Der Retrofit-Baukasten IIoT/PA-Pac erzeugt Mehrwert durch Maschinendatenerfassung und Predictive Analytics-Funktionen. Damit lassen sich bestehende Maschinen und Anlagen mit entsprechenden Sensoren und Schnittstellen nachrüsten, um IIoT-geeignete Zustandsdaten zu gewinnen. Der im IIoT/PA-Pac enthaltene Sensor-2-Information-Service wandelt die Rohdaten dann in verwertbare Informationen.
Mit neuesten Data Science-Methoden zeigen wir Ihnen die Muster in Ihren Anlagendaten. Die damit gewonnenen Erkenntnisse steigern z. B. per Predictive Maintenance oder Anomalieerkennung die Produktivität und senken Kosten.
Wir erörtern mit Ihnen, welche Informationen für Ihren konkreten Anwendungsfall erforderlich sind, stellen die dafür notwendigen Komponenten im Rahmen unseres IIoT/PA-Pac zusammen und helfen bei der Installation und Konfiguration.
Anschließend beginnen wir mit der Erfassung und Analyse der Daten und besprechen regelmäßig mit Ihnen die Ergebnisse der Auswertung.
Mögliche Anwendungen sind:
Wir bieten Ihnen gerne eine unverbindliche Beratung zum Thema Datenanalyse in Ihrem Unternehmen!
Sensordaten an sich bieten für die Digitalisierung einer bestimmten Aufgabe noch keinen Mehrwert. Erst eine geeignete Informationsgewinnung schafft die Voraussetzungen für werthaltige Optimierungen und autonome Systeme.
Mit dem IIoT/PA-Pac ermöglichen wir diese Informationsgewinnung: Neben Bausteinen für Sensorsystem und Gateway sowie verschiedene Funktechnologien, sind auch umfangreiche Data Science-/Analytics-Funktionen enthalten.
Das IIoT/PA-Pac besteht aus verschiedenen Hardware-, Software- und Service-Bausteinen, die jeweils in anwendungsspezifischen Kombinationen angeboten werden und funktional in vier Gruppen unterteilt sind:
Sensoren liefern die Rohdaten. Insofern sind der zur jeweiligen Anwendung passende Sensortyp und die Qualität von sehr großer Bedeutung. Unser Angebotsspektrum reicht vom einfachen Pt100-Industriesensor über IO-Link-basierte Sensorsysteme bis zum batteriebetriebenen Funksensor.
Ein typisches Anwendungsbeispiel wäre ein MEMS-Sensor für Vibrationsmessungen mit einer Narrow Band-Funkschnittstelle in einem IP54-Gehäuse, der mit einer AA-Batterie mehrere Jahre ohne Unterbrechung Predictive Maintenance für Antriebselemente in Produktionsumgebungen ermöglicht.
Hier werden die Sensordaten aufbereitet, zusammengefasst, vorverarbeitet, analysiert, visualisiert, segmentiert und an andere Services weitergeleitet. Als Ergänzung zu den Standardeigenschaften, wie z. B. die Weitergabe der Sensordaten an beliebige Clouds plus integriertem OPC UA-Server für den lokalen Datenzugriff, stehen in einem IIoT/PA-Pac-Gateway weitere hochwertige Funktionen zur Verfügung.
Dazu gehören ein MQTT für Sensoren (MQTT-SN) mit DTLS-Security, FFT für Schwingungs- und Beschleunigungssensoren, Sensor Fusion, Streaming Analytics, Time Series Data Logger und die Batteriezustandsüberwachung für Funksensoren.
Darüber hinaus werden neben LTE auch LoRa, Thread, BLE, NB-IoT und Cat M1 unterstützt.
Die Informationsgewinnung besteht aus dem sog. Sensor-2-Information-Service.
Dabei kommen sowohl statistische Methoden zur Datenanalyse (z. B. Explorative Datenanalyse) als auch Machine Learning (k-Means Clustering, k-Nearest Neighbours u. a.) zum Einsatz. Die Auswahl der jeweiligen Methoden orientiert sich an den benötigten Predictive Analytics-Informationen und den verfügbaren Sensordaten.
Hier spielt auch die Datenmenge eine Rolle. Unüberwachtes Machine Learning erfordert in der Regel größere Datenmengen, die über einen längeren Zeitraum erfasst wurden, um brauchbare Ergebnisse zu liefern.
Die meisten Unternehmen besitzen sehr komplexe Wertschöpfungsketten mit vielen unterschiedlichen Schichten und Instanzen.
Innerhalb dieser Strukturen gibt es zahlreiche Interessengruppen, für deren tägliche Arbeit bspw. die Produktnutzungsdaten einer Maschine und daraus abgeleitete Informationen einen erheblichen Wert hätten.
Ob Entwicklung, Service oder Vertrieb: Durch eine an die Zielgruppe angepasste Informationspräsentation kann für jede Abteilung aus denselben Rohdaten individuell aufbereitetes Wissen gewonnen werden.
Der erfolgreiche Praxiseinsatz eines IIoT/PA-Pac besteht aus drei Schritten, die in enger Zusammenarbeit von SSV mit einem Team auf Seiten des Anlagenbetreibers erfolgen:
In der Anlage bzw. an der Maschine werden verschiedene Sensoren zur Rohdatengewinnung sowie ein Gateway montiert.
Die Auswahl der Sensoren wird in Bezug auf die benötigten Informationen und die angestrebten Optimierungsziele abgestimmt (Predictive Maintenance erfordert in der Regel eine andere Sensorik als z. B. Predictive Efficiency).
Neben einem Gateway sind, abhängig von den zum Einsatz kommenden Sensoren, weitere Baugruppen zur Aufbereitung der Sensorsignale erforderlich.
Dieser Schritt dient der Informationsgewinnung.
Die Datenanalyse und Ergebnispräsentation sind Teile eines iterativen Prozesses, bei dem SSV und Anlagenbetreiber gemeinsam eine Lernkurve durchlaufen, um aus den Rohdaten werthaltige Informationen zu gewinnen. Die Qualität wird dabei mit jeder Iterationsschleife verbessert.
Die ersten Iterationen erfolgen mit Hilfe deskriptiver Datenanalysen. Im weiteren Prozessverlauf kommen Machine Learning-Verfahren zum Einsatz.
Die Ergebnisse der Datenanalysen werden von SSV in Diagrammen, Tabellen und Schlussfolgerungen zusammengefasst und dem Anlagenbetreiber regelmäßig in Online Meetings präsentiert.
Aus den in den Online Meetings gewonnenen Erkenntnissen werden dann bei Bedarf Anpassungen bis in die Datenerfassung und Sensorik abgeleitet. Die Präsentation und Diskussion der jeweiligen Ergebnisse dienen dazu, weitere Iterationsschleifen auszulösen, bis verwertbare Informationen mit einem für den Anlagenbetreiber quantifizierbaren Nutzen vorliegen.
Unabhängig davon, welche Informationen einem Unternehmen durch bereits genutzte SCADA-, MES- und ERP-Systeme bisher schon zur Verfügung stehen, wird der Einsatz eines IIoT/PA-Pac in den meisten Fällen wesentlich tiefere Einblicke in Zusammenhänge (Insights) liefern, die ohne zusätzliche Sensoren und Datenanalysen einfach nicht möglich sind.
Der wichtigste Werkzeugkasten, der im Rahmen des Sensor-2-Information-Prozesses zum Einsatz kommt, ist Scientific Python. Dazu gehören eine Python 3.x-Programmier- und Laufzeitumgebung plus verschiedene ausgesuchte Spezialbibliotheken (z. B. NumPy, Pandas, Scikit, Matplotlib).
Als Entwicklungsumgebung dient Anaconda, eine leistungsfähige und weit verbreitete Open Source Distribution für die Programmiersprachen Python und R.
Die integrative Oberfläche Anaconda Navigator enthält u. a. die Python-IDE Spyder, den Kommandozeileninterpreter IPython und das webbasierte Frontend Jupyter. Anaconda läuft auf PCs mit unterschiedlichen Betriebssystemen.
Screenshot Anaconda
Die eigentliche Rohdatenanalyse und die Informationsgewinnung erfolgt innerhalb von Spyder. Dabei werden die jeweils benötigten Daten zunächst von Form einer CSV-Datei eingelesen und in NumPy-Arrays oder Pandas-Dataframes gespeichert. Dann werden verschiedene Algorithmen und Methoden eingesetzt, um die gewünschten Informationen zu gewinnen.
Spyder ist eine IDE (Integrated Development Environment), in der sich interaktiv Python-Quellcodes entwickeln und testen lassen. Besonders wichtig dabei ist, dass einzelne Python-Codezeilen im Single-Step-Modus oder als Code-Block ausgeführt werden können und nach jeder einzelnen Codezeile z. B. die Veränderung der Daten darstellbar ist. Mit Matplotlib erstellte Grafiken werden direkt innerhalb von Spyder ausgegeben. Darüber hinaus besteht aus Spyder heraus der direkte Zugriff auf umfangreiche Online-Hilfen zu Python und den Spezialbibliotheken.
Screenshot Spyder
Jupyter ist eine Weboberfläche, die mit einem Kernel als Webserver kommuniziert. Unter Jupyter werden sogenannte Notebooks bearbeitet, in denen Codezeilen, Bilder und Textdokumentation in Zellen zusammengefügt werden. Python-Code-Zellen lassen sich direkt ausführen, die Ergebnisse werden innerhalb des Browserfensters angezeigt und in das Notebook übernommen.
Jupyter-Notebooks werden als einzelne Datei gespeichert. Sie lassen sich sehr einfach weitergeben und in einer anderen Zielumgebung nutzen. Insofern dient Jupyter im Sensor-2-Information-Prozess auch zu Ergebnispräsentation.
Screenshot Jupyter
Die Hard- und Software-Bausteine des IIoT/PA-Pac und der dazu gehörende Sensor-2-Information-Service ermöglichen im Umfeld von Maschinen und Anlagen beispielsweise folgende Optimierungen:
Durch Daten- und Informationsgewinnungsprozesse sollen ungeplante Maschinenstillstände vermieden werden. Mit Hilfe von Data Science-Methoden lassen sich Aussagen wie "Antrieb A in Maschine B wird mit einer Wahrscheinlichkeit von x% innerhalb von y Tagen ausfallen" treffen.
Damit kann proaktiv reagiert werden und die erforderlichen Ersatzteile werden unter Berücksichtigung der Lieferzeiten frühzeitig bestellt und zu einem geeigneten Zeitpunkt eingebaut.
In jeder Maschine gibt es Werkzeuge, deren aktueller Zustand maßgeblichen Einfluss auf die Qualität des Endprodukts hat. In einer Anlage sieht es bzgl. wichtiger Hilfsstoffe ähnlich aus. Zusätzliche Sensoren mit nachfolgender Datenanalyse ermöglichen die Vorhersage zur Qualität der finalen Produkte.
Mit Predictive Analytics lässt sich in diesem Fall z. B. der Zeitpunkt vorhersagen, ab wann Ausschuss produziert wird. Durch rechtzeitige Eingriffe, wie Werkzeugtausch, lässt sich so etwas verhindern.
Ein Verbund aus vielen Maschinen erzeugt hin und wieder Strombezugsspitzen, die zu hohen Stromkosten führen können. Intelligente Algorithmen, die mit Sensordaten versorgt werden und mittels Aktoren die Leistungsaufnahme einiger Maschinen drosseln können, helfen die Energie effizienter zu nutzen.
Im einfachsten Fall – also ohne Aktoren – lassen sich durch die Analysen auch Maschinen- und Anlagenfahrpläne erstellen, die manuell umgesetzt werden und deren Sequenz Energiekosten einspart.
Die Status- und Fehlermeldungen eines bestimmten Maschinentyps werden in der Cloud oder auf einem zentralen Server gespeichert.
Mit einem an die Daten angepassten Preprocessing und der anschließenden Analyse erfolgt die Auswertung und Informationsgewinnung.
So lässt sich z. B. mit Hilfe von Machine Learning-Algorithmen eine automatisierte Anomalieerkennung realisieren.
Abgerundet wird das IIoT/PA-Pac durch ein systemweites IoT-Sicherheitskonzept.
Dabei orientieren wir uns an den umfangreichen Vorgaben der Cloud Security Alliance (CSA) und dem Open Web Application Security Project (OWASP).
SSV Software Systems GmbH
Dünenweg 5
30419 Hannover
Fon: +49(0)511 · 40 000-0
Fax: +49(0)511 · 40 000-40
Impressum · Datenschutz · AGB
© 2024 SSV SOFTWARE SYSTEMS GmbH. Alle Rechte vorbehalten.
ISO 9001:2015
