https://info.all-for-one.com/hubfs/IoT%20Machine%20Learning/blog/machine%20data%20title.png

LESEZEIT: 5 MINUTEN

Maschinendaten - ein Einstieg

20.07.2021 15:46 PM

Vom globalen Konzern bis zum Mittelständler – die Digitalisierung im industriellen Umfeld beschäftigt viele Unternehmen. Obwohl die Umsetzung von Industrie 4.0 Szenarien etliche Herausforderungen birgt, führt kein Weg daran vorbei. Maschinendaten bilden dabei die Grundlage für die Digitalisierung im Fertigungsbereich.

Vor dem Hintergrund heterogener Maschinenparks, Insellösungen und Anlagen ohne Steuerung ist das Datenerfassen jedoch mitunter eine komplexe Herausforderung. Und auch wenn diese technisch gemeistert werden, bleibt die Frage, wie mit den Daten umgegangen werden soll. Grundsätzlich gilt zwar, je mehr Daten, desto besser. Blindes Datensammeln hilft jedoch auch nicht weiter.

Ein Industrie 4.0 Szenario fußt auf einem konkreten Anwendungsfall. Und nur auf diesem bezogen, lässt sich ableiten, welche Daten in welcher Form am Ende benötigt werden. Grundsätzliche Aspekte der Datenbetrachtung lassen sich jedoch auch an einfachen Beispielen nachvollziehen.

 

 

Beispiel: Top-10-Fehleranalyse

Die Top-10- Fehleranalyse einer Produktionsmaschine ist sehr konkreter und zugleich ausgesprochen praxisbezogener Anwendungsfall für die Nutzung von Maschinendaten. Sie liefert ein transparente Entscheidungsgrundlage, welche technischen Optimierungen unter Effektivitätsgesichtspunkten als erstes angegangen werden sollten.

machine data 1

Eine Top-10-Fehleranalyse kann sowohl nach Dauer als auch nach Häufigkeit durchgeführt werden und ist in der Praxis wichtig, da etwa in einem Mehrschichtbetrieb mit abwechselnden Verantwortlichkeiten leicht die Übersicht verloren gehen kann. Sollen nun die Top-10-Fehler nach Dauer analysiert werden, benötigt man als Erstes die Signale des Nothalteknopfes – „Nothalteknopf drücken/ Nothalteknopf lösen“. Damit kann man aber noch nicht arbeiten, denn eigentlich ist relevant, wann der Fehler erkannt wurde und wie lange die Anlage stillstand, also die Zeitspanne zwischen dem Drücken des Nothalteknopfes und dem Wiederanlaufen der Maschine. Für die Reaktionszeit wird das Signal des Quittierknopfes (Anlage zurücksetzen, möglich nach Lösen des Nothalteknopfes) benötigt, für das Wiederanlaufen der Maschine das Signal des Startknopfes.

All diese Signale, die sogenannten Rohdaten, müssen dann in einen Kontext gesetzt, die Informationen also in einen Datensatz gebracht werden. Man spricht hier von Datenverdichtung bzw. Smart Data. Das ergibt dann beispielsweise folgende Information: Nothalt wegen Fehler Nr. 5 wurde um 12:01:05 Uhr ausgelöst, der Quittierknopf um 12:01:45 Uhr und der Startknopf wurde um 12:02:55 Uhr betätigt. Die Reaktionszeit war also 40 Sekunden und die Maschine stand 1:50 Minuten still. Wird diese Zeitspanne dann noch dem Fehlertyp zugeordnet, hat man die Information, die für die Analyse relevant ist und gespeichert werden muss. Die initialen Rohdaten sind hier redundant.

 

Beispiel: Temperaturmessungen

Ein anderes Beispiel für Datenverdichtung sind Temperaturmessungen. Soll etwa die Temperatur einer Anlage zyklisch auf zwei Nachkommastellen überwacht werden, wird die Temperatur z. B. jede Sekunde abgefragt. Das bedeutet, dass jede Sekunde ein Datensatz abgespeichert wird. Letztendlich ist es jedoch nur relevant, zu dokumentieren, wann (und wie) sich die Temperatur verändert hat, d. h. man benötigt nur einen Datensatz, der dies beinhaltet. Die Rohdaten sind auch hier nicht relevant.

machine data 2

 

Das Verarbeiten von Daten

Grundsätzlich gestaltet sich der Ablauf wie folgt: Große Mengen an Rohdaten werden gesammelt, in einen Kontext gesetzt und verdichtet. Im Anschluss können die Daten analysiert werden. Die Rohdaten sind für eine anwendungsfallbezogene Analyse unter Umständen redundant und müssen deswegen unter diesem Gesichtspunkt nicht gespeichert werden. #

Das ist so gesehen erstmal gut, da bei komplexen Anlagen und Analysen schnell riesige Mengen an Rohdaten zusammenkommen, deren Speicherung nicht trivial ist. Allerdings gibt es auf gesammelte Maschinendaten auch verschiedene Sichtweisen – etwa die des Maschinenbedieners, des Betriebsleiters, des Controllers, des Instandhalters und natürlich der IT.

Um beim obigen Beispiel der Top-10-Fehleranalyse nach Dauer zu bleiben: Während ein Controller die Auslastung der Anlage im Blick haben wird, also mit der Kombination Stillstanddauer und Fehlertyp arbeiten kann, ist es für den Werksleiter vielleicht auch interessant, wann genau die Fehler aufgetreten sind. So kann – die Zustimmung des Betriebsrates vorausgesetzt – untersucht werden, ob sich diese etwa in einer bestimmten Schicht häufen oder gar einzelnen Mitarbeitern zugeordnet werden können. Im Falle des Werksleiters muss also wieder auf die Rohdaten (Zeitstempel) zurückgegriffen werden. Es ist also per se nicht immer klar, ob Rohdaten wirklich irrelevant sind – nur weil sie nach der Verdichtung für eine Analyse nicht mehr gebraucht werden. Darüber hinaus können sich die Anforderungen an Daten im Zeitablauf verändern. Einmal gelöschte Rohdaten lassen sich jedoch nicht wiederherstellen.

 

Maschinendaten in der Praxis

Aus Industrie 4.0 Gesichtspunkten sind letztendlich alle Steuerungsdaten potenziell relevant. Sind Anlagen aber dafür technologisch nicht ausgerichtet, also. bspw. nicht OPC UA fähig, ist der Aufwand sie zu digitalisieren entsprechend aufwendiger. Und dieser Aufwand steigt mit dem Umfang der Datenerfassung. Deshalb ist es in der Praxis oft sinnvoller, sich auf wenige, aber zentrale Daten zu fokussieren und dabei gleich sämtliche Maschinen einer Produktionslinie anzubinden, als sukzessive einzelne Anlagen komplett zu digitalisieren.

Erfasst man über den ganzen Produktionsprozess hinweg Informationen wie „Anlage läuft“, „Anlage ist gestoppt“, „Anlage ist im Fehlerzustand“, „Fehlerursache“ (Fehlertags) und „Stückzahl“, so lässt damit schnell umfassende Echtzeit-Fertigungstransparenz im Sinne von Condition Monitoring realisieren: Störungen sind sofort bekannt, Reaktionen darauf können direkt angestoßen und Stillstandzeiten in einer Produktionslinie reduziert bzw. produktive Zeiten erhöht werden. Auch das Beispiel der Top-10-Fehleranalyse lässt sich damit schon abbilden.

In jedem Fall wird Big Data, also Datenmengen, die sich mit herkömmlichen Mitteln nicht mehr beherrschen lassen, ein Thema sein. Alternative Datenbankkonzepte können jedoch oft einen Weg bieten, mit den wachsenden Anforderungen an Daten umzugehen. Alle Rohdaten 1:1 in eine Cloud zu laden, wird auch keine Option sein – weniger durch Speicherbeschränkungen, sondern vielmehr wegen begrenzter Datenleitungen. Rohdaten werden in ihrer Masse also eher in der Edge gespeichert werden, wobei sichergestellt werden muss, dass sie dort weder durch Diebstahl noch durch Hardwaredefekte verloren gehen. Man wird sich also in jedem Fall auch über Speicherkonzepte – Backupsysteme, Sicherheit, Storage usw. – Gedanken machen müssen und große Datenbanken ggf. auch clustern und auf verschiedene Systeme verteilen müssen. In einer digitalen Fertigung werden relevante Produktionsdaten zudem nicht nur aus der Steuerung ausgelesen, sondern entstehen auch im ERP-System. So zum Beispiel in einem Auftrag mit Chargenbezeichnung, der Stückzahl oder weiteren Produktionsparametern.


Fazit

Das Erfassen von Maschinendaten geht mit großen Datenmengen einher, der Aufwand steigt mit dem Umfang der Datenerhebung. Deshalb ist es ratsam, auf den individuellen Anwendungsfall zu schauen, und sich auf die Daten zu fokussieren, mit denen sich schnell betriebswirtschaftliche Mehrwerte erzielen lassen. Ein auf wenigen, aber entscheidenden Daten aufsetzendes Condition Monitoring System, das über einen ganzen Produktionsprozess geht, wird vor diesem Hintergrund im Normalfall schneller greifbare Mehrwerte erzielen, als ein vollumfassendes Predictive Maintenance Konzept für eine einzelne Anlage.

 

Ein Beitrag von Frank Gläss, CEO von GLAESS Software & Automation


CTA GLAESS

 

 

KOSTENLOSE WEBSESSIONS, SPANNENDE EVENTS UND INFORMATIVE SEMINARE

MEHR ERFAHREN