettbewerbsvorteilen und zeichnen neue Perspektiven für künftige Produktionsszenarien. Laut McKinsey können Unternehmen mit Industrie 4.0-Lösungen bis 2025 einen Wert von 3,7 Billionen US-Dollar pro Jahr erreichen. Wer Industrie-4.0-Projekte umsetzt, profitiert dabei von folgenden Vorteilen:

  • Kostenminimierung und Produktivitätssteigerung
  • Bessere Exaktheit von Forecasts und Planungen
  • Senkung der Zeit des Go-to-Market
  • Optimierte Wettbewerbsfähigkeit

Artikelfiles und Artikellinks

(ID:46333874)