Das Bewusstsein für den Wert von Daten hat sich in den letzten Jahren in verschiedenen Märkten breitgemacht. Während das Arbeiten mit Daten im Bereich Finanzen (Börse, Betrugserkennung) mittlerweile eine gängige Disziplin darstellt, steckt der Einsatz von Daten im industriellen Bereich, konkret in der Produktion noch in den Kinderschuhen. In den meisten Fällen beschränkt er sich auf KPIs wie Ausschuss, Qualität, Leistung und sonstigen Metriken, welche vom übergeordneten MES- oder ERP-System konsumiert werden. 

Bild 1: Änderung der Reihenfolge von "Algorithmen -> Daten -> Entscheidungen" zu "Daten -> Algorithmen -> Entscheidungen".

© Softing

Erst vor kurzem hat sich das Interesse erweitert in Richtung Einsatz von Maschinendaten auf Produktionsebene für die Optimierung von Prozessen, das Verstehen von Einflussfaktoren sowie Einflüsse und Interaktionen der Systemvariablen oder das Finden von Ursachen für Maschinenausfälle. Vorangetrieben wird das wachsende Interesse durch weltweite Trends wie Industrie 4.0 oder IIoT. Diese Entwicklungen erklären den automatischen und effizienten Einsatz von Daten, welche kontinuierlich in jedem Schritt des Herstellungsprozesses produziert werden, um Wissen an weiter oben in der Automatisierungspyramide angesiedelte Systeme weiterzureichen oder zurück zum Produktionsprozess zu geben – mit dem Ziel die gesamte Produktionskette mit all seinen Maschinen zu verbessern, zu automatisieren und zu individualisieren oder zu überwachen.

Neben Boden, Kapital und Arbeitskraft werden Daten zunehmend zum Produk­tionsfaktor. Sie ermöglichen Kosteneinsparungen und neue Geschäftsmodelle. Die steigende Herrschaft der Daten und die daraus resultierende Änderung der Reihenfolge von „Algorithmen -> Daten -> Entscheidungen“ hin zu „Daten -> Algorithmen -> Entscheidungen“ (Bild 1) ist die Basis der gerade stattfindenden Revolution. Seit dem ersten programmierbaren Chip – den Intel 4004, der 1971 auf den Markt kam –, gehen Unternehmen bei der Entwicklung ihrer Software nach dem gleichen Schema vor: Sie definieren das Problem, bestimmen die zu erreichenden Ziele und legen die notwendigen Arbeitsschritte fest. Schließlich schreiben sie die Anwendung als eine Reihen­folge von Algorithmen. In der Praxis ­werden den Algorithmen Daten zugeführt und Anwender treffen auf deren Basis Entscheidungen. Diese Vorgehensweise ändert sich momentan strukturell: Im ersten Schritt werden die Daten ge­sammelt und im zweiten Schritt mittels allgemeingültiger Algorithmen analysiert. Auf Basis der daraus resultierenden ­Kausalitäten trifft heute ein Mensch Entscheidungen zur Produktionsoptimierung; morgen übernehmen dies Algo­rithmen.

Maschinelles Lernen in der Produktion

Bild 2: Ein Störungsfall wird mittels Algorithmen erkannt.

© Softing

Ohne Algorithmen des maschinellen Lernens würden schon heute wichtige Teile unserer Geschäftswelt oder Konsumentenwelt stillstehen. Algorithmen entscheiden innerhalb von Millisekunden, ob ein Kunde am Automaten Geld ausbezahlt bekommt. Sie erkennen die Gesichter unserer Freunde in den sozialen Medien oder lassen uns dem Smartphone Aufgaben stellen und werden demnächst für das autonome Fahren zuständig sein. Dieselben Algorithmen sagen uns, wie und wo wir unsere Produktion optimieren können, solange wir sie mit den dafür relevanten Daten versorgen. Bei der Produktionsoptimierung geht es darum, auf Basis von Daten einer funktionierenden Maschine oder Anlage vorausschauend einen Störungsfall zu erkennen (siehe Bild 2).

Bereits 1959 definierte der US-amerikanische Informatiker und Computerpionier Arthur Samuel ‚machine learning‘ als ein Studiengebiet, welches „Computern die Fähigkeit gibt, zu lernen ohne dazu vorher explizit programmiert zu sein“. Anders als bei klassischen Applikationen nimmt das maschinelle Lernen seine Lösung nicht direkt aus dem von Menschen geschriebenen Software-Code. Das Wesen des maschinellen Lernens ist, dass ein Muster existiert, welches wir nicht mathematisch festhalten können, aber das durch Algorithmen auf Basis von Daten gefunden werden kann. Dabei kann man den Algorithmen Lösungskategorien vorgeben und den Algorithmus beauftragen, zu entscheiden, welche Kategorie zukünftige Daten repräsentieren sollen (super­vised learning). Alternativ überlässt man es dem Algorithmus, selbst Muster oder Cluster zu finden, die dem Mensch bis dato nicht bekannt waren (unsupervised learning). 

Vor Ort statt in der Cloud

Die Menge, Geschwindigkeit und Vielfältigkeit der heute anfallenden Daten übersteigt die Fähigkeiten des Bedienpersonals und verlangt nach neuen, datenbasierten Ansätzen. Vorausschauende Wartung zielt darauf ab, den großen Teil der nichtaltersbedingten Ausfälle zu reduzieren und somit die Anlagenleistung zu erhöhen. Algorithmen des maschinellen Lernens sagen den Ausfall konkreter Anlagenteile voraus. Das ermöglicht eine bedarfsgerechte Wartung spezifischer Teile zu produktionsfreien Zeiten, bevor es zum Ausfall kommt. Bei der klassischen Reihenfolge „Algorithmen -> Daten -> Entscheidungen“ kann die Gesamt-Anlagen-Effektivität (GAE) nicht besser sein als der Mensch, der sie programmiert hat. Algorithmen des maschinellen Lernens, angewendet auf große Mengen Produktionsdaten, können dagegen Kausalitäten finden, welche die GAE verbessern und dem Anlagenbetreiber bis dato verborgen waren.

Viele Entscheidungsträger haben ein mulmiges Gefühl bei der Idee, ihre Produktionsdaten nach draußen in die Cloud zu geben. Alternativ lässt sich mit Hilfe einer Edge-Lösung – sprich in der Anlage beziehungsweise an der Maschine, an der die Daten anfallen – auf einem Standard-IPC das Sicherheitsthema zu minimieren. Das Ziel der gesamtheitlichen Verbesserung von Verfügbarkeit, Leistung und Qualität ist nicht neu. Neu ist der datenbasierte Ansatz mittels maschineller Lern-Algorithmen – wenn gewollt in der Anlage.

Automatisierte Arbeit des Data Scientists

Viele Firmen und Start-ups haben in letzter Zeit Plattformen und Analytics-Tools zur Implementierung von Analytics für industrielle Daten entwickelt. Jedoch gibt es nach wie vor eine Kluft zwischen der Datenakquise und den Werkzeugen und Plattformen für Datenspeicherung und -verarbeitung. Diese Lücke wird in der Regel von einem professionellen Data Scientist geschlossen, der Tools einsetzt, um Wissen aus den Daten zu ziehen und einen IIoT-Geschäftswert zu entwickeln. 

Während die Mehrheit der Projekte im Bereich IIoT nach wie vor durch einen eher manuellen und explorativen Data-Science-Ansatz gekennzeichnet wird, stellen wir uns ein System vor, welches die Kluft zwischen Datenmeer und Data-Analytics-Tools schließt, indem die meisten Arbeitsschritte, welche ein Data Scientist vornimmt, automatisiert werden. 

Dieser Research-Bereich hat sich vor kurzem als ‚Autonome Analytics‘ herauskristallisiert und ist eng verwandt mit dem Feld der Guided Analytics. Beide Disziplinen versuchen, die Interaktion und Notwendigkeit der Einbeziehung eines Data Scientist zu minimieren. Dabei wird im Falle des Guided Analytics die Ausführung der Datenanalyse initiiert, ansonsten aber durch einen Domänen-Experten automatisiert, während es bei der Autonomen Analytics um die komplette Automatisierung des gesamten Datenanalyse-Prozesses handelt, von der Eingabe bis zur Präsentation der Resultate.

Autor:
Peter Seeberg ist Business Development ­Manager Industrial Data Intelligence bei Softing.