In vielen Fabriken konzentrierte sich die Digitalisierung hauptsächlich auf den effizienten Betrieb der Produktionsanlagen. Heute steuern Kontrollsysteme, einschließlich SPS- und HMI / SCADA-Systeme die Automatisierungsausrüstung und bieten damit einen Einblick in deren Topologie. Dazu werden historische und konventionelle Datenbanken als Grundlage für das Produktions-Reporting verwendet.
Diese Systeme konzentrieren sich weitgehend auf den aktuellen Zustand („Was passiert gerade?“) und auf die historische Ansicht („Was ist bereits passiert?“). Dies funktionierte viele Jahre lang gut und führte zu signifikanten Produktivitätssteigerungen, da sie in den meisten automatisierten bzw. halbautomatisierten Anlagen umfassend eingesetzt wurden.
Weniger als 1% der gesammelten Daten werden heute produktiv genutzt. Die Daten sind oft nicht ausreichend strukturiert, um Erkenntnisse für die beteiligten Interessengruppen zu gewinnen. OEMs möchten verstehen, wie ihre Produkte verwendet werden, um künftige Produktversionen - basierend auf Kundenerfahrungen - voranzutreiben. Bediener und Betriebsleiter möchten verstehen, wie verschiedene Teile des Herstellungsprozesses zueinander in Beziehung stehen, um den gesamten Anlagenbetrieb zu optimieren.
Der starke branchenweite Fokus auf die digitale Transformation und die Verfügbarkeit neuer Produkte für das Internet der Dinge (IoT) machen deutlich, dass die nächste große industrielle Transformation bereits im Gange ist. Moderne Sensoren werden in Endgeräten verbaut, um neue Auswertungsdaten zu gewinnen - und dies nicht nur für rein betriebliche Zwecke. Jetzt können einzelne Komponenten automatisch so abgestimmt werden, dass sie präzise zusammenarbeiten. Die Prozessleistung verbessert sich drastisch und bringt wirtschaftlich Nutzen durch vorausschauende Wartung, die Probleme frühzeitig erkennt und behebt.
Die enorme Menge an Echtzeitdaten, die IoT-Geräte liefern, kann jedoch erdrückend sein - ein einzelnes Strahltriebwerk mit 5.000 Sensoren erzeugt bis zu 10 GB Daten pro Sekunde. Dies schafft neue Probleme: Wie können Hersteller Daten schnell genug analysieren, um sie zu verwenden, und wie können Personen ohne Datenanalysefähigkeiten sie verstehen und nutzen?
Die Datenvisualisierung der industriellen IoT-Daten und Bereitstellung von Analyseergebnissen ist hier die Antwort. Es werden leicht verständliche und umsetzbare Grafikdisplays erstellt, die im gesamten Unternehmen, in der Lieferkette, im Vertriebsnetz und für Kunden verwendet und gemeinsam genutzt werden können.
Warum sind benutzerfreundliche Echtzeitdaten so wichtig?
In der Vergangenheit beeinträchtigte der Mangel an verwertbaren Echtzeitdaten und Informationen darüber, wie Dinge - vom Fließband bis zu Traktoren auf dem Feld - funktionieren (bzw. nicht funktionieren) die gesamte Geschäftstätigkeit. Dieses Datendefizit ließ die Unternehmensleitungen erst dann reagieren, wenn ein Problem auftrat. Sie waren gezwungen, sich auf einige wenige Messgeräte zu verlassen, die vom Anlagenpersonal zwecks manueller Datenerfassung abgelesen und erst später von dessen Vorgesetzten ausgewertet wurden. In komplexen Montagelinien und Fertigungsprozessen bedeutete dies, dass sich auftretende Probleme tendenziell potenzieren konnten, bevor sie entdeckt wurden.
Produktdesigner mussten, da sich die tatsächliche Verwendung der Produkte nach Verlassen des Werks ihrer Kenntnis entzog, die gewünschten bzw. benötigten Funktionen buchstäblich erraten, die in künftigen Versionen den besten Wirkungsgrad haben würden.
Wie hat das Internet der Dinge und die so gesammelten Daten dieses Szenario verändert?
Mithilfe neuerer IoT-Techniken können Kunden jetzt die Daten zusammenstellen, die für einen eher zustandsbasierten Wartungsansatz erforderlich sind: Wartungsarbeiten werden eingeplant, sobald die Betriebszustände eintreten, die als Ausfälle angekündigt wurden. Durch die Umstellung auf diese Art der vorausschauenden Wartungsstrategie können ungeplante Ausfallzeiten drastisch reduziert werden. Dies erhöht die Zuverlässigkeit und Kundenzufriedenheit und reduziert gleichzeitig Kosten und katastrophale Ausfälle.
Mit „digitalen Zwillingen“ von Feldprozessen können Designer die Funktionsweise von Produkten unabhängig vom Produktionsbetrieb beobachten und so gezielte Upgrades ermöglichen, während Remote-Betreiber die Zwillinge zur betrieblichen Feinabstimmung verwenden können. Einige Produkte können im laufenden Betrieb durch Software-Upgrades verbessert werden. Hersteller sind sogar in der Lage, die Echtzeitdaten mit Lieferanten, Lieferketten und Kunden zu teilen, um jeden Aspekt des Produktions- und Nutzungszyklus zu optimieren.
Inwiefern ist diese Datenflut kontraproduktiv?
Zu viel des Guten kann erdrückend sein. Da immer mehr Geräte mit Sensoren ausgestattet sind, kann die von ihnen erzeugte Datenmenge die Fähigkeit zur Analyse und Verwendung überfordern. IDC schätzt, dass bis 2025 41,6 Milliarden verbundene IoT-Geräte 79,4 Zettabyte (ZB) Daten erzeugen.
Ein Großteil dieser Daten ist nicht strukturiert, überladen und unorganisiert oder wird in verschiedenen Abteilungen isoliert abgespeichert, so dass Personen, die auf sämtliche Daten zugreifen müssen, dies nicht können. Funktionale Führungskräfte haben keinen vollständigen Zugriff auf die Daten, die sie für kritische Entscheidungen benötigen. Außerdem verfügt nicht jeder Mitarbeiter Ihres Unternehmens, der diese Daten für effizienteres Arbeiten und fundiertere Entscheidungen benötigt, über die analytischen Fähigkeiten, um nützliche Rückschlüsse zu ziehen.
Vielleicht am wichtigsten ist die Tatsache, dass - wenn Daten nicht annähernd zeitnah analysiert werden - die Latenz womöglich deren Analysewert einschränkt; somit wird sie lediglich zu einer weiteren Quelle überholter Daten.
Wie hilft die Datenvisualisierung?
Die Effektivität der Datenvisualisierung hängt z. T. davon ab, wie unser Gehirn funktioniert. Untersuchungen zeigen, dass Visualisierungen für das Gehirn viel einfacher und schneller zu verstehen sind als Daten in einer Tabelle. Es ist auch viel einfacher, Beziehungen anhand einer Visualisierung zu verstehen. Dies ermöglicht Korrelationen zwischen verschiedenen Datensätzen, die sich gegenseitig beeinflussen können, und deckt Lösungen für ein Problem auf, das ein anderes lösen kann. In ähnlicher Weise können Teams aus verschiedenen Abteilungen und Funktionen organisatorische Silos auflösen und gleichzeitig problemlos Daten diskutieren, wodurch Synergien entstehen und die Entscheidungsfindung beschleunigt wird. Es ermöglicht Einzelpersonen und Abteilungen, die nicht über Data-Mining- und Statistikanalysten verfügen, eigeninitiativ auf Daten zu reagieren.
Die automatisierte Datenvisualisierung ist ein wichtiges Werkzeug, um das Latenzproblem zu beseitigen: Sie können nahezu unmittelbar auf Daten reagieren und so den Betriebsablauf sowie den Einblick verbessern. Mit der Visualisierung können Sie diese Echtzeitdaten auch verwenden, um aufkommende Probleme und günstige Optionen schnell zu identifizieren und um Vorhersagen und Entscheidungen in Echtzeit zu treffen.
Ebenfalls erleichtert die Datenvisualisierung eine prädiktive Analyse, um Risiken und Kosten zu reduzieren, indem potenzielle Probleme bei Herstellung, Wartung, Qualität und Effizienz rechtzeitig aufgedeckt werden, damit sie schnell und kostengünstiger gelöst werden können.
Autor: Steve Ward, Director Application Engineering EMEA, Emerson
