Wenn Maschinen sprechen lernen

Während beispielsweise die Finanzindustrie ihre Geschäfte bereits seit Jahrzehnten mithilfe ausgefeilter Datenanalyse-Lösungen steuert, fristet das Thema in der Industrie bislang eher ein Schattendasein. Zwar kommt eine vom Softwarehersteller SAS in Auftrag gegebene Studie des Marktforschungsinstituts Forsa zum Ergebnis, dass 75 Prozent der deutschen Industrieunternehmen Maschinen- und Sensordaten auswerten, um Fehlerquellen zu identifizieren und Reaktionszeiten zu verkürzen. In der Praxis sieht es jedoch so aus, dass die Analyse der Daten bei einem Großteil vergleichsweise oberflächlich bleibt. Strategisch und operativ wertvolle Erkenntnisse, die zurück in die Prozesse gespielt werden, sind Mangelware.

Dabei kann die Analyse von Maschinen- und Betriebsdaten gerade dem Product Lifecycle Management (PLM) wertvolle Impulse verleihen. Moderne High-Performance-Analytics-Lösungen sind nämlich in der Lage, auch größte Datenmengen im laufenden Betrieb zu erfassen, zu verarbeiten und in Echtzeit zu analysieren. Sensoren in den Maschinen liefern dafür kontinuierlich technische Informationen an ein zentrales Data Warehouse, wo sie miteinander in Beziehung gesetzt und beispielsweise auf Fehlerbilder untersucht werden.

Auch konkrete Einzelfragen können mithilfe von Analytics gelöst werden, wie das Beispiel des koreanischen Stahlherstellers Posco illustriert: Auf der Suche nach den Ursachen für einen zu hohen Ausschuss bei warm gewalzten Stahlbändern brachten herkömmliche statistische Verfahren keine Erkenntnisse. Mit SAS Software fand sich durch die Analyse der physikalischen Prozesse eine Lösung, um den Ausschuss von 15 Prozent auf 1,5 Prozent zu senken. An anderer Stelle identifizierte SAS bei Posco die Ursachen für Profitabilitätsunterschiede zwischen verschiedenen Produktionsanlagen – und legte die Basis für Optimierungsmaßnahmen, die jährlich 1,2 Millionen US-Dollar einbringen.

Service-Management optimieren

Weisen bestimmte Fehlerbilder darauf hin, dass eine Maschine in Kürze gewartet, beispielsweise ein Verschleißteil ausgetauscht werden muss, schickt das Analytics-System automatisch eine Nachricht an den Kundenservice des Herstellers, um einen Servicetermin mit dem Kunden zu vereinbaren. So lässt sich der Fehler beheben, bevor es zu einem Maschinenausfall oder zu Qualitätseinbußen kommt. Und weil genügend Planungsvorlauf zur Verfügung steht, lässt sich dies dann sogar außerhalb der planmäßigen Laufzeit der Maschine terminieren, sodass die Produktivität weiterhin bei 100 Prozent liegt.

Doch damit nicht genug: Identifiziert das System einen notwendigen Service-Einsatz, so kann es automatisch den Status sämtlicher Maschinen, die beim gleichen oder bei anderen Kunden in der Umgebung laufen, abrufen und überprüfen, ob es dort ebenfalls bereits erste Anzeichen für notwendige Wartungsarbeiten gibt – und hier gegebenenfalls auch eine Wartung terminieren, um mehrere Termine in einem Schwung zu erledigen und so Anfahrtszeiten von hoch qualifiziertem Service-Personal zu reduzieren.

Sämtliche Erkenntnisse, auf die eine solche Predictive-Asset-Maintencance-Lösung stößt, können automatisch in die Produktionsprozesse und Maschinenkonfigurationen zurückgespielt werden. Auf diese Weise entsteht ein selbstlernendes System, in dem Betriebsdaten dabei helfen, den Produktlebenszyklus zu steuern.

Terabytes aus dem Windpark

Beispiel Windpark: Bereits eine Turbine produziert pro Stunde 2 Terabyte an Daten, also 48 Terabyte am Tag. Wenn nun in einem Windpark 30 solcher Turbinen stehen, dann stößt der Betreiber ziemlich schnell an Hardwaregrenzen, weil seine Speicherkapazitäten nicht ausreichen. Gute Analytics-Software hat jedoch auch für solche Fälle eine Lösung parat: Sie analysiert die Daten der Windräder unmittelbar, während sie entstehen – und setzt erst dann eine Aufzeichnung in Gang, wenn Muster auftreten, die von der Norm abweichen. So erfährt der Betreiber rechtzeitig, wann eine Turbine gewartet werden sollte. Und weil von diesem Moment an auch die Daten der anderen Windräder gespeichert werden, lässt sich feststellen, ob sich die Wartung bei anderen schon lohnt.

Damit kann ein Serviceteam nach Möglichkeit gleich mehrere Wartungsaufträge miteinander verbinden. Auf diese Weise lassen sich die Betriebskosten erheblich reduzieren – schließlich verursacht ein Hubschraubereinsatz vor der Küste erhebliche Kosten und ist für einen einzelnen Wartungsfall unwirtschaftlich.

Daten für PLM analysieren

Die jüngsten technischen Entwicklungen bei der Analytics-Technologie ermöglichen Herstellern und Betreibern von Maschinen und Anlagen eine ganze neue Intensität des PLM. Dabei deckt Analytics Erkenntnisse auf, die bislang in den Mengen großer Daten verborgen waren – und zwar nicht nur in der Rückschau, sondern vor allem mit Blick auf kommende Ereignisse. So hilft Analytics Unternehmen bei der strategischen, nach vorn gerichteten Planung und Steuerung ihres Geschäfts – und bringt ihnen wertvolle Impulse für Effizienz und Wettbewerbsfähigkeit. -sg-

SAS, Heidelberg, Tel. 06221/415-0, http://www.sas.com