MDE in der Cloud
Datenbasis der digitalen Fabrik
Im Zuge der Digitalisierung kommen produzierende Unternehmen nicht an der Cloud vorbei. Zu den Anwendungen, die über kurz oder lang "in die Wolke" wandern werden, zählt die Auswertung von Daten der Maschinendatenerfassung (MDE). Als Fundament der digitalen Fabrik liefert die MDE wertvolle Informationen, deren Erfassung, Weiterverarbeitung und Verwertung über die Unternehmens- oder Partnernetzwerke hinweg ein zentrales Merkmal effizient agierender Unternehmens bilden wird.
Daten sind der Treibstoff der digitalen Fabrik. Am Anfang einer digitalen Transformation stehen müssen deshalb Maßnahmen zur optimierten Datenerfassung und zur Schaffung der zentralen Verfügbarkeit von Rohdaten oder abgeleiteten Informationen. Dabei sind in der Regel Maschinen und deren Steuerungsprogramme die größten Datenlieferanten. MDE-Systeme moderner Unternehmen liefern folglich rund um die Uhr Daten zu Fertigungs- und Kundenaufträgen. Doch diese Daten werden noch zu selten strukturiert erfasst und weiterverarbeitet. Die Art der Datenerhebung und -nutzung innerhalb eines Unternehmens wie auch die Bereitschaft zur Digitalisierung hängt zudem stark davon ab, ob man eine MDE aus der Perspektive der Anlagentechnik (Werkstattebene) oder aus wertschöpfender Perspektive betreibt. "Wertschöpfende Perspektive" bedeutet hier: ausgehend von Abteilungen wie Vertrieb, Controlling, Produktion oder Qualitätssicherung. Eine wünschenswerte übergeordnete Nutzung ist nur in den seltensten Fällen vorzufinden. Offensichtlich ist jedoch: Die Perspektiven haben einen direkten Einfluss auf das erwartete Nutzenpotenzial und damit auf die Bereitschaft der Betriebe, mit ihrer MDE in die Cloud zu gehen.
Ist das Verständnis der Maschinendatenerfassung aus der Perspektive der Anlagentechnik getrieben, kommt das System im Grunde ausschließlich dafür zum Einsatz, einfache maschinenbezogene Daten wie Temperatur, Leistungsaufnahme oder Drehzahl digital abzugreifen und für Monitoring- und Optimierungsprozesse nutzbar zu machen. Dabei geht es in erster Linie darum, anhand von Messungen Störgrößen zu erkennen, rechtzeitig Gegenmaßnahmen einzuleiten und gegebenenfalls mithilfe von Steuerungssystemen oder der Anbindung an einen Leitstand Regelprozesse zu initiieren. Für die kontinuierliche Bereitstellung an Lieferanten oder Auftraggeber, so wie sie zukünftig erwartet und notwendig sein wird, eignet sich diese Art der lokalen Datenerfassung und kurzfristigen Nutzung nicht.
In einer weiteren Ausbaustufe dieser Perspektive erfolgt die MDE über die gesamte Fertigung hinweg und ermöglicht beispielsweise über eine Anbindung an eine Betriebsdatenerfassung auch die Verarbeitung von Prozessindikatoren. Doch auch hier erfolgt die Datenerfassung und -verarbeitung ausschließlich lokal und kurzfristig.
Erst mit dem Perspektivenwechsel weg von der reinen Anlagentechnik hin zur Wertschöpfung eröffnen sich weitere Chancen. Mit der Cloud-Nutzung existieren nur noch wenige Beschränkungen hinsichtlich Kapazität und Verfügbarkeit. Die Anforderungen an die Chargenrückverfolgung von Rohstoffen wie in der Lebensmittelindustrie und Metallverarbeitung oder bei der Verwaltung und Wartungsdokumentation von Teilen im Flugzeugbau steigen ständig. Dadurch ergeben sich große Vorteile der Cloud gegenüber einem lokalen System. Erfolgt in einem letzten Schritt die Verknüpfung sämtlicher Infrastrukturen, also eine Cloud-to-Cloud-Kommunikation, lassen sich weitere enorme Potenziale heben.
Diese Cloud-to-Cloud-Kommunikation wird zunehmend interessant, da führende Unternehmen wie Microsoft (Azure), Amazon (AWS) oder IBM (Watson) verstärkt auf Cloud-Infrastrukturen setzen. Die hier entstehenden Angebote sind extrem leistungsfähig, hoch funktional und aufgrund des zentralen Betriebsmodells immer auf dem aktuellen Stand der Technik. Aus Kundensicht stehen daher innovative Leistungsmerkmale deutlich schneller zur Verfügung, als dies bei dezentralen Systemen üblich war und ist. Neue Features kommen kontinuierlich hinzu und das "Versionsdenken" der Vergangenheit ist fast überholt.
Verknüpft mit den enormen Datenmengen der MDE sind diese Infrastrukturen ideal geeignet, um "Business Intelligence as a Service" abzubilden. Dies können sich damit auch mittelständische Unternehmen mit hoher Qualität leisten. Zudem eignet sich die Cloud auch für Machine-Learning-Modelle. Gerade diese Technik eröffnet neue Chancen, da man perspektivisch die Abhängigkeit von Expertenwissen verringert. In der Praxis stellt man dazu historische Daten in Tabellen zusammen, mit denen man Qualität nachvollziehbar machen will. Diese Tabellen werden jetzt automatisch oder manuell bewertet (zum Beispiel: Störung Ja/Nein). Liegen ausreichend viele dieser Auswertungen vor, so lassen sich die Tabellen zur Berechnung eines Modells heranziehen, welches die Wahrscheinlichkeit beispielsweise von Störungen bei gegebener Input-Größe errechnet. Dies hilft bei der Identifikation und Behebung von Ineffizienzen.
Schritt für Schritt
Mit zunehmender Geschwindigkeit entstehen folglich neue Infrastrukturen, vor allem auch im Betriebsmodell Cloud, die maximale Leistungsfähigkeit, innovative Funktionen und geringe (Einstiegs-)Kosten über nutzungsabhängige Bezahlung bereithalten. Folglich ist diese neue Technik keinesfalls mehr nur großen Unternehmen mit ausreichenden internen Ressourcen vorbehalten. Es ist dabei davon auszugehen, dass die Innovationsgeschwindigkeit weiter steigen wird, weitere Cloud-Angebote entstehen und durch ihre Zusammenschaltung noch leistungsfähiger werden.
Um an der Entwicklung teilzuhaben, sind Unternehmen gut beraten, im eigenen Betrieb die digitale Basis zu schaffen und die MDE für die zentrale Vernetzung zu strukturieren (Datenmodell, strukturierte Erfassung, historische Archivierung). Zugleich sollten sie die externen Entwicklungen konsequent beobachten und bewerten. Darauf aufbauend erfolgt die Entscheidung für ein Stufenkonzept zur Nutzung von Cloud-Infrastrukturen. Bei den ersten Schritten ist aus Komplexitäts- und Datensicherheitsgründen eine direkte Anbindung wenig dienlich. Stattdessen erweist sich die Nutzung von Cloud-Infrastrukturen zur Berechnung von Machine-Learning-Modellen als geeigneter. Dafür genügt in der Regel schon der Export strukturiert erfasster und bewerteter Daten in Form von CSV-Tabellen. Ist der Mehrwert dieser Maßnahmen sichtbar und stehen genügend Erfahrungswerte und tragfähig entwickelte Datensicherheitskonzepte zur Verfügung, kann der Aufbau von Infrastrukturen für die Datenspeicherung und -vernetzung unter Berücksichtigung von Cloud-Architekturen folgen.
Lesen Sie mehr zum Thema
