Kommentar von Michael Breidenbrücker, Senseforce Zeitreihendaten in der Industrie – Planung und Flexibilität

Von Michael Breidenbrücker |

Anbieter zum Thema

Das Internet der Dinge verbindet und vernetzt unsere Lebensräume in einer enormen Geschwindigkeit. Neben häuslichen und städtischen Infrastrukturen gilt das natürlich auch für die Industrie. Die hier gesammelten Daten haben nicht nur ganz konkrete Anwendungsmöglichkeiten, sondern bergen aufgrund ihrer Zusammensetzung auch Herausforderung, wenn es um die Speicherung und Auswertung geht.

Der Autor: Michael Breidenbrücker ist Gründer und CEO von Senseforce
Der Autor: Michael Breidenbrücker ist Gründer und CEO von Senseforce
(Bild: © DarkoTodorovic|Photography|adrok.net)

Die Überwachung von Maschinen und Anlagen bietet Unternehmen eine Reihe von Vorteilen. Derzeit hat jedoch besonders der industrielle Mittelstand oft noch Schwierigkeiten mit der sinnvollen Umsetzung und Nutzung der passenden Systeme. Die Nachverfolgung von Maschinen in der Lieferkette und die regelmäßige Inspektion sowie Wartung der gelieferten Maschinen sind ausschlaggebende Gründe für die Umsetzung von IIoT-Projekten. Ersteres wird in vielen Unternehmen bereits standardmäßig – wenn auch ungenau – digital über ein entsprechendes CRM- oder ERP-System abgewickelt.

Die Überwachung hingegen ist ein weitgehend analoger Prozess und verlangt die Anwesenheit von Servicepersonal vor Ort. Auch das ist in vielen Fällen unumgänglich und nicht per se ein Problem. Die Kontrollintervalle richten sich jedoch häufig nach den bisherigen Erfahrungen und groben Schätzungen. Zum einen ist diese Vorgehensweise ineffizient, wenn man bedenkt, dass Mitarbeiter gewissermaßen blind ausrücken, wenn es möglicherweise gar nicht nötig ist. Andererseits ist es genau dann äußerst problematisch, wenn eine Maschine aufgrund von Verschleiß oder Fehlfunktionen ausfällt und das Wartungsteam nicht zur Stelle ist.

Predictive Maintenance und Digital Twins benötigen Zeitreihendaten

Buzzwords, die im Zuge der Effizienzsteigerung häufig bemüht werden, sind Predictive Maintenance und die Arbeit mit Digital Twins. Durch die digitale Kopie einer Maschine und entsprechender Datenanalyse sollen Ausfälle, die durch Materialverschleiß zustande kommen, vorhergesagt und damit die Downtime reduziert werden. Die hierfür eingesetzten Sensoren an Maschinen und Anlagen sammeln kontinuierlich Daten ein, die jeweils den Zustand zu einem spezifischen Zeitpunkt erfassen und als Zeitreihe analysiert werden können. Nur so lassen sich aus den entsprechenden Datensätzen Rückschlüsse auf den vorherigen oder folgenden Datensatz und dessen Bedeutung ziehen.

Besonders die Mustererkennung sowie die Identifizierung von Ausreißern ist bei solchen Datensätzen gut machbar. Grund dafür ist die stationäre Natur von Zeitreihendaten: Durch die konstanten Amplituden, genauer gesagt Niveaus, der Werte wie Maschinentemperatur oder Öldruck unter Last (oder im Ruhezustand), lassen sich ungewöhnliche Phänomene vergleichsweise leicht und vor allem schnell erkennen. Erst durch diese Art von Daten werden Predictive-Maintenance-Ansätze möglich. Alles in allem sind Zeitreihendaten für Unternehmen aus dem Maschinen- und Anlagenbau also besonders sinnvoll und bieten große Vorteile. Herausforderungen entstehen jedoch schnell, wenn die Menge an Daten ein Niveau überschreitet, welches von der IT-Abteilung nicht mehr ohne Weiteres gemanagt werden kann. Ein Umstand, der bei kontinuierlich gesammelten Daten relativ schnell zum Tragen kommt.

Ein Problem: die gezielte Speicherung von Unmengen von Zeitreihendaten

Eine Schwierigkeit ist dabei die gezielte Speicherung der Datenmengen. Es gibt so viele Möglichkeiten, Zeitreihendaten zu speichern, wie es Datenbanken gibt. Sie könnten in einem traditionellen relationalen Datenbankmanagementsystem (RDBMS), als unstrukturierte Daten in einer NoSQL-Datenbank oder sogar in einer Tabellenkalkulations- oder CSV-Datei gespeichert werden.

Das Sammeln, Speichern und Analysieren riesiger Mengen dieser Daten ist mit diesen traditionellen Methoden allerdings häufig nicht sinnvoll. Während konventionelle RDBMS darauf ausgelegt sind, relationale Datentabellen zu speichern und zu aktualisieren, funktionieren unstrukturierte NoSQL-Datenbanken für die passenden unstrukturierten Daten. Herkömmliche Tabellendateien sind für die IT bei den eingehenden Datenmengen ebenfalls nicht handhabbar. Die Herausforderung bei Zeitreihendaten liegt darin, dass die Datenbank schnell, zuverlässig und skalierbar sowohl gelesen als auch geschrieben werden muss. Ohne eine solche auf spezifische Bedürfnisse angepasste Zeitreihendatenbank ist auch die anschließende Analyse und Auswertung nicht möglich. Bei der Speicherung sollte außerdem der spezifische Anwendungsfall berücksichtigt werden, um einen sinnvollen Bezug zu anderen Daten herzustellen.

Erfassen ist gut, flexible Kontrolle ist besser

Gerade mit großen Mengen von Daten, und speziell bei Zeitreihendaten, ist es mit der reinen Erfassung noch nicht getan. Besonders im Mittelstand ist auch die Wirtschaftlichkeit entscheidend. Welche Daten werden für die gesonderte Analyse benötigt? Lassen sich bestimmten Daten über einen bestimmten Zeitraum verdichten? Lohnt sich die Langzeitarchivierung? Oft sind solche Fragen nicht von Anfang an geklärt. In diesem Fall sollten Unternehmen darauf achten, dass ihre eingesetzten Lösungen ihnen maximale Flexibilität gewähren. Data-Retention-Funktionen beispielsweise ermöglichen hier, für jeden Datenpunkt individuelle Entscheidungen zu treffen.

Jetzt Newsletter abonnieren

Täglich die wichtigsten Infos zu Big Data, Analytics & AI

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

Gleiches gilt auch für die Zielsysteme der Daten. Ohne flexibles Data Routing, bei dem Zielpfade für Datenströme festgelegt werden, können einmal getroffene Entscheidungen nur schwer rückgängig gemacht werden, was im schlimmsten Fall unnötige Kosten für Speicher und unflexible Prozesse für neue Projekte nach sich zieht. Und nicht zuletzt spielt auch die Provisionierung von Zeitreihendaten eine wichtige Rolle, gerade wenn es um größere Maschinenparks mit mehreren Stakeholdern, Herstellern und Betreibern geht. Nicht nur muss in diesem Fall sichergestellt werden, dass die Bereitstellung von Daten möglichst automatisiert stattfindet, sondern auch, dass die Unternehmen jederzeit wissen, welche Daten wann und wo synchronisiert werden. Ohne Transparenz und die Möglichkeit hier die Datenübertragung bei Bedarf schnell und einfach zu deaktivieren, entsteht bei Zeitreihendaten innerhalb kürzester Zeit ein enormer Overhead.

Datenanalyse für den Mittelstand möglich machen

Durch fehlende Erfahrung steht besonders der Mittelstand vor der Qual der Wahl was sowohl Datenbanken als auch Software zur Verwaltung und Auswertung der eingehenden Daten betrifft. Die Daten gesondert zu analysieren, ist aufgrund von mangelndem Fachpersonal beziehungsweise fehlender Datenanalysten häufig keine Option. Um dennoch schnell einen Mehrwert aus den Daten ziehen zu können, bedarf es demnach einer ganzheitlichen IoT-Lösung, die auch für unerfahrene Mitarbeiter intuitiv nutzbar ist. Grafische Interfaces und Drag-and-drop-Funktionalitäten haben sich hier bewährt, denn die Mitarbeiter wissen in der Regel, welche Informationen sie benötigen, doch es fehlt an Programmierkenntnissen, um Änderungen an Systemen vorzunehmen. Das gilt im Übrigen auch für die Setup-Phase: Hier ist die Time-to-Market von besonderem Interesse, was besonders Plug-and-play-Ansätze reizvoll macht. Innerhalb weniger Tage sind so die ersten Prozesse integriert und die Daten können effizient genutzt werden.

Statt hier also eigene Systeme von Grund auf selbst zu entwickeln, empfiehlt es sich im Mittelstand, zu etablierten „As-a-Service“-Plattformen zu greifen. Der Service ist optimal auf die Bedürfnisse seiner Zielgruppe angepasst und lässt sich so variabel an den spezifischen Bedarf anpassen. Dabei gilt es weiterhin, auf die Agnostik des Systems zu achten, um einen Lock-in zu vermeiden – sei es nun mit Blick auf die Datenbank oder die Cloud. Nur wenn der gewählte Software-Stack mit ihren gewählten Datenbanken und Cloud-Systemen kompatibel ist, hält ihr IoT-Projekt mit der schnelllebigen IT-Welt mit.

Immer komplexere Prozesse im Maschinen- und Anlagenbau und die Vernetzung zur Leistungs- und Umsatzsteigerung machen IoT-Projekte mittlerweile unabdingbar. Um hier nicht in der Testphase stehenzubleiben, sollten sich Unternehmen bereits zu Beginn Gedanken um das richtige Set-up und die passende Auswahl an Software und Datenbank machen. Die permanente Zustandsbeurteilung, die für diese Branche zu den wohl erstrebenswertesten Vorteilen gehört, verlangt nach Zeitreihendaten und diese nach einer hochperformanten Datenbank sowie einer flexiblen IoT-Plattform. Unternehmen sind gut damit beraten, sich vor der Wahl der Software über dessen Kostenmodelle und Möglichkeiten zur Datenbankintegration zu informieren.

(ID:46994342)