In 8 Schritten zur datengesteuerten Entscheidungsfindung

Im Bereich der industriellen Analytik, der künstlichen Intelligenz (KI) und des wartet">maschinellen Lernens (ML) gibt es eine Menge Gesprächsstoff und Neuerungen. Um die Möglichkeiten dieser Technologien für das eigene Geschäft zu erproben, müssen Unternehmen jedoch nicht gleich große und kostspielige Investitionen tätigen. Auch mit kleineren inkrementellen Schritten kann man sich auf den Weg in Richtung digitaler Transformation begeben.

Bis vor Kurzem haben vor allem fortgeschrittenere Prozessindustrien KI- und ML-Lösungen verwendet, während die meisten Unternehmen nur grundlegende Automatisierungslösungen nutzen. Der ständige Druck, die Produktionslinien am Laufen zu halten, ist groß. Besonders zu einer Zeit, in der Unternehmen auf die durch die Covid-19-Pandemie hervorgerufenen Veränderungen reagieren müssen.

Das bedeutet jedoch gleichzeitig, dass es wenig Zeit und Spielraum gibt, um die Einführung neuer Technologien in Betracht zu ziehen. Dabei kann die automatisierte Erfassung von Sensordaten und das Erkennen von Problemen und Mustern zu einer schnelleren Fehlerbehebung und erheblichen Prozessverbesserungen für Betriebe jeder Größe führen.

Auch mit kleinen Teilschritten ist es möglich, einen Anfang zu machen und so unmittelbaren Mehrwert im Unternehmen zu schaffen.

Der Weg zur optimierten Wertschöpfung durch Datenanalyse

Mit diesen acht Schritten können durch industrielle Analytik und maschinelles Lernen Mehrwerte geschaffen und die Wertschöpfung optimiert werden.

1: Die Automatisierung der Datenerfassung von Sensoren ist der erste Schritt und eine entscheidende Voraussetzung. Eine Infrastruktur für automatisierte Datenerfassung erfordert eine Vielzahl von Sensoren, die die benötigten Daten für eine aussagekräftige Analyse übermitteln.

2: Die Messungen der Sensoren müssen über die Zeit hinweg aufgezeichnet werden. Die Herausforderung für viele Organisationen besteht hierbei darin, die Daten zu sammeln und sicherzustellen, dass sie während des gesamten Prozesses erfasst werden. Nur so hat die Belegschaft die Möglichkeit, zu einem späteren Zeitpunkt nützliche Schlussfolgerungen aus den vorliegenden Daten zu ziehen. Möglicherweise haben diese keinen unmittelbar offensichtlichen Anwendungsfall, aber durch die Erfassung aller Daten werden sich mit hoher Wahrscheinlichkeit zusätzliche Erkenntnisse für das Unternehmen ergeben.

3: Dies beschleunigt die Problemdiagnose im Betrieb. Sobald ausreichend Daten gesammelt wurden, kann man mit entsprechenden Diagnostiken den Zeitaufwand für das Aufspüren und Beheben von Betriebsproblemen erheblich verkürzen. Außerdem sind anhand dieser Diagnosen Änderungen und Optimierungen der Prozesse möglich, um ähnliche Fehler in Zukunft zu verhindern.

4: Die leichte Verfügbarkeit von Daten ist hierbei essenziell. Mitarbeitende können besonders die zentralen Effizienzkennzahlen gut verstehen und einordnen – daher ist es wichtig, diese Zahlen einer breiteren Gruppe des Betriebspersonals leicht zugänglich zu machen. So können sie potenzielle Probleme unabhängig überwachen und früher darauf reagieren. Viele Standorte verwenden hierfür bereits große Bildschirme, auf welchen ein Dashboard mit Live-Metriken gezeigt wird, oder einen automatisierten E-Mail-Report. Andere Unternehmen gehen noch einen Schritt weiter und senden Warnmeldungen direkt an die mobilen Geräte der Mitarbeitenden.

5: Durch das Hinzufügen einer Alarmhistorie zur Prozesshistorie wird den Daten mehr Kontext und Bedeutung verliehen. Traditionell zeichnen Data Historians nur Sensorwerte auf, nicht aber den Alarmzustand. Durch die Kombination von Sensor- und Alarmdaten lassen sich aber die potenziellen Auswirkungen auf Qualität, Sicherheit, Kosten oder die Umwelt leichter verstehen.

6: Den Aufzeichnungen sollte außerdem der operative Kontext hinzugefügt werden, denn bei einigen Anwendungen können Unterschiede in Rezepten, Ausrüstung oder Personal die Ermittlung von Grundursachen oder Verbesserungsmöglichkeiten weiter erschweren. War die Leistung geringer, weil es sich um ein anderes Produkt, einen anderen Bediener oder eine andere Produktionslinie handelt? Durch die Einbeziehung von Informationen über diese Art von Betriebskontext kann damit begonnen werden, diese anderen Faktoren in der Analyse zu berücksichtigen

7: Maschinelles Lernen kann die Effektivität dieser Maßnahmen nochmals verstärken. Denn diese detaillierten Informationen den Mitarbeitenden zugänglich zu machen, hat zwar einen enormen Wert, aber es erfordert immer noch, dass sie sich mit den Zahlen auseinandersetzen. Maschinelles Lernen kann zwar nicht alles leisten, aber in vielen Fällen können Unternehmen den Analyseprozess automatisieren, sodass der Betrieb kontinuierlich überwacht wird.

Einige Systeme verfügen über unüberwachtes maschinelles Lernen. Hier werden einfach die relevanten Daten bereitgestellt und das System sucht Anomalien und meldet diese. Diese Art von maschinellem Lernen hat den bedeutenden Vorteil der Einfachheit: Es sind keine Fachkenntnisse erforderlich. Andere Anwendungen erfordern Investitionen in Prozess- und Technologie-Expertise, um überwachtes Machine Learning auszuführen – üblicherweise als Frühvorhersage von Ausfällen.

8: Bei der Analyse sollten Äpfel nicht mit Birnen verglichen werden – denn motiviert durch Erfolge der Prozessanalyse an einzelnen Standorten gehen viele Organisationen zur Analyse und zum Vergleich all ihrer Standorte über. Je homogener die Standorte sind, desto direkter kann man vergleichen. Aber nur wenige Industrien haben tatsächlich Anlagen, die einander komplett gleichen. Bevor man also diese Vergleiche anstellt, muss man sich bemühen, die Informationen zu normalisieren.

Ob man nun auf "Quadratmeter pro Tag" im Vergleich zu "Liter pro Minute" standardisiert oder sich darauf einigt, wie die Gesamtanlageneffizienz (Overall Equipment Efficiency, OEE) berechnet werden soll. In globalen Unternehmen mit mehreren Betrieben und mehreren Standorten ist die Möglichkeit, Peer-to-Peer-Vergleiche auf Basis standardisierter Werte durchzuführen, ein echter Mehrwert. Früher wäre dies für kleinere Unternehmen eine Aufgabe von überwältigender Komplexität und hohen Kosten gewesen. Jetzt, mithilfe der Cloud-Technologie, ist diese Art des Vergleichs viel zugänglicher und leichter durchführbar.

Bilderstrecke: Hier ist Predictive Maintenance tatsächlich im Einsatz

Das Mammutprojekt Automatisierung langsam angehen 

Der Automatisierung der Sensordatenanalyse anzustoßen, kann sich überwältigend anfühlen, aber solch ein großes Projekt muss auch nicht in einem Schritt bewältigt werden. Es ist durchaus möglich, je nach Bedarf und verfügbarem Budget, zuerst einzelne, explorative Schritte anzugehen. Nach der Umsetzung des jeweiligen Schrittes kann die Effektivität für das jeweilige Unternehmen eingeschätzt werden. Die meisten der einzelnen Schritte können in Eigenregie durchgeführt werden und erfordern keine externe Expertise. 

Der Weg zur optimierten Wertschöpfung durch die Anwendung von künstlicher Intelligenz und maschinellem Lernen auf der Grundlage von Sensordaten beginnt mit einem einzigen Schritt. Wenn die Vorteile bemerkbar werden, die Kosteneinsparungen zunehmen und die Produktivität steigt, zeigt sich der klare Geschäftswert der intelligenten Sensordatenanalyse. Auf diese ersten Erfolge lässt sich einfach aufbauen, um einer optimalen, datengesteuerten Entscheidungsfindung näherzukommen.