IIoT Welche Rolle Big Data und KI für IIoT in der Fertigungsindustrie spielen

Anbieter zum Thema

Databricks Inc.

QUNIS GmbH

Confluent Germany GmbH

Fivetran Germany GmbH

Das IIoT bietet die Möglichkeit, zahlreiche Industrieprozesse zu verbessern. Doch welche Vorteile bieten hierbei vor allem Predicitive Maintenance und ein Data Lakehouse?

Das Potenzial des Industrial Internet of Things ist enorm. Die Analysten von Morgan Stanley sagten 2016 für 2020 einen Marktwert zwischen 90 Milliarden bis 110 Milliarden US-Dollar voraus. Die Mitarbeitenden von Accenture rechneten mit einer ähnlichen Entwicklung. Die 20 wichtigsten Industrienationen könnten bis 2030 schätzungsweise 3,6 Billionen US-Dollar an zusätzlichem Wert generieren. Deutschland setzte dies in den Jahren der Pandemie allerdings etwas verzögert um. Die Marktforscher von IDC hatten im Mai 2022 Mitarbeitende von 250 Unternehmen befragt. Ein Ergebnis der Untersuchung war unter anderem, dass bislang nur ein Drittel den Erfolg der IIoT-Projekte bemisst. Hier gibt es also noch viel Potenzial für Fertigungsunternehmen zu heben.

gesponserteBook

Analytics in der Industrie 4.0

Die Anwendungsfelder reichen innerhalb der Industrie 4.0 von Predictive Maintenance, Qualitätskontrollen, Fernwartung, Asset Management über Flotten- oder Maschinenpark-Management. Neben diesen Anwendungsfeldern sind es vor allem Industrieprozesse, die sich durch IIoT und die Möglichkeiten der intelligenten Datenanalyse optimieren lassen. Automatisierung, Prozessoptimierung und Vernetzung sind hier die wichtigsten Szenarien für die Fertigungsindustrie. Moderne Maschinenparks verfügen über zahlreiche Sensoren, die Daten in nahezu Echtzeit erheben und dadurch tiefe Einblicke in den Zustand der IIoT geben können.

Predictive Maintenance bei IIoT optimiert den Maschinen-Lifecycle

Von allen möglichen Anwendungsfällen wird vor allem der Predictive Maintenance, also der vorausschauenden Wartung und Instandhaltung von IIoT Potenzial nachgesagt. Gelingt die Umsetzung, kann sich dies positiv auf den Lifecycle der Maschinen auswirken. Dank proaktiver Wartungszyklen können Ausfallzeiten besser geplant und Ersatzteile vorausschauend bestellt und ausgetauscht werden, bevor bei Verschleiß etwas kaputt geht. Vor allem aber reduzieren sich teure Wartungskosten, weil nun ein gezielter Service erfolgen kann, ohne dass Servicetechniker oder -technikerinnen stundenlang nach der Ursache für ein Problem forschen müssen. Die Stillstandzeiten werden verringert und die Produktivität der Maschinen gesteigert.

Es sollte jedoch beachtet werden, dass es mehrere datenintensive Sensoren gibt, die gleichzeitig Daten von mehreren Geräten erheben. Diese Daten müssen konsistent in einer zentralen Plattform landen, um überhaupt in ein strukturiertes Format zur Auswertung gebracht zu werden. Das stellt viele Unternehmen vor die folgenden drei Probleme:

1. Volumen: Aufgrund der Menge der Datenproduzierenden innerhalb des Systems kann die Menge der gespeicherten Daten in die Höhe schießen, wodurch die Kosten zu einem Faktor werden.

2. Geschwindigkeit: Hunderte von Sensoren, die mit Dutzenden von Gateways in einer normalen Fertigungshalle verbunden sind, bieten eine Menge Fehlerpotential.

3. Vielfalt: Daten aus dem Fertigungsbereich liegen nicht immer in strukturierter, tabellarischer Form vor, sondern können semi- oder unstrukturiert sein. In der Fertigung fallen mehrere Datentypen an, die beispielsweise aus semi-strukturierten (JSON, XML, MQTT,...) oder unstrukturierten (Video, Audio, PDF,...) Daten bestehen.

gesponserteBook

Warum Compliance im Internet der Dinge immer wichtiger wird

Eine Datenarchitektur für alle Formate

Um die Unmengen an Daten verarbeiten zu können, benötigen Fertigungsunternehmen eine Daten- und Analyseplattform, die für möglichst viele Anwendungsfälle in nahezu Echtzeit Informationen bereitstellt. Ein Data Lakehouse ermöglicht es, IT- und OT-Daten zu verbinden und diese auszuwerten. Hierbei sind weniger die tatsächlichen Maschinen, sondern vielmehr die Prozesse, in die sie eingebunden sind, das bislang größte Hindernis bei der Datenerhebung. Aktive Abfragen und Scans können in die OT-Prozesse eingreifen und ganze Fertigungsstraßen lahmlegen. Eine Datenarchitektur, die das Beste aus den Welten von Data Warehousing und Data Lakes vereint, bewältigt auch diese Herausforderung.

Effizienz statt Kopien

Eine Data-Lakehouse-Plattform eignet sich für die Verwaltung großer Mengen von Streaming-Daten aller Art und Formate. Auf der Grundlage von Delta Lake kann mit großen Mengen von Datenströmen gearbeitet werden, die in kleinen Paketen von mehreren Sensoren und Geräten geliefert werden. Dabei werden ACID-Konformität und die Vermeidung von Jobausfällen gewahrt.

Zusätzlich zu den Datenverwaltungsfunktionen können Datenteams Analysen und Machine Learning direkt durchführen, ohne Kopien der Daten anfertigen zu müssen. Das verbessert die Genauigkeit und Effizienz. Die Speicherung ist von der Datenverarbeitung entkoppelt, was bedeutet, dass das Lakehouse von Databricks für viel mehr gleichzeitige Benutzende und größere Datenmengen skaliert werden kann.

Datenmengen strukturieren

Fertigungsunternehmen mit zahlreichen IIoT-Systemen stehen vor der Herausforderung, dass sie die vielen Daten aus den Sensoren effektiv und schnell sammeln und strukturieren müssen. Nur so können sie einen Mehrwert für die vielfältigen Anwendungsszenarien ziehen. Diese Konvergenz von Daten aus einer Vielzahl von Quellen ist eine ständige Herausforderung. Nur wenn sie eine offene Datenarchitektur aufbauen, die in der Lage ist, die Anzahl der Daten in der benötigten Geschwindigkeit am Ende auch zu analysieren.

Dieser Artikel stammt von unserem Partnerportal Industry of Things.

* Bala Amavasai ist Global Technical Director für Manufacturing & Logistics bei Databricks. Vamsi Krishna Bhupasamudram ist Director for Industry X.0 bei Tredence.

(ID:49055111)