Predictive Maintenance Anwendungsfeld für Methoden der Predictive Analytics als Teil von Industrie 4.0

Transkript

1 Predictive Maintenance Anwendungsfeld für Methoden der Predictive Analytics als Teil von Industrie 4.0 Ingo Schwarzer Chief Technology Officer, DB Systel GmbH 11. November 2014

2 Inhalt Kurzvorstellung DB Systel 3-4 Einordnung Predicitive Analytics/Maintenance 5-6 Mögliche Einsatzfelder 7 Erste Erfahrungen 8-10 Ausblick 11 Schlussfolgerungen 12 2

3 DB Systel Wir über uns Die Deutsche Bahn, eines der größten Transport- und Logistikunternehmen der Welt, wird von einer modernen und effizienten Informations- und Kommunikationstechnologie, kurz ICT, unterstützt. Ohne ICT ist der Bahnbetrieb undenkbar geworden. Mit DB Systel hat die DB AG einen zuverlässigen und leistungsfähigen ICT- Partner an ihrer Seite. Unsere ICT Produkte und -Dienstleistungen gewährleisten die Funktionalität des Systems Bahn national wie international. Dabei decken wir den gesamten Lebenszyklus von ICT-Lösungen ab: von der Planung über Entwicklung und Betrieb bis zu ihrer Optimierung. Foto: Ralf Braum Unser Selbstverständnis Wir sind der ICT-Dienstleister der Deutschen Bahn AG 3

4 DB Systel Daten & Fakten Wir sind: rund Mitarbeiter in Frankfurt/Main, Berlin, Erfurt, Doncaster/UK und anderen Standorten Wir betreiben: 3 Rechenzentren mit über Servern ein Datennetz mit rund IP-Anschlüssen von DSL bis Breitband-Glasfaser rund 600 produktive IT-Verfahren 3 Petabyte Plattenspeicher / 7 Petabyte Backup-Kapazität das konzernweite Bürokommunikationssystem der Bahn mit Nutzern VoIP-Anschlüsse Foto: Max Lautenschläger Unser Selbstverständnis Wir sind der ICT-Dienstleister der Deutschen Bahn AG 4

5 Einordnung Predictive Analytics Aussagekraft der Auswertungen 4.) Predicitive Analytics Nachbildung des Verhaltens in Modellen zur Prognose 3.) Tracking (z. B. Web) Kombination von mehreren Seiten Pfadverfolgung 2.) OLAP Darstellung von mehreren Dimensionen zum Drill-Down 1.) Statistik Darstellung von Kennzahlen wie Benutzer/Seiten/Zeit... Grafische Häufigkeitsverteilungen Einsatzintensität der Analyse 5

6 Nutzen von Analyseverfahren für Instandhaltung Nutzen/Ausfallsicherheit Maintenance Optimization Welche Störungsmeldungen sollten zuerst bearbeitet werden? Wie kann ich meine Wartungsstrategie optimieren? Predictive Maintenance Welche Systeme sollten gewartet/ersetzt werden, weil sie wahrscheinlich im nächsten Service-Zyklus ausfallen würden? Preventive Maintenance Wie kann man Ausfälle/Störungen in kosteneffizienten Service-Zyklen verhindern? Reactive Maintenance Sörungsmeldungen zu Was ist passiert? Wo? Was ist betroffen? Intelligenz 6

7 Mögliche Einsatzfelder Im Wartungsgeschäft Verkehrsinfrastruktur Energienetze Fahrzeuge. Einsatz von Predictive Analytics Infrastrukturoptimierung Reisendenstromermittlung Planung in Ausnahmesituationen. Predictive Analytics wird zu einem wichtigen Hilfsmittel für alle Lebensbereiche werden Foto: Christian Bedeschinski 7

8 Smart Freight Asset Entwicklung eines Ansatzes für Predictive Maintenance am Beispiel von Loks Historie: 2013 Smart Freight Asset wurde als Workshop im Rahmen von MovingIDEAS (eine Innovationsinitiative des Aufsichtsrates/Vorstandes der DB AG) behandelt. Das Innovationsmanagement der DB Systel geht in den Lead Organisation eines Vertiefungsworkshops durch die DB Systel und Aufsetzen eines Projektes 2014 Start weiterer Predictive Analytics Projekte (z. B. TecLok für DB Schenker Rail) Ziel: Die Ziele des Innovationsprojektes sind: PA-Analysen in einem DataLab: Mit dem Businessziel, ein PA-Modell aus Diagnose- und Zusatzdaten zu entwickeln, das eine bessere Maintenance der Loks ermöglicht (dieses Ziel wurde mittlerweile mit Szenarien feinspezifiziert, so dass der Projektplan erstellbar ist) Prototypischer Massendatenspeicher für Sensordaten mit Anbindung an DataLab: Mit dem technologischen Ziel, zu zeigen, wie die zukünftige Zielarchitektur aussehen kann Dieses zweite Ziel hat eine hohe Korrelation zur Gesamtarchitektur, die in der Vorstudie RSI erstellt werden soll. 8

9 Smart Freight Asset Arbeitsschritte: Aufbau eines Konverters zur Transformation der Sensordaten in verarbeitbare Daten Aufbau einer Big Data Plattform Übergabe der Sensordaten Konvertierung und einlesen der Sensordaten in die Big Data Landschaft Sammlung von Zusatzdaten (z. B. Wetterdaten, Tonnagedaten, Fehlermeldungen etc.) Verknüpfung der Sensor- und Zusatzdaten im Predictive Analytics Tool Datenanalyse anhand drei gestellter Szenarien von DB Schenker Rail Es waren überdurchschnittlich viele Partner zu koordinieren. Das Besondere an dem Innovationsprojekt: Es gab keine Auftragnehmer/-geber, jeder trug seine Aufwände selbst. Nur das Ergebnis zählte. Daten wurden von der Industrie, der Bahn und weiteren externen Quellen zur Verfügung gestellt. 9

10 Beispiel Heatmap (Screenshot) Regionale Muster als Ergebnis aus Sensordaten, Diganosemeldungen und GPS Daten 10

11 Ausblick Predictive Maintenance/Analytics Die DB Systel wird ein Serviceangebot im Big Data Umfeld zur Unterstützung der DB AG als festen Bestandteil des Portfolios entwickeln. Ab 2015 werden die Bausteine sukzessive in Produktion gehen und die Basis für eine umfassende Plattform bilden. Die DBS arbeitet im BMWi-Projekt Smart Data Innovation aus Daten ab 03/2015 als Konsortialführer des Themas SD4M (Smart Data for Mobility) mit Partnern wie DFKI, der INIT AG, den IdeaLabs und weiteren zusammen Foto: Holger Peters 11

12 Schlussfolgerungen Der Projekterfolg hängt maßgeblich von den zur Verfügung stehenden Daten ab. Keiner ist alleine in der Lage, solche Themen zu lösen es bilden sich Communitys mit eigenen Interessensprofilen. Ein reines klassisches Projektmanagement ist nicht anwendbar; es sind agile Methoden und Räume zum Ausprobieren/Spielen notwendig. Das Projekt lebt und wird eine living Agenda haben. Die Aufgaben sollten kleinteilig als eigenständige Ergebnisse definiert sein. Foto: Max Lautenschläger 12

13 Thank you.