Große Datenmengen aus der Produktion visualisieren

Interaktive Grafiken für die Industrie 4.0

| Autor / Redakteur: Jochen Grünes / Nico Litzel

Der Autor: Jochen Grünes ist Pre-Sales Consultant bei Datawatch
Der Autor: Jochen Grünes ist Pre-Sales Consultant bei Datawatch (Bild: Datawatch)

Laut dem Analystenhaus Gartner werden 2020 bereits 25 Milliarden physische Objekte im Internet miteinander verbunden sein. Damit werden präzise Datenanalysen möglich, vor allem in der Fertigungsindustrie. Hier helfen die Daten von Sensoren und Maschinen, gefährliche Situationen oder Qualitätsmängel zu vermeiden und Risiken im Betriebsablauf zu minimieren.

Auf der anderen Seite geht den Mitarbeitern, die die Anlagen steuern, durch den hohen Automatisierungsgrad Erfahrung verloren, weil im Normalbetrieb immer mehr Prozesse ohne manuelle Steuerung ablaufen. Auch um diesen Kontrollverlust auszugleichen, sind Big-Data-Analysen erforderlich, die die enormen Datenmengen nutzen, um den Entscheidungsprozess in der manuellen Echtzeit-Steuerung von Anlagen zu unterstützen. Sie helfen den Anlagenfahrern, kritische Situationen so frühzeitig wie möglich zu erkennen beziehungsweise vorherzusagen.

Die Grundlagen für die Wettbewerbsfähigkeit anlagenintensiver Unternehmen verändern sich in Richtung Informationskapital, gewonnen aus den Anlagen und Maschinen. Das bedeutet, die Suche nach Wettbewerbsvorteilen konzentriert sich immer mehr auf die Fähigkeit eines Unternehmens, Informationen aus einem breiten Spektrum von Quellen zu erfassen, zu visualisieren, zu analysieren, zu verbreiten und in den Businesskontext einzubinden.

In anlagenintensiven Branchen, zum Beispiel Energie, Maschinenbau, Öl und Gas, Bergbau, Transport, Gesundheit und Versorgungswirtschaft, erzeugen eingebettete Sensoren und Messeinheiten in den Anlagen und in der Infrastruktur Terabytes von Rohdaten. Temperatur, Druck, Durchflussmengen und Vibrationen werden kontinuierlich erfasst und aufgezeichnet – mitunter in Intervallen von weniger als einer Sekunde. Ingenieure und betriebliche Mitarbeiter nennen diese Systeme Operationale Technologie (OT) im Unterschied zur IT.

„Dark Data“

Die meisten dieser Daten werden nie in einem analytischen Kontext genutzt. Diese als „Dark Data“ bezeichneten Daten bergen jedoch ein sehr großes Potenzial, insbesondere für das Asset Performance Management (APM), für das Produktmanagement und für das Management der Servicequalität, sofern sie nutzbar gemacht werden. Der Prozess der Erfassung, Organisation, Kombination und Anwendung von spezifischen und nutzbaren OT-Daten – von Gartner als „Industrial Analytics“ bezeichnet – repräsentiert die nächste Welle der Unternehmenstransformation.

Der operative Bereich produziert riesige Mengen Dark Data. Die Quellen sind typischerweise Systeme und Geräte, die Funktionen und Ausrüstung von Fabrikanlagen überwachen und steuern. OT kann daher in verschiedensten Formen auftreten. Einige überwachen technische Parameter und stellen den Betrieb komplexer Maschinen sicher. Dazu gehören Kraftwerke, Offshore-Bohrtürme und Flugzeuge. Sie erstellen Berichte oder schalten sogar Anlagen ab, die Gefahr laufen auszufallen oder nicht richtig zu funktionieren. Andere umfassen Event-gesteuerte Softwareanwendungen oder Geräte mit Embedded-Software oder Systeme, die betriebswichtige Produktions- und Lieferprozesse steuern und überwachen.

Ergänzendes zum Thema
 
Über Datawatch

Interne und externe Datenquellen

Die Datenquellen liegen nicht notwendigerweise im eigenen Unternehmen. Wenn Ausrüstung ausgeliefert wird, die OT beinhaltet, dann können die für die Analyse relevanten, dunklen Daten auch von Kunden kommen. Auch die Datentypen variieren stark. Ingenieure und betriebliche Mitarbeiter nutzen OT-Daten daher oft nur sehr limitiert für ihre eigenen Zwecke. Einige Beispiele:

  • Eine einzelne Kompressor-Turbinenschaufel kann pro Tag 500 Gigabyte Daten produzieren.
  • Ein typischer Windenergiepark generiert 150.000 Datenpunkte pro Sekunde.
  • Ein Smart-Metering-Projekt kann 500 Millionen Datenmessungen pro Tag erzeugen.
  • Wetteranalysen können Petabytes an Daten umfassen.
  • Die Datenmenge, die Datenvielfalt und die Geschwindigkeit der operationalen Daten sind so groß, dass die Bezeichnung „Big Data“ unangemessen erscheint.

Vorteile der Nutzung von OT-Daten

Die Unternehmen beginnen gerade, die Vorteile der Nutzung von OT-Daten zu erschließen. Zwei Beispiele:

  • Ein weltweit tätiger Hersteller von Komponenten und Lösungen für die Kühlung überwacht weltweit in 4.500 Supermärkten die Temperatur von Anlagen wie zum Beispiel Kühlhallen, Kühlregalen in Geschäften und Kühlschränken. Das Unternehmen analysiert Thermostate, Verdampfer, Lüfter und Kompressoren und kann dadurch ungeplante Ausfälle, teure Abschaltzeiten und Reparaturkosten verringern.
  • Ein Produzent von Eisenbahnbremsen hat in größeren Zügen Sensoren in den Bremsanlagen installiert. Durch die Auswertung dieser Daten konnten die Bahnbetreiber die Ausbildung ihrer Ingenieure verbessern. Darüber hinaus gelang es, die Steuerung der Beschleunigung und des Abbremsens der Züge im gesamten Streckennetz zu optimieren. Damit wurden spürbare Einsparungen bei den Treibstoffkosten erzielt.

Der richtige Einstieg in die Nutzung von OT-Daten

CIOs in anlagenintensiven Umgebungen, die alle wesentlichen Daten ihres Unternehmens nutzen wollen, sollten in einem ersten wichtigen Schritt Anwendungsbeispiele definieren. Wer industrielle Anlagen optimieren will, sollte zunächst die erforderlichen Daten identifizieren und sicherstellen, dass die richtigen Daten erfasst werden und erfasst werden können. IT und OT haben sich in verschiedenen Umgebungen entwickelt und basieren auf unterschiedlichen Datentypen und Informationsarchitekturen. Dadurch entstanden deutliche Kompatibilitätsbarrieren.

CIOs müssen wissen, welche Daten erforderlich sind, um die Geschäftsziele ihrer internen Kunden unterstützen zu können. Sehr wahrscheinlich sammelt und betrachtet ein Unternehmen bereits einige OT-Daten. OT-Daten werden von Überwachungssystemen oder -Applikationen möglicherweise genutzt, um Frühwarnsignale zu erkennen, die auf eine verringerte Anlagenleistung oder einen Ausfall hinweisen. Mit entsprechenden Analytics-Anwendungen können Risiken verringert und kostenintensive Ausfallzeiten vermieden werden.

Noch besser sind die Resultate, wenn IT- und OT-Informationen vollständig genutzt werden. Die Kombination von IT und OT verändert die Möglichkeiten von Analytics in anlagenintensiven Branchen, erfordert aber neue Ansätze für die Datenintegration und das Datenmanagement. Die Infrastruktur muss sich ändern und Kompetenzen in den Bereichen Datenintegration, Datenmanagement und Analytik müssen entwickelt werden.

Empfehlungen von Gartner an den CIO

  • Überprüfen Sie Ihre Daten. Identifizieren Sie bisher wenig oder gar nicht genutzte OT-Daten und suchen Sie nach neuen Wegen, kostengünstige Sensoren einzusetzen und neue Datenquellen zu erschließen.
  • Identifizieren Sie ein Szenario und entwickeln Sie ein Pilotprojekt, das diverse Quellen von OT-Daten nutzt, aber auch mit dem Enterprise System interagiert.
  • Arbeiten Sie eng mit den Geschäftsbereichsleitern zusammen, damit Sie die erwünschten Ergebnisse verstehen. Entwickeln Sie Anwendungsfälle für Analytics, damit Sie mit den erforderlichen Erkenntnissen den Veränderungsprozess unterstützen können.

Grenzen traditioneller BI-Lösungen

Im Zeitalter von Hochgeschwindigkeits-Datenstreams und Big Data reichen traditionelle Business-Intelligence- und Analytics-Ansätze nicht mehr aus. Industrielle Analytics erfordert eine Kombination von Streaming-Daten-Analytics und Visual Data Discovery, um kritische Situationen rechtzeitig erkennen zu können. Angereichert mit externen Informationen sind so bessere Entscheidungen möglich.

Die meisten Sensordaten und Logfiles von Maschinen enthalten kontinuierliche und kleinteilige Zeitreihendaten, die zwischengespeichert werden müssen, um sie analysieren zu können. Traditionelle Business-Intelligence-Lösungen, die in Tagen, Wochen und Monaten rechnen, kommen damit nicht zurecht. Die Daten liegen außerdem häufig in einem multi-strukturierten Format vor. Sie erfordern daher eine komplexe Aufbereitung in Echtzeit, bevor sie visualisiert werden können.

Datenmanagement und Datenvisualisierung

Die Integration verschiedenster Datenformate und von Zeitreihendaten ist die Voraussetzung für die Analyse und Visualisierung der Daten. Die Datawatch Corporation visualisiert mit einer In-Memory-Architektur Streaming-Daten und kombiniert sie mit anderen Datenquellen. Dazu gehören OT-Datenbestände, Zeitreihen-Datenbanken, konventionelle relationale und spaltenorientierte Datenbanken und multi-strukturierte Daten.

Sechs grundlegende Anforderungen an Visualisierungen im Internet der Dinge:

  • Visual Data Discovery: interaktive Auswertungen, die einfach zu erstellen, anzupassen und zu verteilen sind (sogenannter „agile self-service approach“); interaktive Untersuchung der Daten und visuelle Darstellung von Filtereinstellungen; schnelle Identifikation von Anomalien und Ausreißern auch in großen und dynamischen Datenbeständen; möglichst umfangreiche Bibliothek von Visualisierungen für statische und Zeitreihendaten.
  • Streaming-Daten-Visualisierung: wichtige Ereignisse in Streaming-Daten erkennen, sobald sie sich ereignen. Dazu muss vorab keine Frage gestellt werden. Eine entsprechende Plattform muss in der Lage sein, eine direkte Verbindung zu Data in Motion herzustellen, zum Beispiel zu CEP (IBM Streams, Informatica Rulepoint und Tibco Streambase), zu gehosteten Internet-of-Things-Plattformen (zum Beispiel Amazon Kinesis) und zu Message-Bus-Lösungen (Informatica UltraMessaging und WebSphere MQ). Datawatch beispielsweise arbeitet mit zweckorientierten Datenmodellen, die für die Zwischenspeicherung und für Beständigkeit optimiert sind. Hochverdichtete Visualisierungen, die in Millisekunden aufgebaut werden und die die Möglichkeit geben, auf hoher Hierarchieebene zu visualisieren und mit Drill-downs sofort ins Detail zu gehen.
  • Zeitreihendaten: Zeitfenster, Time Slices und Playback geben einen vollständigen Überblick über die Situation.
  • Predictive & Advanced Analytics: Konnektivität zu R (Rserv)- und Python (Pyro)-Servern; Transformation von R- und Python-Daten und Nutzung der zahlreichen statistischen Modelle; zahlreiche Anwendungsbeispiele für IoT: prädiktive Wartung, smarte Logistik, klinische Mustererkennung etc.
  • Komplexe Dateiformate: Sensor- und Maschinendaten liegen oft in multi-strukturierten Formaten vor; sie müssen vor der Analyse umgewandelt, angereichert und vorbereitet werden. Häufige Datenformate sind PDFs, Log-Files, HTML-/XML-Dateien, JSON-Files. Es gibt nahezu keine Metadaten. Beispiel: Wellenform-Visualisierung eines JSON Arrays, gespeichert in MongoDB und gestreamt.
  • Echtzeit Geo- und Ortsdaten: Realtime Plotting; Zeitreihen-Playback; Geomaps auf Straßenniveau und kundenspezifische skalierbare Vektorgrafiken für die Branchen Einzelhandel (Optimierung von Aktionen am Point-of-Sales durch Bewegungsmuster im Laden), Energieversorgung, Logistik und Gesundheitswesen.

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? Infos finden Sie unter www.mycontentfactory.de (ID: 43333929 / Industrie 4.0)