DATA ANALYTICS & PREDICTIVE MAINTENANCE IM MASCHINEN- UND ANLAGEBAU. PD Dr.-Ing. Marco Huber

Transkript

1 DATA ANALYTICS & PREDICTIVE MAINTENANCE IM MASCHINEN- UND ANLAGEBAU PD Dr.-Ing. Marco Huber

2 USU AUF EINEN BLICK > 72 Mio. Euro Umsatz > 30 % Auslandsumsatz 1977 Gründungsjahr > 590 Angestellte

3 USU INDUSTRIAL SMART SERVICES USU ALLES AUS EINER HAND! DATENQUELLEN (BIG DATA) SMART DATA- ANALYTICS Echtzeitanalyse heterogener Event-Ströme AUTO- MATISIERTE SERVICE- PROZESSE Management- Cockpit Ticket-System Alarm-Monitor DIENSTLEISTUNGS- ERBRINGUNG & FEHLERBEHEBUNG Knowledge-System

4 WAS IST EIGENTLICH SMART DATA?

5 NEUE GESCHÄFTSMODELLE AUF BASIS DATENGETRIEBENER SERVICES GESCHÄFTSMODELLE DIGITALE TRANSFORMATION Wandlung vom Produkt zum Service PROZESSE BIG DATA ANALYTICS KATANA PLATTFORM IT & TECHNOLOGIE

6 DATENINVENTUR AUFWÄNDIG ABER NOTWENDIG WAS MACHT EIGENTLICH EIN DATA SCIENTIST DEN GANZEN TAG? 19% 60% Bereinigung und Anpassung von Daten 19% Sammlung von Daten 60% 9% 9% 4% 3% 5% Muster-Erkennung Anpassung von Algorithmen Erstellung von Trainingsdatensätze Sonstiges 5% 3% 4% FAZIT: Die Konsolidierung und Aufbereitung von Daten bedeutet oft 80% des Projektes Quelle: Gil Press

7 SPANNUNGSFELD ZWISCHEN DOMÄNEN-EXPERTE UND DATA SCIENTIST DOMÄNEN- EXPERTE DATA SCIENTIST FAZIT: PERFECT MATCH (Interdisziplinäre Teams) Nützliche Ergebnisse ergeben sich aus der Kombination von datenbasierter Analyse und erfahrungsbasiertem Know-how

8 SPIELEN MIT DATEN EIN BEISPIEL Frühjahrsferien Frühjahrsputz 2 Wochen vor Weihnachten Valentinstag April- Scherz Montags Sommerferien Weihnachten zu grausam BEZIEHUNGSSTATUS TRENNUNG AUF FACEBOOK Quelle: McCandless, D.: The Visual Miscellaneum, Harper, 2009, informationisbeautiful.net,

9 KATANA-PROZESS IN WELCHEN SCHRITTEN SETZEN WIR WAS UM?

10 REFERENZEN: &

11 DATENGETRIEBENES SERVICEPORTFOLIO BEI HEIDELBERGER DRUCKMASCHINEN AG SMART REMOTE SERVICE: Echtzeitanalyse von Maschinenparametern Automatische Erkennung von Unregelmäßigkeiten Intelligente Handlungsanweisung KUNDENNUTZEN: Vorbeugen von Beschädigung und Stillstandszeiten Erhöhung von Produktivität und Qualität Quelle: Heidelberger Druckmaschinen AG

12 ZUSTANDSÜBERWACHUNG FÜR WERKZEUGMASCHINEN AUTOMATISCHE FINGERPRINT-ANALYSEN: Real-Time Monitoring von Maschinenparametern Berechnung eines Normalzustandes Detektion von Abweichungen Prädiktion von Fehlerzuständen KUNDENNUTZEN: Vorbeugen von Beschädigung und Stillstandszeiten Erhöhung von Produktivität und Qualität Quelle: EMAG GmbH & Co. KG

13 PRAXIS-BEISPIEL:

14 PRODUKTIONSSTILLSTAND VERMEIDEN Anomalie Schwellwert Ausfall Herausforderung: Nicht immer ist eine Auffälligkeit anomal. Abhängig vom Betriebszustand

15 KATANA-PROZESS: PROTOTYPISIEREN Domänenexperte und Data Scientists arbeiten Hand-in-Hand

16 BETRIEBSPHASENABHÄNGIGE ANOMALIE-ERKENNUNG Bei Schichtbeginn ist unnormal Normal (untersch. Alarmschwellen auf Datenbasis)

17 PERFORMANCE-VERGLEICH Statische Schwellwerte und/oder Standardverfahren sind weniger leistungsfähig

18 VISUALISIERUNG DASHBOARDS

19 PLANBARKEIT PRODUKTIVITÄT OPTIMIERUNG DIGITALE TRANSFORMATION DATENGETRIEBENES SERVICEPORTFOLIO Performance Verfügbarkeit Smart Monitoring Diagnose Remote Call TECHNISCHER SUPPORT BERATUNG KATANA PLATTFORM IOT-PLATTFORM Quelle: Heidelberger Druckmaschinen AG / KVD Fachsequenz Kerstin Rabbel November

20 SMART MONITORING WIE FUNKTIONIERT ES? 1 2 HÖHERE PERFORMANCE DURCH GEPLANTE SERVICEEINSÄTZE: Per Internet sendet die Maschine Daten zum Heidelberg Server Das System analysiert die Daten und erkennt Unregelmäßigkeiten Die Information geht an den System-Service-Experten und das Diagnose-Tool Der Experte erarbeitet eine intelligente Aufgabenliste (Was-Wann-Wie) Quelle: Heidelberger Druckmaschinen AG 5 Die Lösung wird beim Kunden per Remote oder vor Ort erbracht

21 PERFORMANCE PLUS WIE FUNKTIONIERT ES? Quelle: Heidelberger Druckmaschinen AG

22

23 Role-based Access Management RIESIG UND SCHNELL IN EINER ARCHITEKTUR! BELIEBIG SKALIERBAR! DATENVISUALISIERUNG & INTERAKTION Interactive Data Analysis Dashboard Reporting System Management DATA PROCESSING & MACHINE LEARNING Stream Processing SQL-like Queries Cluster Computing System/ In-Memory Machine Learning DATENHALTUNG (No)SQL-Distributed Database Time Series Database Cluster Resource Management INFRASTRUKTUR Cloud Infrastructure (IaaS) / on premise

24 INDUSTRIEDATEN ANALYSIEREN - SCHNELL UND UNKOMPLIZIERT

25 UNSERE DATENANALYSE: EINFACH, ÜBERSICHTLICH, ZEITSPAREND Aufbau von Data Science-Projekten per Drag & Drop Übersichtliche Darstellung analytischer Prozesse Algorithmen-Bibliothek für die Industrie Entwicklung eigener Bausteine mit Python und Spark Jupyter-Notebooks für interaktive Datenanalyse und -visualisierung KatanaFlow Kostenloser Demo-Zugang über katana.usu.de

26 VIELEN DANK! PD Dr.-Ing. Marco Huber Chief Data Scientist / Leiter Technik m.huber@usu.de katana.usu.de