Im Team ist man bekanntlich besser. Das wissen wir aus der Kooperation mit unseren Partnern nur zu gut. Und darum haben wir auch hinsichtlich der Produktentwicklung Partnerschaften geschlossen, um viele Kompetenzen zu vereinen und unseren Partnern und Kunden eine große Bandbreite an hervorragenden Produkten und Lösungen am Puls der Zeit bieten zu können. Eine dieser Partnerschaften ist die Zusammenarbeit mit Statworx.
Lösungen für die Industrie der Zukunft
Bei Statworx dreht sich alles um Predictive Analytics, Maschine-Learning und Künstliche Intelligenz. Ein Start-up aus Frankfurt mit derzeit 15 Spezialisten aus dem Data-Science-Bereich. Gemeinsam mit EASY möchte das Unternehmen Kernprozesse in Unternehmen verbessern, neue Geschäftsmodelle erschließen und bestehende Datenpotenziale nutzen. Ein Beispiel, mit dem man sich gemeinsam mit EASY derzeit beschäftigt, ist das Thema Predictive Maintenance, also der Prognose von Maschinenausfällen und der Optimierung von Wartungsintervallen. So sammelt jedes Industrieunternehmen bereits heute Sensordaten aus dem Produktionsprozess. Diese verbindet Statworx mit algorithmischen Methoden und leitet daraus mathematische Modelle ab, mit denen sich Ausfallzeiten von Maschinen und Maschinenteilen voraussagen lassen.
Reaktive Wartung noch die Regel
Die meisten Industriebetriebe warten erst, wenn etwas ausfällt. Dass diese Lösung die unvorteilhafteste ist, liegt auf der Hand. Die Produktion stoppt und Produktionsausfälle gehen mit Zeitverlust und Kosten einher. Zudem ist der Bedarf an Servicetechnikern und Ressourcen so nicht planbar, wenn Maschinenausfälle dem „Zufall“ überlassen bleiben. Die nächste Wartungs-Stufe ist die präventive. Dabei überprüfen Techniker Produktionsmaschinen in bestimmten Abständen. Doch auch hier kommt es oftmals zur Verschwendung von Ressourcen, Zeit und Personaleinsatz. Denn möglicherweise war die Maschine gar nicht vom Ausfall bedroht. Der nächste Schritt, der schon ansatzweise die Richtung anzeigt, ist die regelbasierte Wartung. Dabei analysiert das Unternehmen bestimmte Service-Intervalle und Zeiten von Maschinenausfällen aus der Vergangenheit und versucht Heuristiken daraus abzuleiten. Aus diesen lassen sich Rückschlüsse ziehen, wann Unternehmen auf Service-Techniker zurückgreifen müssen. Doch auch das ist noch nicht der Weisheit letzter Schluss, denn: Predictive Maintenance kann mehr.
Gigantische Datenmengen in der Analyse
Predictive Maintenance nutzt eine Vielzahl von Daten, die bereits im Unternehmen vorliegen, z. B. auch in SAP-Systemen: über historische Ausfallzeiten, über historische Wartungsintervalle, Sensordaten aus der Produktion. Diese verknüpft diese mit externen Daten wie Wetter, Umgebungseinflüssen, Lieferanteninformationen usw. Es handelt sich also um wirkliche real data cases, hunderte und tausende Einflussfaktoren treffen auf Millionen von Datenpunkten und Modulen, verknüpft mit mathematischen Algorithmen zu Ausfallzeiten und Prognosen. Auch selbstlernende Regeln aus Ist-Daten und Prognosen sind generierbar. Dies lässt sich nicht nur für Produktionsbetriebe nutzen, sondern auch für große Industrieanlagen wie Kraftwerke und Ölförderungsanlagen.
Process2Design als großes Plus
Im Automotive-Bereich kennt man solche Prozesse schon länger. Wir fahren in die Werkstatt und ein Mechaniker schließt den Motor an ein Gerät, welches alle möglichen Daten, etwa wann und wie oft der Fahrer gebremst hat, ausliest und mit externen Daten verknüpft. All diese Datenmengen laufen dann in zuvor programmierten Algorithmen zusammen, die in der Lage sind, die Einflussfaktoren zu bewerten und zu gewichten und damit Ausfallprognosen über Bauteile zu erstellen. Nun käme in unserem Beispiel EASY PCM Process2Design ins Spiel: Die Lösung verknüpft Prognosen aus prediktiven Analysemodellen mit einer Schnittstelle im SAP-System und löst damit bestimmte Prozesse und Handlungen beim Mechaniker aus. Das Beispiel lässt sich auf etliche Prozesse in Produktion und Industrieanlagen übertragen: Willkommen in der Welt von morgen.
Lösungen für die Industrie der Zukunft
Bei Statworx dreht sich alles um Predictive Analytics, Maschine-Learning und Künstliche Intelligenz. Ein Start-up aus Frankfurt mit derzeit 15 Spezialisten aus dem Data-Science-Bereich. Gemeinsam mit EASY möchte das Unternehmen Kernprozesse in Unternehmen verbessern, neue Geschäftsmodelle erschließen und bestehende Datenpotenziale nutzen. Ein Beispiel, mit dem man sich gemeinsam mit EASY derzeit beschäftigt, ist das Thema Predictive Maintenance, also der Prognose von Maschinenausfällen und der Optimierung von Wartungsintervallen. So sammelt jedes Industrieunternehmen bereits heute Sensordaten aus dem Produktionsprozess. Diese verbindet Statworx mit algorithmischen Methoden und leitet daraus mathematische Modelle ab, mit denen sich Ausfallzeiten von Maschinen und Maschinenteilen voraussagen lassen.
Reaktive Wartung noch die Regel
Die meisten Industriebetriebe warten erst, wenn etwas ausfällt. Dass diese Lösung die unvorteilhafteste ist, liegt auf der Hand. Die Produktion stoppt und Produktionsausfälle gehen mit Zeitverlust und Kosten einher. Zudem ist der Bedarf an Servicetechnikern und Ressourcen so nicht planbar, wenn Maschinenausfälle dem „Zufall“ überlassen bleiben. Die nächste Wartungs-Stufe ist die präventive. Dabei überprüfen Techniker Produktionsmaschinen in bestimmten Abständen. Doch auch hier kommt es oftmals zur Verschwendung von Ressourcen, Zeit und Personaleinsatz. Denn möglicherweise war die Maschine gar nicht vom Ausfall bedroht. Der nächste Schritt, der schon ansatzweise die Richtung anzeigt, ist die regelbasierte Wartung. Dabei analysiert das Unternehmen bestimmte Service-Intervalle und Zeiten von Maschinenausfällen aus der Vergangenheit und versucht Heuristiken daraus abzuleiten. Aus diesen lassen sich Rückschlüsse ziehen, wann Unternehmen auf Service-Techniker zurückgreifen müssen. Doch auch das ist noch nicht der Weisheit letzter Schluss, denn: Predictive Maintenance kann mehr.
Gigantische Datenmengen in der Analyse
Predictive Maintenance nutzt eine Vielzahl von Daten, die bereits im Unternehmen vorliegen, z. B. auch in SAP-Systemen: über historische Ausfallzeiten, über historische Wartungsintervalle, Sensordaten aus der Produktion. Diese verknüpft diese mit externen Daten wie Wetter, Umgebungseinflüssen, Lieferanteninformationen usw. Es handelt sich also um wirkliche real data cases, hunderte und tausende Einflussfaktoren treffen auf Millionen von Datenpunkten und Modulen, verknüpft mit mathematischen Algorithmen zu Ausfallzeiten und Prognosen. Auch selbstlernende Regeln aus Ist-Daten und Prognosen sind generierbar. Dies lässt sich nicht nur für Produktionsbetriebe nutzen, sondern auch für große Industrieanlagen wie Kraftwerke und Ölförderungsanlagen.
Process2Design als großes Plus
Im Automotive-Bereich kennt man solche Prozesse schon länger. Wir fahren in die Werkstatt und ein Mechaniker schließt den Motor an ein Gerät, welches alle möglichen Daten, etwa wann und wie oft der Fahrer gebremst hat, ausliest und mit externen Daten verknüpft. All diese Datenmengen laufen dann in zuvor programmierten Algorithmen zusammen, die in der Lage sind, die Einflussfaktoren zu bewerten und zu gewichten und damit Ausfallprognosen über Bauteile zu erstellen. Nun käme in unserem Beispiel EASY PCM Process2Design ins Spiel: Die Lösung verknüpft Prognosen aus prediktiven Analysemodellen mit einer Schnittstelle im SAP-System und löst damit bestimmte Prozesse und Handlungen beim Mechaniker aus. Das Beispiel lässt sich auf etliche Prozesse in Produktion und Industrieanlagen übertragen: Willkommen in der Welt von morgen.
