Die Struktur der Produktions-Architektur im Zeitalter von Indus­trie 4.0 besteht generell aus mehreren Ebenen – die unterste Ebene repräsentieren dabei die Sensoren. Sie bilden den Grundbaustein der Architektur und kommunizieren mit unterschiedlichen Empfängern. Übergeordnete Informa­tionssysteme werten alle relevanten Daten aus. Darauf aufbauend folgen die Plattformen und Geschäftsprozesse und anschließend der Anwender. Entscheidend in dieser Architektur ist: Die Sen­sordaten aus der untersten Ebene sinnvoll selektiert in die oberen Ebenen zu transportieren und so auszuwerten, dass für die Unternehmen ein Mehrwert entsteht. Die Problematik dabei: Welche Daten sind überhaupt relevant beziehungsweise bei welchen lohnt es sich, sie auszuwerten?

Datenselektierender Mikrochip

Um die Leistungsfähigkeit von Sensoren zu verdeutlichen, ein Beispiel: Eine einzige Produktionsmaschine liefert über zahlreiche Sensoren täglich ­mehrere Gigabyte an strukturierten und unstrukturierten Daten. Um diese ­gigantischen Datenmengen aus den Sensoren sinnvoll auszuwerten, wurde ein Mikrochip entwickelt, der durch eine Vorhersage entscheidet, welche Daten überhaupt relevant sind – bevor diese im Computer und somit bei der Auswertung landen. Dieser Chip sitzt so nah wie möglich am Sensor und ­somit möglichst weit unten in der Architektur. Die Lösung wurde gemeinsam mit dem Karlsruher Institut für Technologie (KIT) entwickelt.

Im Rahmen des japanischen Teilchenphysikprojekts Belle II wurde ein Chip mit dem sogenannten NeuroBayes-Algorithmus ausgestattet. Der hier angesprochene Algorithmus wurde ursprünglich am Kernforschungszen­trum CERN entwickelt und wird seit 2008 bei Blue Yonder in industrierelevanten Themen eingesetzt und kontinuierlich weiterentwickelt. Er ist robust mit einer hohe Generalisierungsfähigkeit und kann in einem Chip implementiert werden. Ziel ist es, die Daten des Belle-II-Pixeldetektors intelligent zu selektieren. Der Chip klassifiziert mithilfe des NeuroBayes-Algorithmus alle wichtigen Pixel-Informationen in einer enormen Geschwindigkeit und gibt nur die relevanten Informationen weiter. In Zahlen: Ein einzelner Chip trifft 200 Millionen Entscheidungen pro Sekunde.

Rein physikalisch verbraucht eine NeuroBayes-Instanz lediglich 4 % der Ressourcen des Chips (Field ­Programmable Gate Array FPGA). Die Forscher haben bereits Chips mit 128 NeuroBayes-Einheiten entwickelt, die sich über eine Schnittstelle auf ­einem Rechner implementieren lassen können. Ziel ist es, einen maximalen Durchsatz bei höchster Erkennungsrate zu erreichen.

Vorhersagen dank Big Data

Im nächsten Schritt gilt es, die selektierten Daten sinnvoll auszuwerten. Ein Beispiel, wie große Datenmengen für eine erhöhte Produktivität sorgen können, sind die sogenannten Predictive Applications – also vorhersagende Anwen­dungen. Eine Lösung für solche Anwendungen wurde von Blue Yonder entwickelt. Ihre cloudbasierte skalier­bare Plattform trifft auf Basis aktueller und historischer Daten automatisch ­Entscheidungen. Die Plattform ermöglicht Datenanalysten (Data Scientists) und den Fachbereichen, entsprechende Anwendungen zu bauen. Über Programmierschnittstellen (APIs) können die entwickelten Anwendungen in bestehende ERP-Systeme integriert und betrieben werden.

Bei den sogenannten Predictive Applications handelt es sich um zweckgebundene Anwendungen mit dem Ziel, regelmäßige Entscheidungen mithilfe relevanter Daten zu automatisieren. Blue Yonder beginnt dabei an der Datenquelle und endet mit der Lieferung von Prognosen. Vor der Anwendung des Algorithmus wird die Datengrundlage strukturiert aufbereitet und ‚geglättet‘. Dabei trainiert sich die Predictive-Analytics-Plattform selbst, indem sie neue Daten automatisch berücksichtigt und aus vergangenen Ereignissen ‚lernt‘. So wird aus den übermittelten Daten die Ausfallwahrscheinlichkeit in einem vorgegebenen Zeitintervall prognostiziert. Es gibt dabei drei mögliche Szenarien:

■ Unregelmäßigkeiten im Betrieb,
■ Auffälligkeiten unter bestimmten Situationen der Maschine
■ und einen Ausfall.

Die Plattform erkennt oder antizipiert Probleme und kann präventive Wartungen oder Reparaturarbeiten einleiten. Dadurch können die Energiekosten langfristig gesenkt sowie Wartungsarbeiten effizient und vorausschauend geplant werden.

Stärkere digitale Vernetzung

Die Zukunft gehört vor allem denen, die die digitale Transformation in ihrem Unternehmen vorantreiben und Entscheidungen automatisieren. Die klassischen Industrie- und Dienstleistungsbranchen müssen diese Tatsache erkennen, ihre Geschäftsmodelle grundlegend überdenken und den neuen Gegebenheiten anpassen. Nötig sind dazu folgende Punkte: Die Analyse des Einflusses digitaler Technologien auf die Industrie, ein Abgleich mit der aktuellen Position des eigenen Unternehmens sowie die Entwicklung einer Umsetzungslandkarte. Eine aktuelle Studie des Beratungsunternehmens Roland Berger im Auftrag des Bundesverbands der Deutschen Industrie (BDI) belegt, dass die digitale Transformation der Industrien für Europa enorme Chancen bietet. So könnte Europa bis 2025 einen Zuwachs von 1,25 Bil. Euro an industrieller Bruttowertschöpfung erzielen – oder einen Wertschöpfungsverlust von 605Mrd. Euro erleiden.

Durch die massenhafte systematische Auswertung von Daten können auf Basis von Algorithmen Vorhersagen erstellt und Entscheidungen automatisiert getroffen werden. Der selbstlernende Ansatz ermöglicht eine permanente Optimierung der Ergebnisse. In der Folge wird die Produktionsgeschwindigkeit erhöht, Fehlerquoten und Betriebskosten sinken.

Autor: Dr. Frank Kienle ist Senior Data Scientist bei Blue Yonder.

Big Data im ­Stahlwerk

Das Projekt iPRODICT ist vor Kurzem in die Konzeptionsphase gestartet. Die Abkürzung steht für ‚Intelligent Process Prediction Based on Big Data Analytics‘ und wird derzeit prototypisch im Völklinger Walzwerk von Saarstahl umgesetzt. Ziel ist die Entwicklung eines intelligenten Ansatzes zur teilautomatisierten Anpassung und Optimierung von Geschäftsprozessen.

Saarstahl erzeugt mehr als 2 Mio. Tonnen Stahl im Jahr, wobei über 100 TByte Prozess-Daten anfallen.

© Saarstahl AG

Im Rahmen des Pilotprojekts werden Datenströme aus Prozessabläufen und Sensornetzwerken gesammelt zusammengeführt und in Echtzeit überwacht. Analysewerkzeuge verwandeln die gewonnenen Daten in Prognosen für einen optimalen Prozessablauf, um möglichen Fehlern und Qualitätsschwankungen frühzeitig entgegen­wirken zu können. Ziel ist es, dass in Zukunft Produktionsprozesse mittels Prognose-Berechnungen intelligenter und kosteneffizienter gesteuert werden. Sensoren, die Abläufe in Echtzeit überwachen, erkennen oder antizipieren Probleme und leiten präventive Wartungen oder Reparaturarbeiten ein.

Das Projekt vereint die weitreichenden Möglichkeiten von Industrie 4.0 im Zusammenspiel mit dem Internet, Datenströmen aus Sensoren und Big-Data-Analysen. Umgesetzt wird iPRODICT von der Saarstahl AG in Kooperation mit dem Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI), dem Predictive Applications Spezialisten Blue Yonder, dem Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme, der Pattern Recognition Company und der Software AG. Schirmherrschaft hat das Bundesministerium für Bildung und Forschung (BMBF).

Die Produktions- und Geschäftsprozesse von Saarstahl profitieren bereits heute von solchen Big-Data-Analysen – beispielsweise indem Nachbearbeitungsprozesse parallel zum laufenden Betrieb vorbereitet oder Chargen zwischen Kunden umverteilt werden. Das Projekt zeigt, dass die Vision von der ‚vernetzten Industrie‘ längst kein reines Gedankenkonstrukt mehr ist, sondern in der Praxis erfolgreich umgesetzt werden kann.