Keine Zukunftsmusik mehr: Wie Sensoren effiziente Predictive Maintenance- und Machine Learning-Prozesse ermöglichen

Die interoperable Datenplattform InterSystems IRIS liefert die Basis für eine smarte Bereitstellung und Auswertung von Sensordaten

Die Minimierung von Ausfallzeiten hat im Kontext der Verfügbarkeit von Fertigungsanlagen in Fabriken sowie von Maschinen im mobilen Einsatz, beispielsweise im Agrarsektor, oberste Priorität. Insofern gilt es, ungeplante Reparaturen zu vermeiden und notwendige Wartungen optimal zu planen.

Ein Hersteller von Landmaschinen hat das Potenzial der vorausschauenden Auswertung von Daten, die durch Sensoren generiert werden, wie beispielsweise Temperaturdaten aus dem Getriebe oder dem Motor, erkannt. Ziel der sensorbasierten Datenerhebung ist es, Anomalien aufzudecken und zu analysieren. Damit gewinnt er zusätzliche Erkenntnisse über seine Produkte und der verbauten Komponenten bzw. der Nutzung seiner Maschinen.

Top-Performance durch Schnittstellen und Interoperabilität

Grundsätzlich existieren zwei Optionen, Sensordaten kontinuierlich zu sammeln – entweder stationär bei ortsgebundenen Maschinen, oder via Edge Computing. Die zweite Variante bietet sich insbesondere bei Fahrzeugen wie zum Beispiel Mähdreschern an und sieht vor, dass ein kleiner Computer im Fahrzeug die Daten erfasst, speichert und aggregiert. In dem Moment, wenn das Fahrzeug eine Netzwerkverbindung aufbaut, können die Daten in die Cloud hochgeladen und von dem Hersteller abgerufen werden.

Dazu benötigt man nicht nur eine ausreichend performante Datenbank zur Datenerfassung, sondern auch geeignete Middleware für die Datenkommunikation sowie leistungsfähige Anwendungen zur Datenanalyse. InterSystems IRIS bietet all diese Voraussetzungen, denn als ganzheitliche Datenplattform vereint sie eine bewährte, schnelle Datenbank inklusive der erforderlichen Interoperabilitätsschnittstellen mit integrierten Tools zur Datenauswertung.

Die Lösung verfügt über die erforderlichen Schnittstellen, um die Sensordaten analysierbar zu machen. Denn nicht alle Sensoren lassen sich ohne Weiteres auslesen, vielmehr weisen die Sensoren in den unterschiedlichen Maschinen verschiedene Schnittstellen mit zum Teil exotischen Protokollen auf. Hier vertrauen wir auf innovative Partner wie die BotCraft GmbH, die auf einer hardwarenahen Programmierebene ansetzt, um mit Sprachen wie C oder C++ die notwendigen Grundlagen zu schaffen, um die Sensorwerte direkt auszulesen. Im Zusammenspiel mit InterSystems IRIS gelingt es so, sämtliche Daten aus verschiedenen Quellen zu bündeln und für die Verarbeitung zu normalisieren.

Daten gezielt zur Prozessoptimierung einsetzen

Diese Daten sind essentiell und bilden die Grundlage für Machine Learning (ML) oder Predictive Maintenance (PM). Ein Beispiel: Ein Sensor in einer Walze der Textilherstellung übermittelt in regelmäßigen Abständen seine Temperatur an die Datenplattform IRIS. Hier werden die Daten gesammelt und für die Analyse bereitgestellt. Im Zuge dessen fallen Anomalien auf, die ansonsten unentdeckt geblieben wären, wie etwa eine zu hohe Temperatur unter einer bestimmten Auslastung. Dies ist ein Indiz für eine zwingend erforderliche Wartung, um etwa einem Totalschaden und folglich einem Stillstand der Maschinen vorzubeugen.

So kann mit Unterstützung eines Sensors rechtzeitig gehandelt und ein Totalschaden einer Maschine im Idealfall abgewendet werden. Dies schafft eine Grundlage für massive Kosteneinsparungen.

InterSystems IRIS dient zudem als praxistaugliche Basis für Machine Learning (ML). Das Prinzip: Wenn in der Vergangenheit bestimmte Prozesse und Ereignisse aufgetreten sind, lässt sich in der Folge ein bestimmtes Ereignis nebst etwaiger Gegenmaßnahme von auftretenden Anomalien ableiten.  Durch die Aufbereitung der Daten inklusive einer Analyse legt InterSystems IRIS so den Grundstein für komplexe ML-Prozesse nebst vorausschauender Datenanalyse, wie das Beispiel der Walze verdeutlicht. Gleichzeitig können die Daten genutzt werden, um Vorhersagen über den kosteneffizientesten oder schnellsten Einsatz einer Maschine zu tätigen, sodass entweder besonders ökonomisch oder besonders schnell produziert werden kann.

Jens Frenkel

Jens Frenkel ist ein erfahrener Sales Manager mit mehr als 20 Jahren Vertriebserfahrung in der IT- und IT-Sicherheitsbranche. In verschiedenen beruflichen Stationen bei mittelständischen Unternehmen und Start-Ups konnte er seine kaufmännischen Kompetenzen beim Aufbau von neuen Märkten in der DACH- und EMEA-Region erfolgreich zur Anwendung bringen. Dabei verantwortete er unter anderem den gesamten Channel-Umsatz in EMEA für Bridgewater Systems. Seit 2019 treibt Jens Frenkel als Sales Executive den Aufbau des Neukundengeschäfts im Geschäftsbereich Data Platform bei InterSystems voran.

Kommentar verfassen

*