Gastbeitrag: „Für Industrie 4.0 ist es irrelevant, ob die Firmengründung gestern oder vor 100 Jahren stattgefunden hat“ – Gedanken zum Jubiläum eines epochemachenden Begriffs macht sich Jan Metzner.
Ob das Senken von Produktionskosten oder eine verbesserte Qualität, Sicherheit, Produktivität und Maschinenverfügbarkeit – nicht selten ist der Grund für die Einführung neuer Technologien in der Industrie auf eines dieser Ziele zurückzuführen. All das wird mit Cloud-Tools und Technologien wie Data Lakes, IoT, Künstlicher Intelligenz (KI) und Machine Learning (ML) möglich. Während einige Industriekunden schon über Know-how verfügen und eigene Lösungen mithilfe von Baukastenservices erstellen, sind andere noch auf branchenerfahrene Partner angewiesen, um ihre ersten Schritte zu setzen. Eines haben diese Unternehmen aber gemeinsam – sie verfügen bereits über das Wichtigste zum Erreichen ihrer Ziele: Daten. Dabei ist es irrelevant, ob die Firmengründung gestern oder schon vor 100 Jahren stattgefunden hat.
Daten sind für eine Fabrik, was der Sauerstoff für den Menschen ist. Wird Sauerstoff eingeatmet, kann der Körper mit ihm Energie freisetzen. Je mehr Energie ein Mensch besitzt, desto größer ist auch seine Leistungsfähigkeit. Etwa so ähnlich verhält es sich mit Daten in der Industrie. Der erste Schritt ist für die meisten Unternehmen, die Berge an ungenutzten Informationen, über die sie verfügen, zu erschließen. Diese Daten können in einer „Smart Factory“ dann mit ML und KI angezapft werden. Doch hier beginnt schon die Herausforderung, den viele der wertvollen Informationen befinden sich an schwer zugänglichen Orten – beispielsweise in veralteten Maschinen, isolierten Systemen, Tabellenkalkulationen und sogar an Klemmbrettern. Das erschwert das Erfassen, Vergleichen und Bearbeiten der Daten. Um essenzielle Metriken wie z.B. Produktivität, Anlagenverfügbarkeit und Ausgabequalität zwischen Fertigungslinien oder Fabrikstandorten vergleichen zu können, müssen die Informationen aus Legacy-Protokollen und Datenformaten der letzten Jahrzehnte aus sogenannten Silos befreit werden.
Zunächst sollten sich die Unternehmen nur auf das Sammeln der Daten konzentrieren. Dabei geht es darum, sämtliche Informationen – lokal, aus der Prozessdatenarchivierung und von IoT-Sensoren – in die Cloud zu verschieben. Dort können die Anwender die Informationen organisieren, analysieren und visualisieren. Dadurch ergeben sich fortschrittliche Möglichkeiten wie etwa das Trainieren eines ML-Modells, mit dem sich Prognosen über den Status einer Anlage erstellen lassen: Wann sollte die Wartung erfolgen oder wie lassen sich ungeplante Ausfallzeiten im Betrieb vermeiden?
Cloudanbieter können mit ihren Lösungen dabei unterstützen: Bei AWS IoT Site Wise handelt es sich beispielsweise um einen Service, der das Sammeln, Speichern, Organisieren und Überwachen von großen Informationsmengen aus Industrieanlagen erleichtert. Dieser Dienst hilft auch, die Daten in einen Kontext zu setzen. So kann beispielsweise ein Typ oder Standort hinzugefügt werden oder auch die Beziehungen der Anlagen und Maschinen untereinander für eine bessere Übersicht hierarchisch dargestellt werden. Mithilfe der mathematischen Funktionen in der integrierten Bibliothek werden dann Betriebszeit oder branchenübliche Leistungskennzahlen definiert – beispielsweise die Gesamtanlageneffektivität (Overall Equipment Effectiveness, OEE).
Die richtigen Werkzeuge sparen Zeit, weil Entwickler damit ohne aufwändige Programmentwicklung direkt Daten sammeln, organisieren und daraus Metriken erstellen können. Allerdings müssen die Endanwender – etwa Prozessingenieure und Arbeiter – in der Lage sein, alle ermittelten Informationen und Erkenntnisse unkompliziert zu teilen und zu visualisieren. Nur so lassen sich Korrektur- und Optimierungsmöglichkeiten identifizieren und umsetzen.
Der nächste Schritt auf dem Weg zu einer Smart Factory ist der Einsatz von ML, beispielsweise für eine vorausschauende Instandhaltung (Predictive Maintenance). Bei vielen Unternehmen dominieren heute noch manuelle Routinediagnosen und vorbeugende Wartungen (Preventive Maintainance) nach festen Zeitplänen. ML ermöglicht mit der vorausschauenden Wartung eine zuverlässigere Variante, bei der mithilfe von Sensordaten die Wahrscheinlichkeit eines Anlagenausfalls vorhergesagt und die Wartungspläne wiederum optimiert werden können. Das reduziert nicht nur Wartungskosten, sondern verhindert auch ungeplante Ausfallzeiten.
Damit ML-Modelle mit einer großen Menge an Daten trainiert werden können, sind die Datenaufbereitung und -verwaltung die ersten wichtigen Schritte für eine Umstellung. Viele Unternehmen setzen auf sogenannte Data Lakes, zentrale Auffangbecken, wo sich Daten in beliebigem Umfang speichern lassen. Der Data Lake bietet dank seiner großen und vielfältigen Datensätze eine gute Grundlage für ML und KI.
Die Industrie gilt seit jeher als Innovationstreiber: Schon seit der industriellen Revolution haben Unternehmen kontinuierlich neue Ansätze zur Steigerung von Qualität, Geschwindigkeit, Sicherheit und Effizienz bei gleichzeitiger Senkung von Kosten und Ausschuss entwickelt. Durch den Einsatz intelligenter Technologien in der Cloud entstehen branchenübergreifend neue Möglichkeiten, unabhängig von der Firmengröße.
