Innovationen sind letztendlich immer auf eines der folgenden Ziele zurückzuführen: höhere Produktionskapazität, mehr Sicherheit oder bessere Qualität – und das jeweils zu geringeren Kosten. Und genau hierfür lassen sich Daten aus der Produktion nutzen. Dabei ist es irrelevant, ob die Firmengründung gestern oder schon vor 100 Jahren stattgefunden hat.
Überall auf der Welt sitzen Hersteller auf Bergen ungenutzter Daten. Sie zu erschließen, ist der erste Schritt in die Zukunft der industriellen Produktion. Viele Informationen befinden sich allerdings an schwer zugänglichen Orten – beispielsweise in veralteten Maschinen, isolierten Systemen, Tabellenkalkulationen und sogar an Klemmbrettern. Wie lassen sich bei diesen Unterschieden essenzielle Metriken zwischen Fertigungslinien oder Fabrikstandorten vergleichen? Oft sind diese Daten in Silos gefangen. AWS hat in der Vergangenheit zahlreichen Fertigungsunternehmen wie Georgia-Pacific, Volkswagen und Invista geholfen, solche Industriedaten zu befreien und dadurch wertvolle Einblicke zu gewinnen.
Aufnahme der Daten
Zunächst sollten sich produzierende Unternehmen nur auf das Sammeln ihrer Daten konzentrieren und diese in die Cloud verschieben. Eine Möglichkeit, die Integration in die Cloud zu vereinfachen, und die bei AWS an Bedeutung gewonnen 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 entsprechenden Daten sowie ihre Übermittlung an die Cloud. Industrieunternehmen können die Software auf gängigen Industrie-Gateways von Drittanbietern ausführen, um die Daten mit OPC-UA auszulesen. Durch die Verwendung branchenüblicher Standards wie OPC-UA verfügen Kunden zudem über eine konsistente Methode für die Verbindung mit unterschiedlichen Anlagen sowie über zahlreiche Vergleichsmöglichkeiten.
Verwaltung der Daten
Allerdings benötigen die Daten einen Kontext, um einen Nutzen zu bieten. Mit AWS IoT SiteWise können Kunden Ausrüstung, Anlagen und Prozesse 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 Betriebszeiten oder branchenübliche Leistungskennzahlen definiert.
Beim Hochladen der Daten in die Cloud berechnet die Software automatisch die Metriken in einem Intervall, das der Kunde vorher definiert hat. Sämtliche Informationen werden nun in einer vollständig verwalteten Zeitreihendatenbank 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.
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.
Visualisierung der Daten
Die richtigen Werkzeuge sparen Zeit, weil Entwickler damit ohne aufwändige Programmentwicklung direkt Daten sammeln, organisieren und daraus Metriken erstellen können. Über eine eingebaute Konsole können Anwender innerhalb weniger Minuten eine oder mehrere vollständig verwaltete Web-Anwendungen entwickeln – ganz ohne Code. Der Zugriff erfolgt mithilfe eines Browsers von jedem internetfähigen Gerät via SSO. Auf diesem Weg lassen sich von jedem Team Daten im 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 ist der Einsatz von ML für eine vorausschauende Instandhaltung. Denn anhand von Sensordaten lässt sich die Wahrscheinlichkeit eines Anlagenausfalls vorhersagen und die Wartungspläne entsprechend optimieren. Das Unternehmen Georgia-Pacific nutzt ML beispielsweise für eine effizientere Produktion seiner Papiertücher: Basierend auf der Qualität einer Stammrolle ermittelt das ML-Modell die optimalen Produktionsparameter. Auf diese Weise konnte Georgia-Pacific den Gewinn um mehrere Millionen Dollar für eine Produktionslinie steigern.
Vorausschauende Wartungen erfordern ML-Modelle, die mithilfe großer Mengen an Daten trainiert werden. Daher sind die Aufbereitung und Verwaltung der Informationen die ersten wichtigen Schritte für eine Umstellung auf ML. Viele Unternehmen entscheiden sich auch für den Einsatz eines Data Lakes: ein zentrales Auffangbecken, in dem sich Daten in beliebigem Umfang speichern lassen.
Innovationen in Cloud verlagern
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 und dem richtigen Umgang mit den Daten entstehen zusätzlich neue Möglichkeiten unabhängig von der Firmengröße.
