In den letzten Jahren haben wir viele IIoT Projekte mit verschiedensten Kunden erfolgreich realisiert. Jedes dieser Projekte ist individuell und auch jeder Kunde hat spezifische Anforderungen. Die grundsätzlichen Erfolgsfaktoren sind allerdings in allen Projekten gleich.
Zusammengefasst ist es für den Erfolg Ihres IIoT Projektes wichtig, dass Sie tatsächlich jene Daten sammeln, die Sie am Ende weiterbringen. Denn das Ziel ist nicht, so viele Daten wie möglich zu sammeln, sondern die richtigen. Über sämtliche Unternehmensbereiche hinweg. Und natürlich, diese auch (mit KI) gewinnbringend zu nutzen. Getreu dem Motto: Sammeln Sie noch oder nutzen Sie schon?
Aber sehen wir uns die einzelnen Faktoren, die unserer Erfahrung nach, erfolgskritisch sind, etwas genauer an.
Falls Sie lieber zuhören als lesen, stellen wir Ihnen diese auch im Detail in unserer IIoT-Webinarreihe vor: ? https://hubs.ly/H0DH_6X0
- Von Big Data zu Smart Data
Das (Industrial) Internet of Things (IIoT) generiert Unmengen an Daten. Daten, die wir zB. in Data Lakes ablegen. Und unbedingt nutzen sollten. Allerdings bringen uns viele Daten allein noch nicht zum Ziel. Denn um wirklichen Nutzen und verwertbare Ergebnisse zu erhalten, braucht es nämlich schon die richtigen Daten. In der richtigen Qualität und der richtigen Granularität.
Allzu oft werden in der Euphorie laufender Digitalisierungsprojekte Maschinen vernetzt, Prozesse digitalisiert und unzählige Daten angehäuft. Grundsätzlich ist nichts dagegen einzuwenden, erst einmal mit dem Datensammeln anzufangen und in einem nächsten Schritt die Daten zusammenzuführen, zu analysieren, auszuwerten und zu nutzen. Doch um einen echten Mehrwert aus den Daten generieren zu können, ist es notwendig, sich bereits von Beginn an zu überlegen, welche Informationen und Verbesserungen aus den Daten gewonnen werden sollen.
Ein strukturloses Sammeln ist dabei grundsätzlich immer gut, aber es muss eine nachträgliche Struktur entstehen können. Ansonsten besteht die Gefahr, dass Zusammenhänge zu einem späteren Zeitpunkt nicht mehr hergestellt werden können. Diese sind aber unerlässlich zur Beantwortung analytischer Fragestellungen.
Am Anfang eines jeden IIoT- bzw. Data Science Prozesses steht also die Formulierung von konkreten Fragen, die mit Hilfe der Daten beantwortet werden sollen. Falls die erforderlichen Daten noch nicht verfügbar sind, müssen diese natürlich zunächst gesammelt werden.
- Die Macht der ganzheitlichen Daten
Bei den Überlegungen, welche Daten ergebnisrelevant sein können, macht unserer Erfahrung nach das Zusammenführen und Kombinieren der Daten aus unterschiedlichsten Unternehmensbereichen DEN entscheidenden Unterschied. Damit meine ich, die Daten aus einzelnen Systemen wie ERP, CRM oder sämtliche (I)IoT-Daten aus der Produktion gemeinsam zu betrachten und daraus Wissen zu generieren.
Beim Produktionsprozess ist es wichtig, dass das Werkstück oder das Produkt vom Beginn der Produktion bis zur Auslieferung über jeden einzelnen Schritt hinweg analysiert werden kann. Liefert jede Produktionseinheit ihre eigenen IoT-Daten, müssen diese erst gemeinsam auswertbar gemacht werden. Die Daten, die uns die verschiedenen Sensoren und Objekte, die bei der Datenerfassung beteiligt sind, liefern, sind äußerst vielfältig. Eine optimierte Vernetzung der Maschinen kann dabei eine Möglichkeit sein. Oder es werden alle relevanten Informationen in einer zentralen (I)IoT-Plattform gesammelt.
Erst danach kann die Analyse, Aufbereitung und Interpretation der Daten von einem Data Scientisten Ursachen oder kausale Zusammenhänge aufdecken und so Hinweise liefern, warum Maschinenausfälle oder die Ausschussproduktion zu einem bestimmten Zeitpunkt höher als üblich waren.
Hat man dann eine saubere Datenbasis mit den richtigen Daten über alle Unternehmensbereiche hinweg parat, so kann Künstliche Intelligenz (KI) für noch optimiertere Ergebnisse eingesetzt werden, und das bringt mich schon zum nächsten Punkt: die Kombination dieser drei Welten.
- Die smarte Kombination von Data Science, KI und IIoT
Kommt bei der Datensammlung und -analyse noch KI ins Spiel, so können datenbasierte Entscheidungen automatisiert und somit sehr viel schneller getroffen werden.
Setzt man Deep Learning beispielsweise bei einer automatisierten Qualitätssicherung im Bereich der Bildverarbeitung zur visuellen Erkennung von Qualitätsaspekten ein, hat dies eine Reihe von Vorteilen:
- Fehler werden dort erkannt, wo sie entstehen, da die optische Qualitätssicherung direkt in der Produktion eingebunden werden kann. Dadurch kann auch zeitnah auf etwaige Mängel reagiert und Gegenmaßnahmen getroffen werden.
- Die KI kann auf mehreren Maschinen und in mehreren Werken eingesetzt werden, somit ist eine leichte Skalierbarkeit gegeben.
Der Einsatz von KI schafft einen einheitlichen Standard über sämtliche Produktionsstellen hinweg und die Qualitätsbeurteilung ist nicht mehr subjektiv.
Wie Deep Learning und Convolutional Neural Networks funktionieren, hat meine Kollegin Kristina Preuer anhand eines anschaulichen Beispiels aus der optischen Qualitätssicherung in der Produktion in ihrem Blogbeitrag zusammengefasst: https://hubs.ly/H0DJ48j0
Eine Studie der IDC von Ende 2019 ergab, dass bei 90 % der Unternehmen, die KI bereits intensiv einsetzen, die Erwartungen bei IoT-Projekten übertroffen wurden. Außerdem zeigten die Ergebnisse, dass eine Kombination von KI und IoT (= Artificial Intelligence of Things, kurz AIoT) die Wettbewerbsfähigkeit im zweistelligen Prozentbereich erhöht. Dies wird durch gesteigerte Produktivität und Innovationskraft sowie reduzierte Kosten erreicht. Diese Ergebnisse decken sich durchaus mit unseren Erfahrungen und lassen darauf schließen, dass die meisten erfolgreichen (I)IoT Projekte eigentlich AIoT Projekte sind und dass vor allem der Einsatz von KI einen wirklichen Mehrwert bringt. Denn wenn man noch besser weiß und versteht, was in den einzelnen Produktionsschritten passiert, kann man sie intelligenter steuern.
Anwendungsbeispiele für Deep Learning können die Erkennung von Produkten am Förderband zur Vermeidung der Verwendung von falschen Rohstoffen sein. Oder bei einer automatisierten Kuvertierung die Erkennung von Schrift auf den Briefen zur Sicherstellung des Datenschutzes. Machine Learning kann natürlich auch bei der automatischen Optimierung von Einstellparametern unterstützen. Damit konnten wir bei einem Kunden die Verkürzung des sensibelsten Arbeitsschrittes um bis zu 75 % bei gleichzeitiger Erhöhung der Qualität der Parameter erreichen.
Auch die aktuelle IDC Studie „Industrial IoT in Deutschland 2021“ bestätigt erneut das enorme Potential für höhere Effizienz, mehr Innovation und verbesserte Wettbewerbsfähigkeit von IIoT. Allerdings wird dies bislang noch wenig ausgeschöpft. Dabei sind die Investitionen für einen ersten Proof-of-Concept (PoC) sehr gering.
Auch wir gehen bei unseren Projekten meist so vor, dass vorab in einem PoC die Machbarkeit des Projektes überprüft wird und erst in einem zweiten Schritt das eigentliche Projekt auf- und in weiterer Folge umgesetzt wird.
Welche Möglichkeiten ergeben sich nun mit den „richtigen“ Daten, Data Science und KI?
Es können sachkundige Informationen extrahiert, wichtige Vorhersagen getroffen und Entscheidungen unterstützt werden. Die Anwendungsszenarien von IoT und KI sind vielfältig und reichen von einer automatisierten (optischen) Qualitätssicherung mit Machine Learning über Predictive Maintenance mit dem Ziel „zero downtime“ bis hin zur Produktionsprozess- und Qualitätsoptimierung mit Predictive Analytics.
Konkrete Beispiele, die wir kürzlich umgesetzt haben, sind diese:
Wir konnten mit Data Science Einflussfaktoren auf die Produktqualität identifizieren. Gemeinsam mit einem Kunden im Bereich der Aluminiumproduktion haben wir mit der Anbindung sämtlicher Maschinen eine zentrale IoT-Plattform und automatisierte OOE Dashboards inkl. Soll / Ist-Vergleich (basierend auf validen Maschinendaten) erstellt. Dies ist die Datengrundlage, auf deren Basis Prozesse erheblich verbessert und Einflussfaktoren auf die Produktqualität identifiziert werden konnten. So ist eine höhere Qualität bei niedrigeren Kosten gewährleistet.
Data Science und Predictive Analytics können zur Qualitätssicherung und Optimierung von Produktionsprozessen eingesetzt werden. Bei umfangreichen Produktionsprozessen, wie beispielsweise bei unserem Kunden, einem produzierenden Industrieunternehmen, spielen bis zum fertigen Erzeugnis eine Unmenge an Einflussfaktoren zusammen. Die Überprüfung auf Fehler ist allerdings erst ganz am Ende des Prozesses möglich. Daher mussten wir gemeinsam einen Weg finden, um schädliche Produktionsbedingungen bereits zu identifizieren, bevor Ausschuss produziert wird. Neben der Korrelation von Daten unterschiedlichster Herkunft war die korrekte Transformation von Sensordaten eine besondere Herausforderung.
Mit Hilfe statistischer Analysen werden nun aus generierten Daten Änderungen im Rohmaterialeinsatz oder Anpassungen von Prozessparametern abgeleitet. Durch die Optimierung dieser Einflussgrößen lassen sich der Ausschuss verringern und dadurch auch Kosten einsparen.
Falls Sie weitere Anwendungsbeispiele oder diese beiden Use Cases ausführlicher interessieren, haben Sie in unseren IIoT Webinaren die Gelegenheit, mehr darüber zu erfahren. Wir zeigen Ihnen das jeweilige Vorgehensmodell und im Detail, welche Herausforderungen zu meistern waren und welche Ergebnisse wir gemeinsam mit unseren Kunden erreicht haben: https://hubs.ly/H0DH_6X0
© cubido & shutterstock | PopTika
