Praxisorientierte Anwendung von Big Data-Technologien beim Einsatz mobiler Arbeitsmaschinen

Transkript

1 Praxisorientierte Anwendung von Big Data-Technologien beim Einsatz mobiler Arbeitsmaschinen Thilo Steckel CLAAS E-Systems Gütersloh Köln, 19. Oktober 2016

2 [Quelle: Handelsblatt 2014]

3 [Quelle: VDI-Nachrichten, ]

4 [Quelle: BITKOM 2016]

5 Mähdrescher Feldhäcksler Traktoren Futtererntemaschinen Teleskoplader Pressen Service & Parts Software und Systeme

6 Data Analytics im Produkt- und Dienstleistungszyklus Nutzung/ Service Konzept Schulung/Beratung Marktforschung Vertrieb Entwicklung Validierung

7 Forschungsprojekt AGATA Analyse großer Datenmengen in Verarbeitungsprozessen

8 Von der Forschung auf den Markt SmartFactoryOWL(Fraunhofer IOSB-INA) Aus der Fabrik auf das Feld Smart Factory KL (DFKI) Smart Farming(Claas)

9 Datenanalyse in der Landwirtschaft Industrie geringer Determinismus in der Arbeitsumgebung + geringe Arbeitsteilung (Familie, Kleinunternehmen) + vielfältige Black Boxes (Boden-, Wasser-, Nährstoffdynamik) + ausgeprägte Saisonalität & Mobilität + starke öffentliche Einflussnahme = Landwirtschaft 4.0?

10 Datenanalyse in der Landwirtschaft Mähdrescher Installierte Leistung 87 t/h über 8 h unter Idealbedingungen Realisierte Leistung t/h in der Praxis Physische Skalierung begrenzt Leistungsdichte erhöhen Kooperatives Verhalten verbessern

11 Datenanalyse in der Landwirtschaft Attribute * Anz. Masch. * Anz. Jahre 10 x Dimensionen Big Data? Investitionsvolumen mehrere Millionen EURO je Flotte, Ø 30 Tagen Nutzung im Jahr Kooperation zwingend erforderlich Schnelle Entscheidungsunterstützung für Hochautomatisierung Regelbasierte Systeme Hoher Standardisierungsgrad Qualitative Entscheidungsbasis um quantitative Aspekte anreichern Kontextanreicherung, semantische Annotation Transfer und Adaption industrieller Methoden

12 GPS CAN Serial... ZeroMQ Bus Logger Embedded System (Machine) MQTT Broker (lokal) MQTT Broker (Harsewinkel) Topic n Storm Streaming Hadoop Cluster HDFS HBase

13 Ereignisorientierte Visualisierung

14 Ereignisorientierte Visualisierung - Cruise Pilot Limiting Element 0 "notenabled" 1 "LimitingSpeed" 10 "LimitingSeperation" 11 "LimitingCleaning" 2 "LimitingMaterialThroughput" 20 "LimitingUnloading" 3 "LimitingEngineLoad" 30 "LimitingHeadland" 4 "LimitingEngineSafety"

15 Principal Component Analysis Reduktion aller Eingangsdaten auf x abstrakte Dimensionen 3 Dimensionen für die Visualisierung Identifikation von Systemzuständen Anomalie-Erkennung durch Distanzberechnung zu identifizierten Clustern

16 Bayes sche Netze Anwendung auf Alarmmeldungen Automatische Assoziation der Ereignisse einschließlich intuitiver Visualisierung Bedingte Wahrscheinlichkeiten abfragbar Schlupf Dreschtrommel x% y% Schlupf Strohhäcksler (Riemen) Schlupf Kornelevator z% Schlupf Gebläse

17 Grid-Based Outlier Detection Outlier grid

18 Self-Organizing Maps (SOM) Dreschtrommel Basierend auf neuronalen Netzen ähnliche Beobachtungen werden in Gruppen zusammengefasst Reduktion aller Signale auf 2 Dimensionen Darstellung auf einer Karte Identifikation von Systemzuständen Analyse von Abhängigkeiten und Zusammenhängen (bislang manuell) Ertrag

19 Feature-Deskriptorder Getreidehalmrichtungfür Klassifikation/Regression Visualisierung: grün=vertikale Hauptrichtung, blau=keine Hauptrichtung, rot=diagonal/horizontale Hauptrichtung liegendes Getreide Staub stehendes Getreide