Auf Basis von Splunk Enterprise als Monitoring-Lösung [Gesponsert]

So verhindert Zeppelin Fertigungsausfälle mit Machine Learning

Machine Learning ist in aller Munde. Worin genau hier die Vorteile für Unternehmen liegen, zeigt Splunk am Beispiel von Zeppelin auf.
Machine Learning ist in aller Munde. Worin genau hier die Vorteile für Unternehmen liegen, zeigt Splunk am Beispiel von Zeppelin auf. (Bild: Dmitry - AdobeStock.com)

Bereitgestellt von

Am Anfang stand die Herausforderung: eine komplexe IT-Infrastruktur aus SAP-Datenbanken, virtuellen Maschinen und einer hyperkonvergenten Infrastruktur. Am Beispiel von Zeppelin lesen Sie, wie diese dank Monitoring gebändigt wurde und aufbauend darauf ein IOT-Case erfolgreich ins Leben gerufen wurde.

So viel über Machine Learning geredet wird, so unklar scheint vielen noch die Anwendung und der Nutzen. Machine Learning als Teilgebiet der Künstlichen Intelligenz (KI) bietet Unternehmen jedoch enorme Vorteile, denn ein solches System basiert auf Erfahrungen und verallgemeinert diese nach der Lernphase. Dazu erstellen Algorithmen beim maschinellen Lernen ein Modell, das auf Trainingsdaten beruht. So können beispielsweise Vorhersagen zu Betriebsabläufen gegeben werden - ein enormer Vorteil in Industrieanlagen und Fertigungsbetrieben, wo jeder Maschinenausfall bares Geld kostet. Diesen Vorteil wollte sich auch Zeppelin zunutze machen und Maschinenausfällen durch die Remote-Analyse von Sensordaten zuvorkommen. Der Anbieter für Maschinen-, Logistik- und Maschinenbaulösungen entwickelte mit dem Splunk Machine Learning Toolkit ein Anomalieerkennungsmodell zur Prognose zukünftiger Ausfälle von Zündkerzen, eine der Hauptursachen für Kraftwerksabschaltungen.

Splunk war seit IT-Projekt bekannt

Vor 8 Jahren war die komplexe IT-Infrastruktur aus SAP-Datenbanken, einer Virtualisierungsplattform auf Basis von VMware und einer hyperkonvergenten Infrastruktur für softwaredefinierte Speichersysteme ein Problem für Zeppelin. Das Monitoring und die Analyse der Protokolldateien aus IT-Systemen stellte eine enorme Aufgabe für das Team dar, welches eigene Skripts schrieb. Daher suchte Zeppelin nach einer Monitoring-Lösung, die eine umfassende Sicht auf seine komplexe IT-Infrastruktur bot. Damals setzte die IT-Abteilung erstmals Splunk Enterprise als Monitoring-Lösung für die IT-Umgebung ein und konnte so schnell die gewünschten Verbesserungen erzielen: ein besseres Monitoring und optimierte IT-Systeme bei geringeren Kosten und gesteigerter Effizienz und Performance der Systeme im ganzen Unternehmen.

Lernen Sie mehr über das Splunk Machine Learning Toolkit

Machine Learning ermöglicht vorausschauende Wartung

Aufbauend auf den Erfolgen in der Vergangenheit entschloss sich Zeppelin kürzlich, auch einen Anwendungsfall im Bereich IoT mit Splunk umzusetzen. Phillipp Drieger, Machine-Learning-Experte bei Splunk, erläutert: „Mit Splunk als Datenplattform konnte Zeppelin gezielt große Datenmengen agil auswerten und dadurch geschäftskritische Erkenntnisse gewinnen. Zusammen wollten wir den nächsten Schritt gehen und auch IoT-Chancen optimal nutzen. Zeppelin suchte nach einer Möglichkeit, Sensordaten von vermieteten Maschinen optimal zu monitoren, um bei Problemen schnell eingreifen zu können. Mit unserer kostenlosen App konnte das Unternehmen eine vorrauschauende Wartung realisieren und ist nun proaktiver bei der Problembehebung in der Wartung – ein enormer Vorteil für Zeppelin und deren Kunden.“

Andreas Zientek, Systems Engineer bei Zeppelin.
Andreas Zientek, Systems Engineer bei Zeppelin. (Bild: Splunk)

Mit Machine-Learning-Funktionalitäten schufen beide Unternehmen Modelle zur Erkennung von Anomalien und zur Prognose zukünftiger Ausfälle von Zündkerzen, einer der Hauptursachen für das Abschalten von Kraftwerken. Andreas Zientek, Systems Engineer bei Zeppelin, erläutert: „Die Zündkerze ist die am stärksten beanspruchte Komponente eines Motors. Fällt sie aus, steht der Motor still. Wir wollten unseren Kunden eine Lösung anbieten, mit der ein drohender Ausfall einer Zündkerze bereits im Vorfeld verhindert werden kann.”

Die verfügbaren Algorithmen und die einfache Implementierung des Machine Learning Toolkits ohne Programmierung einer einzigen Codezeile erwiesen sich hier als großer Vorteil für das Team. Mit der Splunk-Software konnten Daten im Zusammenhang mit Abgastemperatur und Zündkerzenspannung verfolgt werden, um Abweichungen zu erkennen und Probleme im Voraus festzustellen. Durch die Möglichkeit, diese Messwerte auszuwerten, konnte Zeppelin historische Daten zur Kontextualisierung und Behebung aktueller Probleme nutzen. Das Service Center von Zeppelin war so in der Lage, noch vor Problemen seine Techniker zum Kunden zu schicken. Dadurch ließen sich kostspielige Anlagenstillstände vermeiden und der Kundenservice verbessern. Mit Echtzeit-Dashboards können Service-Techniker das Problem vor der Ankunft vor Ort visualisieren und dadurch sicherstellen, dass sie die richtigen Werkzeuge und Ersatzteile dabei haben, um die Reparatur mit so wenig Unterbrechungen des Kundenbetriebs wie möglich durchzuführen.

Hier geht es zu einem Beispiel für vorausschauende Wartung

Echtzeit-Monitoring über Millionen von Datenpunkten hinweg

Mit dem Einsatz der Splunk-Software verbesserte Zeppelin die Echtzeitsichtbarkeit seiner Systeme und damit auch sein Monitoring. Durch die Auswertung von Tausenden von Protokollen und Benachrichtigungen ziehen Zientek und sein Team geschäftskritische Erkenntnisse. Zientek resümiert: „Wir sehen jetzt genau, was passiert, und zwar auf die Millisekunde. Bei einem Speicherausfall konnten wir so genau sehen, wann er begann und welche Systeme ausfielen und ihn so schnell beheben. Wir erhalten jetzt wirklich tiefgreifende Einblicke in die Systeme. Mit Splunk haben wir einen innovativen Partner, der uns dabei unterstützt, die Digitalisierung zu meistern. Für uns ist das die Zukunft.”

Zum Video: Neue Maßstäbe bei vorausschauender Instandhaltung: Splunk Enterprise bei Zeppelin

Splunk Enterprise bei Zeppelin
Ergänzendes zum Thema
 
So verhindert Zeppelin Fertigungsausfälle mit Machine Learning
copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de/ (ID: 46104751 / Künstliche Intelligenz)