Spreadsheet-Programme wie Microsoft Excel oder Google-Tabellen sind im betrieblichen Alltag weit verbreitet. Ein großes Problem bei Spreadsheets ist aber die Tatsache, dass die Daten lokal gehalten werden und manuell per Zwischenablage oder CSV-Datei transportiert werden. Dies führt zu Handhabungs-Fehlern und zu einer Entkoppelung der Daten vom aktuellen Prozess.

Da liegt die Idee nah, die Vorteile von Spreadsheets in Bezug auf Akzeptanz und Bedienbarkeit zu erhalten, darunter aber eine neue, server-basierte Technologie zu entwickeln, die Daten nicht offline, sondern automatisiert als Echtzeit-Datenstrom über einen kontinuierlich laufenden Server-Dienst verarbeitet. Und dies im Millisekunden-Bereich, damit nicht nur IT-Applikationen angebunden, sondern zyklusbasiert auch Sensoren und Aktoren gesteuert werden können. Und genau das machen Streamsheets. Grundlage bleibt dabei weiterhin eine formelbasierte Rechen-Engine à la Excel. Diese ist so universell und leistungsfähig, dass man sie tatsächlich auch als Rule-Engine für ein Analyse- oder sogar Steuerungsprogramm für industrielle Smart-Factory-Anwendungen nutzen kann. 

Bild 1. Streamsheets verwenden Excel-ähnliche Regeln und Formeln, um Nachrichten im Millisekunden-Takt zu empfangen, zu verarbeiten und zu senden.

© Cedalo

Damit das funktioniert, beherrschen Streamsheets die gängigen IoT-Protokolle wie OPC UA, AMQP oder MQTT. Um ebenso Daten aus betriebswirtschaftlichen Applikationen in Echtzeit zu erhalten oder zu beschicken, können Streamsheets auch das REST-API, die Datenbank Mongo oder die Stream-Processing-Plattform Apache Kafka nutzen. 

Trotz dieser neuen Möglichkeiten bleibt die einfache Handhabung erhalten. Anders als in Full- oder Low-Code-Entwicklungsumgebungen (Codesys, Node-RED etc.) braucht man als Anwender keine Programmier-Kenntnisse, sondern kann mit dem vorhandenen Excel-Know-How das erreichen, was bislang nur mit Code-Entwicklung ging. Und das zu weit geringeren Kosten und mit einem deutlich reduzierten Zeithorizont. Ein weiterer Vorteil des Spreadsheet-Konzepts ist der interaktive Modellierungsprozess. Der Aufbau der Anwendungslogik erfolgt Schritt für Schritt mit direkter Rückgabe von Ergebnissen, weil schon während der Modellierung die Prozessdaten durch das Spreadsheet laufen.

Möglicher Use Case für Streamsheets

Ein beispielhafter industrieller Use Case, der mittels der Streamsheets umsetzbar wäre, beschreibt eine intelligente Qualitätskontrolle, die im Moment des Prüfvorgangs innerhalb von Millisekunden nicht nur Daten von Sensoren und Kameras erfasst, sondern auch Daten von MES-Systemen und Cloud-Services, um mit diesen zusätzlichen Informationen – bei gleichbleibender Fertigungsqualität – die Ausschussrate gegenüber einer klassischen Qualitätskontrolle zu senken. Die Ausschussrate wird hier also nicht durch eine Verbesserung der Fertigungsqualität reduziert, sondern dadurch, dass man die Qualitätskontrolle intelligenter macht und auf diese Weise voreilig aussortierte Teile doch als qualitätskonform einordnen kann. 

Der Use-Case wurde mit einer OPC-UA-fähigen Fabriksimulationssoftware (Factory IO) sowie mit per MQTT verbundenen Sensoren für Feuchtigkeit und Temperatur nachgestellt. Zudem werden Statistikdaten per MQTT auf eine Standard-IoT-Visualisierungs-App auf ein Smartphone publiziert. 

Weiterer Teilnehmer in diesem Prozess ist ein MES-System, das per REST-API Daten liefert. Alle Informationen laufen schließlich in eine Abfrage an ein KI-System, das auf Basis eines zuvor trainierten Machine-Learning-Algorithmus eine intelligente Entscheidung fällt: Darf ein Teil die Prüfung passieren, muss es aussortiert werden (weil eine Bearbeitung nicht möglich ist) oder soll es in ein automatisches Nachbearbeitungszentrum übergeben werden?

Bild 2. Gesamtansicht der simulierten Produktionsanlage und Überblick über den Aufbau des Use Case.

© Cedalo

Das simulierte Szenario sieht konkret wie folgt aus: Ein Betrieb produziert die in Bild 2 gezeigten Blöcke. Eine Besonderheit in diesem Betrieb ist, dass die Blöcke bezüglich Länge und Breite aufgrund des Materials sehr empfindlich auf Luftfeuchtigkeit und Temperatur reagieren. Das führte in der Vergangenheit dazu, dass unter Umständen ein Produkt beanstandet wurde, das zwar nicht am Ort der Qualitätskontrolle, aber sehr wohl bei den am späteren Einsatzort vorliegenden Temperaturen und Luftfeuchtigkeiten die korrekten Abmessungen zeigt. Weiterhin wurde fortlaufend eine Statistik bezüglich Retouren gemacht, die jedem Kunden eine Toleranzklasse (TK) zuordnet. In der gleichen Statistik ist zudem hinterlegt, mit welcher Luftfeuchtigkeit und welchen Temperaturen am Produktionsort des jeweiligen Kunden zu rechnen ist.

Mit Hilfe der Streamsheets realisiert der Betrieb nun eine intelligente Qualitätskontrolle, die bei gleicher Fertigungstoleranz zu einer deutlich niedrigeren Ausschussrate führt. Dabei werden folgende Schritte durchlaufen:

• Die auf dem Band einlaufenden Teile werden per QR-Code erkannt. 
• Parallel erfolgt die Vermessung von Breite und Länge durch eine intelligente HD-Kamera.
• Über Sensoren wird die Luftfeuchtigkeit und die Temperatur erfasst. 
• Aus dem MES-System werden die Durchschnittswerte für Luftfeuchtigkeit und Temperatur am Ort des Kunden abgerufen.
• Ebenfalls aus dem MES heraus erfolgt die Abfrage der Toleranzklasse des Kunden.

Das Streamsheet ist über ein OPC-UA-basiertes Gateway mit der Fertigungsstraße verbunden und zieht zudem die auftragsspezifischen Daten aus dem MES-System. Die kombinierten Daten werden an ein externes Machine-Learning-basiertes KI-System übergeben. Dieser Dienst nimmt in Millisekunden eine zuvor trainierte Bewertung vor, ob das entsprechende Teil direkt zur Auslieferung kommt, aussortiert werden muss oder nachgearbeitet werden kann.

Im simulierten Szenario laufen die Werkstücke zunächst zur Qualitätskontrolle. Sind die Teile größer als die Sollgröße, werden sie nachbearbeitet. Sind sie kleiner, werden sie als Ausschuss markiert. Ansonsten laufen sie direkt ins Lager. Die Entscheidung erfolgt in dem kurzen Zeitraum zwischen der Sensor-Erfassung und dem Pusher zum Nachbearbeitungszentrum. Da das Streamsheet nicht nur Daten empfangen, sondern auch Daten senden kann, sendet es bei einer Nachbearbeitung beziehungsweise Aussortierung über OPC UA direkt einen Befehl zum Pusher beziehungsweise Pivot-Arm am Band. Parallel dazu könnten die Daten direkt aus dem Streamsheet per AMQP oder MQTT an eine Cloud zur weitergehenden Auswertung (Stream-Analytics) gesendet werden.

So funktionieren Streamsheets im Detail

Um einen Eindruck davon zu bekommen, wie Streamsheets funktionieren, seien im Folgenden einige Ausschnitte aus der Modellierung erläutert.