Datenmanagement Messdaten verarbeiten – Was steckt in Ihren Daten?
Anbieter zum Thema
Daten sind das Öl der Zukunft: Um dazu eine seriöse Aussage machen zu können, was tatsächlich in den gesammelten Daten geschieht, muss erst betrachtet werden, was in den aufgezeichneten Daten steckt.

Die überproportional zunehmende Menge an Daten, die heute während des Produktionsprozesses anfällt, ist einer der Haupttreiber für globale Megatrends wie Smart Industry, Industrie 4.0 oder das Industrial Internet of Things (IIoT). Günstige und platzsparende Sensorik wird quasi überall dort verbaut, wo sich potenziell interessante Messgrössen vermuten lassen, enorme Speicherkapazitäten sorgen dafür, dass kein Bit und Byte verloren geht. Doch was geschieht mit all den Messdaten? Wie tragen sie bereits heute dazu bei, den Produktionsprozess und die daran beteiligten Maschinen zu verbessern?
Produktions-Optimierung durch Predictive Maintenance
Ein Anwendungsbereich, der bereits heute von vielen innovativen Unternehmen erfolgreich umgesetzt worden ist, ist die vorausschauende Wartung oder Predictive Maintenance. Dabei werden mathematische Modelle verwendet, um auf Basis der laufend eingelesenen Maschinen- und Produktionsdaten Voraussagen über den Zustand der Anlage abzuleiten (Health Monitoring). Diese werden dann in der Regel genutzt, um Service-Intervalle optimal zu planen, Produktionsausfälle zu vermeiden oder zu minimieren und um den Produktionsumsatz zu maximieren.
Die technische Umsetzung von Predictive Maintenance lässt sich dabei in vier grobe Schritte unterteilen. Im ersten Schritt werden die Daten eingelesen. Das kann direkt von der an der Maschine verbauten Industriesteuerung — zum Beispiel über OPC UA oder MQTT — erfolgen oder mittels Zwischenschritt über eine Datenbank oder Cloud. Im zweiten Schritt erfolgt die Vorverarbeitung oder das Preprocessing der Daten. Das kann etwa die Glättung von verrauschten Sensorsignalen, die Interpolation von fehlenden Messpunkten oder die Transformation in den Frequenzbereich sein. Da die Vorverarbeitung in vielen Fällen zeitkritisch ist und die zu übertragenden Datenmengen reduziert, erfolgt dieser Schritt oft noch direkt auf dem Embedded Controller oder der Echtzeit-SPS. Der dritte Schritt umfasst die eigentliche Prädiktion durch Vorhersagemodelle, etwa mittels Machine Learning. In der Praxis wird der Predictive Maintenance Workflow direkt in das bestehende IT-System der Produktionsanlage integriert. Der vierte Schritt besteht aus der Integration in das IT-System.
Einlesen und Vorverarbeiten der Produktionsdaten
Um auf Basis von gemessenen Maschinen-, Produkt- und Energiedaten Vorhersagen über den Zustand der Anlage und des Produktionsprozesses machen zu können, müssen die Daten erst eingelesen und vorverarbeitet werden, bevor sie dem eigentlichen Vorhersage-Algorithmus zugeführt werden. In vielen Applikationen wird das durch den Umstand vereinfacht, dass die Messdaten bereits ohnehin in einer Datenbank, auf einem zentralen Server oder in der Cloud abgelegt werden. In diesem Fall müssen die Daten nur noch über eine entsprechende Schnittstelle abgeholt werden. Zum Teil ist es allerdings erforderlich, Messwerte direkt vom Echtzeitsystem — also einer SPS, einem Industrie-PC, einem Servo-Antrieb oder einem Embedded Controller — einzulesen. Dabei kommen in der Regel universelle Kommunikationsprotokolle wie OPC Unified Architecture (OPC UA) oder Message Queue Telemetry Transport (MQTT) zum Einsatz. Ein wesentlicher Bestandteil jeder erfolgreichen Predictive-Maintenance-Umsetzung ist die Vorverarbeitung der Daten. Dabei werden etwa verrauschte Signale mittels Filter geglättet oder fehlende Messwerte durch Interpolation ergänzt.
Prädiktive Modelle durch Machine Learning
Mit zunehmender Rechenleistung werden statistische Verfahren für die Modellierung von Vorhersagen wie Machine Learning oder Deep Learning auch in der Praxis immer relevanter. Diese Algorithmen erlauben eine Modellierung der an der Anlage stattfindenden Prozesse auch dann, wenn die analytischen Modelle nicht im Detail bekannt sind. Plattformen für die Datenanalyse, wie Matlab, bieten eine umfangreiche Palette an Machine Learning Algorithmen, die vom Anwender im Zusammenspiel mit den aufgezeichneten Messdaten verglichen und im Produktivsystem umgesetzt werden können. Das Trainieren des prädiktiven Models erfolgt dabei intuitiv über die Classification Learner App. Nachdem der Messdatensatz in einen Identifikations- und einen Validierungsteil aufgeteilt wurde, werden in der interaktiven Benutzeroberfläche unterschiedliche Machine-Learning-Algorithmen, wie zum Beispiel Support Vector Machines, Nearest Neighbor Classifiers oder Decision Trees, angewandt.
Integration in bestehende IT-Systeme
Um Predictive Maintenance im Produktionsprozess zu verankern, werden die prädiktiven Modelle und Algorithmen in der Praxis in das bestehende IT-System integriert. Das kann — wie im Fall der Vorverarbeitung — bedeuten, dass die Algorithmen in einen echtzeitfähigen C- oder C++-Quellcode umgewandelt und auf der Industriesteuerung implementiert werden. Im Fall von nicht zeitkritischen statistischen Modellen laufen diese als Bestandteil der bestehenden Prozess-Software am zentralen Produktionsserver mit.
Neue Business-Modelle durch Datenauswertung
Der Vorteil aus dem Einsatz von Predictive Maintenance für den Anlagen- und Maschinenbetreiber liegt auf der Hand. Die optimierte Planung von Service-Intervallen, die Reduktion von Stillstandzeiten und die Maximierung der Produktion stellen einen direkt messbaren Mehrwert dar, der sich in vielen Fällen in Return-on-Invest-Zeiten von wenigen Monaten niederschlägt. Doch auch für den Anlagen- und Maschinenbauer birgt die prädiktive Wartung klare Vorteile. So vor allem für europäische Hersteller, die sich kaum durch Preisvorteile gegenüber der Konkurrenz von Ost und West absetzen können.
Fazit: Ja, Daten sind tatsächlich das «Öl der Zukunft» — allerdings nur im Zusammenspiel mit intelligenten Algorithmen und nur für jene, die es auch verstehen, daraus Kapital zu schlagen.
(ID:47769081)