Datengesteuerte Technologie – mit AWS

Der Weg in die Zukunft der Produktion
Keine Kommentare

Amazon CTO Werner Vogels beschreibt in seinem Artikel, wie Unternehmen von datengesteuerten Technologien profitieren können. Vogels stellt Tools und Services von AWS vor, die von der Aufnahme und Verwaltung von Daten bis zu avancierten Szenarien des maschinellen Lernens reichen.

Überall auf der Welt kommen neue Technologien zum Einsatz, um in ganz unterschiedlichen Branchen die Geschäftsprozesse zu transformieren und zu optimieren. Vor diesem Hintergrund ist die Entwicklung der industriellen Produktion besonders interessant. Es ist unglaublich, wie sich beispielsweise das globale Händlernetzwerk von Amazon in den letzten zehn Jahren verändert hat: Die Transformation fängt beim Internet of Things (IoT) an, geht über Künstliche Intelligenz (KI) und Automatisierung bis hin zur vorausschauenden Wartung (Predictive Maintenance). Solche Fortschritte bieten eine Vielzahl neuer Möglichkeiten.

Allerdings existieren zahlreiche produzierende Unternehmen schon seit mehreren Jahrzehnten. Viele Anlagen in ihren Maschinenparks sind älter als das Internet und lassen sich oftmals nicht einfach austauschen. Wie können die Hersteller in diesem Fall auf eine moderne Produktion umstellen? Wo fängt man an? Solche Fragen können für Unternehmen entmutigend sein.

Der Grund für die Einführung einer neuen Technologie in der industriellen Produktion ist letztendlich immer auf eines der folgenden Ziele zurückzuführen: höhere Produktionskapazität, Sicherheit oder Qualität – jeweils zu geringeren Kosten. Die Unternehmen können an dieser Stelle aufatmen, denn sie verfügen bereits über das Wichtigste zum Erreichen dieser Ziele: Daten. Dabei ist es irrelevant, ob die Firmengründung gestern oder schon vor 100 Jahren stattgefunden hat.

Datengesteuerte Technologie

In gewisser Weise sind Daten für eine Fabrik, was der Sauerstoff für den Menschen ist. Wenn Sauerstoff eingeatmet wird, kann der Körper mit ihm Energie freisetzen. Und je mehr Energie ein Mensch besitzt, desto größer ist seine Leistungsfähigkeit. Ähnlich verhält es sich mit Daten in der produzierenden Industrie: Überall auf der Welt sitzen Hersteller auf Bergen ungenutzter Informationen, die sie nicht „einatmen“.

Der erste Schritt in die Zukunft der industriellen Produktion besteht daher darin, die Daten zu erschließen. Eine „Smart Factory“ mit modernen Technologien wie Maschinellem Lernen und KI kann diese Informationen anzapfen und unterscheidet sich auf diese Weise von einer herkömmlichen Fabrik mit überholten Tools oder Systemen.

Doch wo verstecken sich die Daten? Hier beginnt die Herausforderung, denn 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.

Aber wenn die Informationen aus Legacy-Protokollen und Datenformaten der letzten 30 Jahre stammen: Wie lassen sich daraus essenzielle Metriken wie zum Beispiel Produktivität, Anlagenverfügbarkeit und Ausgabequalität zwischen Fertigungslinien oder Fabrikstandorten vergleichen? Solche Daten sind oft in Silos gefangen. Das weiß ich, weil AWS in der Vergangenheit zahlreichen Fertigungsunternehmen wie Georgia-Pacific, Volkswagen und INVISTA geholfen hat, Industriedaten zu befreien und dadurch wertvolle Einblicke zu gewinnen.

Einsatz der richtigen Tools

Produzierende Unternehmen fühlen sich schnell überfordert, wenn sie in neue Technologien investieren oder die Modernisierung ihrer Fabrik in Angriff nehmen. Daher sollten sie sich zunächst nur auf das Sammeln ihrer Daten konzentrieren. In diesem Schritt geht es darum, sämtliche Informationen – lokal, aus der Prozessdatenarchivierung und von IoT-Sensoren – in die Cloud zu verschieben. Dort können Anwender Informationen organisieren, analysieren und visualisieren.

Und auch sehr fortschrittliche Möglichkeiten ergeben sich dadurch – etwa das Trainieren eines ML-Modells (Machine Learning). So lassen sich Prognosen über den Status einer Anlage aufstellen: Wann sollte die Wartung erfolgen, und wie lassen sich ungeplante Ausfallzeiten im Betrieb vermeiden?

Das alles klingt zwar zunächst leichter gesagt als getan, aber es gibt eine Reihe von Lösungen, die dabei helfen können.

Aufnahme der Daten

Eine Möglichkeit, die Integration von Daten in die Cloud zu vereinfachen und die bei AWS an Bedeutung zugenommen hat, ist AWS IoT SiteWise: Dabei handelt es sich um einen Service, der das Sammeln, Speichern, Organisieren und Überwachen von großen Informationsmengen aus Industrieanlagen erleichtert.

Die integrierte Edge-Gateway-Software automatisiert den Verbindungsaufbau der Anlagen vor Ort, das Sammeln und Organisieren der Anlagendaten sowie das Senden dieser Informationen an die Cloud. Industrieunternehmen können diese Gateway-Software auf gängigen Industrie-Gateways von Drittanbietern ausführen, um Daten mit OPC-UA (OPC Unified Architecture) auszulesen. Dabei handelt es sich um einen offenen Interoperabilitätsstandard der OPC Foundation für den sicheren und zuverlässigen Datenaustausch in der industriellen Automatisierung.

Durch die Verwendung von branchenüblichen Standards wie OPC-UA verfügen Kunden zudem über eine konsistente Methode für die Verbindung mit unterschiedlichen Anlagen – beispielsweise SCADA-Systemen, SPS und Prozessdatenarchivierung in der Fabrikhalle. Auf diese Weise lassen sich zahlreiche Vergleiche anstellen: etwa eine neue Anlage mit einer Anlage, die vielleicht über 15 Jahre alt ist. Auch unterschiedliche Produktionslinien oder sogar Fabriken können so verglichen werden.

Weltweit gibt es unzählige vernetzte Geräte, die minütlich wichtige Informationen sammeln – beispielsweise Umgebungs-, Prozess- und Vibrationsdaten. Hier hilft die AWS IoT SiteWise-Gateway-Software in Form eines vorkonfigurierten Konnektors, der auf AWS IoT Greengrass läuft und AWS für Edge-Geräte erweitert. Diese können dadurch auf die ermittelten Daten lokal reagieren und gleichzeitig die Cloud für Verwaltung, Analyse und Archivierung nutzen.

Außerdem bietet AWS IoT SiteWise Schnittstellen zur Datensammlung über MQTT-Nachrichten (MQ Telemetry Transport) oder APIs.

Verwaltung der Daten

Allerdings benötigen diese Daten einen Kontext, um einen Nutzen zu bieten. Dazu können Kunden Ausrüstung, Anlagen und Prozesse mit AWS IoT SiteWise modellieren und beispielsweise Typ oder Standort hinzufügen. Auch die Beziehungen der Anlagen untereinander lassen sich für eine bessere Übersicht hierarchisch darstellen. Mithilfe der mathematischen Funktionen in der integrierten Bibliothek werden dann Betriebszeit oder branchenübliche Leistungskennzahlen definiert – beispielsweise die Gesamtanlageneffektivität (Overall Equipment Effectiveness, OEE).

Beim Hochladen der Daten in die Cloud berechnet AWS IoT SiteWise automatisch die Metriken in einem Intervall, das der Kunde vorher definiert hat – beispielsweise „Betriebszeit stündlich melden“. Sämtliche dieser Informationen werden nun in einer vollständig verwalteten Zeitreihendatenbank (time series data base, TSDB) gespeichert, die automatisch mit der Datennutzung und dem Speicher des Kunden skaliert. Das bietet sich an, um bei geringer Latenz Informationen mit Zeitstempel zu speichern und abzurufen. So kann der Kunde die Leistung seiner Geräte einfacher analysieren.

Der Erfolg dieser Methode lässt sich anhand einer der größten landwirtschaftlichen Firmen der Welt verdeutlichen: Bayer Crop Science. Das Unternehmen ist stets darauf bedacht, den Ertrag auf seinen Erntefeldern zu optimieren und den Ausschuss in Produktionsanlagen zu reduzieren. Hierbei besteht die große Herausforderung darin, alle gesammelten Daten trotz ihrer Aufbewahrung in Silos nutzbar zu machen. Mit AWS IoT SiteWise kann das Unternehmen diese Informationen für mehrere Maisproduktionsanlagen sinnvoll kombinieren und analysieren. So lässt sich die OEE der Maschinen nahezu in Echtzeit messen und daran ablesen, wie effizient die Produktion ist.

Visualisierung der Daten

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.

Über die eingebaute SiteWise-Konsole können Kunden innerhalb weniger Minuten vollständig verwaltete Web-Anwendungen erstellen – ganz ohne Code. Gerätedaten und berechnete Metriken lassen sich hier nahezu in Echtzeit anzeigen, auch die Leistung von Equipment und Anlagen wird analysiert. Über einen Browser können Endanwender von jedem internetfähigen PC, Tablet oder Smartphone via SSO (Single Sign-On) mit ihren Unternehmens-Logins auf diese Web-Apps zugreifen.

Kunden können eine oder mehrere solcher Anwendungen erstellen, darüber Daten mit jedem Team in ihrem Unternehmen teilen und Anomalien schneller erkennen. Dies hilft bei der Vermeidung von Ausschuss, der Beschleunigung von Entscheidungsprozessen und der Optimierung der Leistung.

Maschinelles Lernen und mehr

Der nächste Schritt auf dem Weg zu einer modernen Produktion ist der Einsatz von ML für eine vorausschauende Instandhaltung (Predictive Maintenance). Bisher dominieren bei vielen Unternehmen noch manuelle Routinediagnosen und vorbeugende Wartungen (Preventive Maintenance) nach festen Zeitplänen. ML ermöglicht mit der vorausschauenden Wartung eine zuverlässigere Variante: Anhand von Sensordaten lässt sich die Wahrscheinlichkeit eines Anlagenausfalls vorhersagen, wodurch wiederum die Wartungspläne optimiert werden können. Das reduziert die Wartungskosten sowie ungeplante Ausfallzeiten.

Das US-amerikanische Unternehmen Georgia-Pacific nutzt ML beispielsweise, um die Produktion seiner Papiertücher zu optimieren. Basierend auf der Qualität einer Stammrolle ermittelt das ML-Modell, wie schnell die Verarbeitung erfolgen muss, um Ausschuss zu vermeiden und die Produktion zu maximieren – bei gleichzeitig hoher Qualität. Auf diese Weise konnte Georgia-Pacific den Gewinn um mehrere Millionen Dollar für eine Produktionslinie steigern. Und es gibt noch mindestens 150 weitere Linien, die von den optimierten Prozessen profitieren könnten.

Vorausschauende Wartungen erfordern ML-Modelle, die mithilfe großer Mengen an Daten trainiert werden. Daher sind die Datenaufbereitung und -verwaltung die ersten wichtigen Schritte für eine Umstellung auf maschinelles Lernen. Viele Unternehmen entscheiden sich aus diesem Grund für den Einsatz eines so genannten Data Lakes: ein zentrales Auffangbecken, in dem sich Daten in beliebigem Umfang speichern lassen. Dank seiner großen und vielfältigen Datensätze bietet der Data Lake eine wichtige Grundlage für ML und KI.

Für den Einsatz von ML ist Amazon SageMaker ein Werkzeug, das Georgia-Pacific und andere Unternehmen aus der industriellen Produktion nutzen. Dieser vollständig verwaltete Service vereinfacht jeden Schritt des maschinellen Lernprozesses und unterstützt dadurch die Entwicklung qualitativ hochwertiger Modelle.

Aufnahme von Daten aus Equipment- und Prozessdatenarchivierungs-Datenbanken, anlagenübergreifend mit OPC-UA- und MQTT-Protokollen.

Aufnahme von Daten aus Equipment- und Prozessdatenarchivierungs-Datenbanken, anlagenübergreifend mit OPC-UA- und MQTT-Protokollen.

Zusammenfassung

Schon immer wurde die Produktion von technologischen Innovationen begleitet. 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. Mit der Verlagerung dieser Innovationen in die Cloud entstehen in jeder Branche auch neue Möglichkeiten unabhängig von der Firmengröße.

Fertigungsunternehmen dürfen hier nicht den Anschluss verpassen. AWS unterstützt sie bei der Nutzung neuer Technologien und Geschäftsmodelle – egal in welchem Entwicklungsstadium sie sich aktuell befinden. Es ist immer spannend zu sehen, was unsere Kunden aus dem produzierenden Gewerbe als nächstes entwickeln.

Links & Literatur

Unsere Redaktion empfiehlt:

Relevante Beiträge

Abonnieren
Benachrichtige mich bei
guest
0 Comments
Inline Feedbacks
View all comments
X
- Gib Deinen Standort ein -
- or -