Kommentar von Dominik Claßen, Pentaho

Entwurf einer IoT-Datenarchitektur für die vorausschauende Instandhaltung

| Autor / Redakteur: Dominik Claßen / Nico Litzel

Der Autor: Dominik Claßen ist Director of Sales Engineering EMEA & APAC bei Pentaho
Der Autor: Dominik Claßen ist Director of Sales Engineering EMEA & APAC bei Pentaho (Bild: Pentaho)

Innerhalb der vergangenen Jahre hat das Konzept der vorausschauenden Instandhaltung einen starken Push erhalten. Dabei ist vorausschauende Instandhaltung kein neuer Trend, vielmehr existiert das Konzept in Branchen wie der Öl- und Gasindustrie seit mehr als siebzig Jahren. Offensichtlich aber hat sich die Technologie seit den Textbüchern der 40er-Jahre weiterentwickelt. Was ist mit der vorausschauenden Instandhaltung passiert, das sie so populär geworden ist? Die Antwort lautet: Big Data und das Internet der Dinge (IoT).

Wir erleben gegenwärtig eine positive Feedback-Schleife, die die Fähigkeiten für vorausschauende Instandhaltung nachhaltig verbessert: Die Hardware-Kosten für Rechenleistung, Datenspeicher, Datenerfassung (Sensoren) und Kommunikation sind drastisch gesunken, wobei sich zeitgleich die Leistungen verbessert und beschleunigt haben. Das hat zu sehr interessanten technischen und mathematischen Entwicklungen geführt, sodass wir heute über viel bessere prognostische Methoden verfügen – wie etwa maschinelles Lernen. Dadurch lassen sich Milliarden an Datenpunkten berücksichtigen, was die Fehlervorhersage wesentlich genauer macht.

Je mehr Daten vom System erfasst werden können, desto besser die Vorhersagen. Und da liegt genau eine der großen Herausforderungen für vorausschauende Instandhaltung: Daten aus vielen verschiedenen Quellen müssen erfasst und Data Scientists oder Geschäftsanwendern zur Verfügung gestellt werden. Dazu dürfen die folgenden vier Komponenten in keiner Datenarchitektur für vorausschauende Instandhaltung fehlen.

Erste Komponente: die Datenquellen und ihre Übertragung

Wir beginnen mit den zahlreichen Datenquellen, die anfallen, wenn Systeme für eine vorausschauende Wartung überwacht werden. Dazu zählen etwa das Wetter oder GIS-Daten (Geografische Informationssysteme), Daten über den Anlagezustand (z. B. können für eine Windturbine Systemdaten wie Turbinenausrichtung, Rotationsrate, Voltgenerierung, Netzauslastung etc. gesammelt werden), Daten aus SCADA-Systemen (Supervisory Control and Data Acquisition), aber auch ERP-/EAM-Daten. Einige der Daten müssen in Echtzeit übertragen werden, andere im Batch-Prozess. Dabei können sehr viele Datenpunkte anfallen.

Geht es zum Beispiel um die vorausschauende Wartung eines Schiffes oder eines Zuges, können schnell 3.000 Sensoren zusammenkommen. Diese operieren bei fünf Hertz, senden also fünf Signale pro Sekunde. Diese Daten während der Laufzeit per Satellit zu übertragen, ist sehr kostenintensiv.

Zweite Komponente: Datenvorbereitung, -filterung und maschinelles Lernen

Indem Datenvorbereitung und -filterung möglichst ortsnah „on the edge“, also bereits im zu wartenden System, ausgeführt werden, lassen sich die Kosten für Speicherung, Kommunikation und Rechenleistung verringern. Dafür benötigt man Datenintegrationslösungen, die in der Lage sind, verschiedene Datenquellen zu managen und auch mit verschiedenen Big-Data-Messaging-Systemen, wie Kafka oder MQTT, und mit Batchsystemen funktionieren. Darüber hinaus müssen auch maschinelle Lernsysteme wie WEKA oder R für die Modellierung prognostischer Modelle ortsnah implementiert werden.

Mit leichtgewichtigen, auf Java basierenden Systemen für Datenintegration und Analyse ist das kein Problem (die kann man sogar auf einem Raspberry Pi unterbringen), sie lassen sich leicht vor Ort in der Windturbine oder auf dem Schiff installieren.

Dritte Komponente: Big-Data-Systeme

Neben den genannten Komponenten Datenquellen und Datenvorbereitung, -filterung und maschinellem Lernen „on the edge“ ist das Big-Data-System die dritte Komponente unserer Datenarchitektur. Es bietet die Standardhardware, lineare Skalierbarkeit, günstigen Speicher und Rechenleistung und ist ideal für IoT-Anwendungsfälle wie vorausschauende Instandhaltung. Allerdings ändert sich das Big-Data-Universum kontinuierlich. Während vor zwei Jahren z. B. für Echtzeit Storm in aller Munde war, ist es heute Spark und morgen vielleicht Flink.

Um sich vor diesen Änderungen abzusichern, ist es ratsam, eine Abstraktionsschicht, die sich nativ mit Hadoop-Systemen integrieren lässt und die ihrerseits die Integration mit dem unterliegenden Hadoop-Cluster managen kann, einzufügen. Dadurch muss man sich keine Sorgen um die sich kontinuierlich wandelnden Änderungen auf den Ausführungs- und Speicherungsebenen von Big Data machen, da diese von der Abstraktionsschicht absorbiert werden.

Vierte Komponente: Dashboards, Reports und Prognosemodelle

Die vierte Komponente bilden die Endnutzer und die Art und Weise, wie sie aus den Systemdaten, Geschäftseinblicke erzeugen. Dashboards und Reports werden für einfaches KPI-Tracking genutzt, wofür die Daten aus dem Big-Data-System in Fast-Echtzeit herangezogen werden. Data Scientists arbeiten an der Feineinstellung der Prognosemodelle, wobei sie Daten sowohl aus den Big-Data-Systemen, als auch aus dem direkt vor Ort implementierten System nutzen.

Wenn die Datenarchitektur korrekt aufgesetzt ist, erlaubt es die vorausschauende Instandhaltung Unternehmen vorherzusagen, wann eine Systemkomponente ausfällt. Je kritischer eine Einzelkomponente für ein System ist, desto wichtiger ist es zu wissen, wann sie gewartet oder ersetzt werden muss. Ein Getriebe selbst kann billig sein, wenn es aber ausfällt und mit ihm der Betrieb des gesamten Systems, wird das schnell teuer. Mit der richtigen Datenarchitektur ist es aber möglich, die Wartungspläne so zu optimieren und planen, dass Ausfallzeiten reduziert werden und ungeplante Stillstände oder Ausfälle Schnee von gestern sind.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de/ (ID: 44379569 / Data Sourcing)