BI-Dashboards integrieren Smart Factory-Daten für aussagekräftige Analysen

Das Aufkommen von industriellem IoT und intelligenten Fabriken stellt neue Anforderungen auf Analysesystemen der nächsten Generation, um Betriebsdaten auf neuartige Weise zu erschließen. Während intelligente industrielle Analytik ein relativ neuer Anwendungsfall ist, beginnt sich die Aktivität zu steigern. Die Herausforderung besteht darin, aussagekräftige Trends aus den Daten zu finden, die aus mehreren industriellen IoT-Touchpoints extrahiert wurden, über die einfache Speicherung der Inhalte in Betriebsprotokollen hinaus.

Smart Factory, die durch Sensoren des Internet of Things (IoT) generiert wird, muss mit anderen Unternehmensdatenpunkten korreliert werden und die Suche nach Sinn muss ein fester Bestandteil des täglichen Arbeitsablaufs werden und kein flüchtiger Moment sein.

Die Integration von IoT-Daten in reguläre Prozesse erfordert Analysesoftware. Diese Software wird durch künstliche Intelligenz KI und Technologien für maschinelles Lernen angetrieben. Ein weiterer Teil der Gleichung sind IoT-Konnektoren, die IT-Business-Intelligence-Dashboards mit Fabrikbetriebsdaten verknüpfen.

Während BI-Dashboards seit langem Teil der Hinterzimmeranalyse sind, waren die meisten bis vor kurzem nicht in der Lage, industrielle IoT-Dateneingaben angemessen zu verarbeiten. Damit intelligente Fabriken isolierte Daten vermeiden können, ist es von entscheidender Bedeutung, BI-Dashboards auszuwählen, die mit leistungsfähigen Analysen ausgestattet sind. Heutzutage kombinieren viele Dashboards das industrielle IoT mit dem Zugriff auf Data Lakes – riesige Speicherpools, die große Mengen unstrukturierter Informationen aggregieren sollen – oder Cloud-Datenbanken.

„Smart Factory-Daten haben viel mit den Daten gemeinsam, die aus anderen Funktionen eines Unternehmens stammen“, sagt Enno de Boer, Partner bei McKinsey. „Um von Wert zu sein, muss es zur Entscheidungsfindung verwendet werden.“ Ansonsten macht es wenig Sinn, riesige Datenmengen zu sammeln und zu aggregieren.

Über die gesamte Wertschöpfungskette

Um wirklich wertvoll zu sein, müssen Fabrikhallendaten in die gesamte Wertschöpfungskette integriert werden, sagte de Boer, der die Arbeit von McKinsey in der digitalen Fertigung und die Zusammenarbeit mit dem World Economic Forum als Teil des Global Light House-Netzwerks leitet.

Durch den besseren Einsatz von Analytik sieht de Boer eine maßgeschneiderte Produktion, die alles „von der Komponentenbeschaffung bis zur Lieferung auf der letzten Meile“ beeinflusst.

Business-Intelligence-Analysen sind heute ein gemeinsames Merkmal von Unternehmens-IT-Produkten. Schwieriger hat sich jedoch die Anwendung der Technologie für den Betrieb erwiesen. Trotz Blockaden bei der Umsetzung wird laut ResearchAndMarkets.com bis 2026 ein weltweiter Umsatz von 16 Milliarden US-Dollar erwartet.

Smart Factory Analytics-Scorecard

Mehrere Anbieter sind nun bestrebt, verbesserte industrielle Analysen und BI-Dashboards bereitzustellen. Zu den führenden Akteuren auf dem Smart Factory-Markt gehören ABB, Honeywell International, Robert Bosch, Siemens und andere.

Wenn es um die Erfassung, Verarbeitung, Speicherung und Analyse von Smart Factory-Daten geht, sind IT-Giganten mit bemerkenswerten Fußabdrücken in der Fertigung Teil des Mixes. Zu den wichtigsten zählen IBM, Hewlett Packard Enterprise und SAP. Innovative Daten-Startups haben sich auch auf die speziellen Anforderungen von Smart Factory Analytics wie Cloudera und DataStax konzentriert.

Da die Cloud zum Ausgangspunkt der Fabrikanalyse wird, bauen Cloud-Führer Amazon Web Services, Google und Microsoft spezialisierte Daten-Workflow-Pipelines auf. Die Spieler wiederum unterstützen Business-Intelligence-Dashboards für Endbenutzer wie die von Looker, Microsoft, Tableau und anderen.

Smart Factory Buildout

Der Aufbau von Smart Factory Analytics ist eine gewaltige Aufgabe. Ein typischer Produktionsstandort kann in einem einzigen Monat mehr als 2.200 Daten erstellen, und die meisten dieser Daten werden laut einem IBM-Bericht zur digitalen Transformation nicht analysiert. Der Zustrom von Daten, die nicht analysiert werden, trägt zu dem Problem der sich hinziehenden Proof-of-Concept-Projekte (POC) für das industrielle IoT bei.

Die meisten Industriedaten werden außerhalb der IT generiert, betont Manish Chawla, General Manager für Industrien, Energie, Ressourcen und Fertigung bei IBM. Er wies darauf hin, dass sich die jüngsten Bemühungen der Industrie auf die Verbesserung der Projektgrundlagen konzentrieren; schlechte Planung kann die Durchlaufzeit von POCs verlängern.

„Die Leute haben versucht, ein Penthouse zu bauen, ohne ein Fundament zu haben“, sagte er.

Chawla sagte auch, IBM habe kürzlich zusammen mit Siemens und Red Hat an einem plattformübergreifenden Ansatz gearbeitet, um Analysen von Siemens' Industrial IoT-Plattform MindSphere näher am Fabrikrand auszuführen.

SAP arbeitet daran, Kunden die Analyse einer Mischung aus zeitreihenorientierten Historiandaten sowie IoT- und Geschäftsdaten zu ermöglichen, sagte Dominik Metzger, VP und Head of Product Management, Manufacturing and Industrial IoT, SAP. Ein Datenhistoriker ist eine Softwarefunktion, die die Ausgabe von Fertigungs-IT-Prozessen für Governance-Zwecke protokolliert.

Eine der wichtigsten Veränderungen der letzten Jahre ist für Metzger der Grad der Standardisierung im Datenhandling. „Es ist wirtschaftlicher und skalierbarer geworden“, sagte Metzger und nannte Data Lakes als Enabler für Analysen für intelligente Fabriken.

SAP betrachtet die Einbettung von IoT-Datenanalysen in Geschäftsprozesse als wichtigen nächsten Schritt in seiner Industrie 4.0-Strategie, die als Industrie 4 bezeichnet wird. Industrie 4 ist eine Referenzarchitektur, die Workflows aus Quellen wie Data Historian, Edge Services und Cloud oder ERP umfasst Systeme mit Business-Intelligence-Funktionen.

Analytics erfordern Datenvolumen

Die Entwicklung der Smart Factory Analytics wird durch Kräfte erschwert, die die Analytics im Allgemeinen beeinflussen. Der Aufstieg von Predictive und Prescriptive Analytics basierend auf KI und maschinellem Lernen stellt beispielsweise mehrere Herausforderungen bei der Implementierung. Hier sollten Benutzer bei der Verwendung von Analytics sorgfältig vorgehen, um tiefer in den Betrieb einzutauchen, so Ed Cuoco, Vice President of AI and Analytics bei PTC.

Bei der Implementierung von Analysen für die Diagnose kann es beispielsweise vorkommen, dass eine einfache statistische Prozesskontrolle gegenüber maschinellem Lernen oder Lösungen vom Typ KI bevorzugt wird, sagte Cuoco.

„Ohne qualitativ hochwertige historische Daten im Volumen können Sie möglicherweise nicht die gewünschten Erkenntnisse gewinnen“, fügte er hinzu.

Der IoT-Plattformanbieter PTC arbeitet eng mit Endbenutzern und anderen Softwareherstellern zusammen, um Analysen von der Fabrikfront bis zum geschäftlichen Endbenutzer und manchmal auch wieder zurück zu liefern. Dies ist bei einem kürzlich abgeschlossenen Deal der Fall, bei dem das Fujitsu Smart Factory Framework die Vuforia Augmented Reality- und ThingWorx-Plattformen von PTC verwendet, um den Betriebsmitarbeitern Analyseinformationen zu übermitteln.

Neuartige Grafiken für Analytics

Die Graphdatentechnologie – lange Zeit am Rande der fortschrittlichen Datenanalyseszene – hat sich in Fabriken und anderen Umgebungen durchgesetzt. Graphdatenbanken wie Aura Enterprise von Neo4j haben sich als nützlich erwiesen und setzen die Smart Factory Analytics der Benutzer in einen Kontext und ermöglichten kollaborative Projekte, die neue betriebliche Effizienzen identifizieren.

Im Gegensatz zu relationalen Datenbanken, die den Großteil der Datenanalyse unterstützen und Daten in Zeilen und Spalten speichern, verwenden Diagrammdatenformate Datenzuordnungen, um komplizierte Verbindungen zwischen Datenelementen zu verwalten. Zu den Zielbranchen von Neo4j gehören Automotive, Garantie, Analytik, Supply Chain Management und medizinische Instrumente. Laut Amy Hodler, Direktorin für Graphanalyse und KI-Programme, Neo4j, habe insbesondere der medizinische Sektor die Fähigkeit von Graphdatenbanken bewiesen, die teamübergreifende Zusammenarbeit zu fördern.

Ein Unternehmen für medizinische Instrumente, das Fehler vor dem Produktversand nachverfolgen wollte, fand die Diagrammmethoden von Neo4j nützlich, bemerkte Hodler. Die Identifizierung solcher Fehler erfordert in der Regel Detektivarbeit, da alle Teilkomponenten eines fehlerhaften Geräts zurückverfolgt werden müssen, um festzustellen, ob sie für den Fehler verantwortlich sind.

Um die Analyse in die Hände von mehr Benutzern zu legen, bietet Neo4j Konnektoren, die seine Diagrammdatenmodelle mit Datenvisualisierungs- und Discovery-Dashboards wie Tableau, Tibco Spotfire und anderen verknüpfen. Das Unternehmen bietet auch seine eigenen Bloom-Visualisierungstools an.

Ebenfalls mit einer Vielzahl von visuellen Dashboards verbunden sind Softwareverwaltungstools von DataStax, einem Unternehmen, das weitgehend zur Kommerzialisierung der Open-Source-NoSQL-Datenbank geführt hat. Die Enterprise Edition des Produkts von DataStax unterstützt die Handhabung von Graphdaten. Zu den Entwicklern von IoT-Anwendungen, die seine Software verwenden, gehört das in Südafrika ansässige Unternehmen Locstat, das das Produkt zur Analyse von Sensordaten und Echtzeit-Streaming-Analysen einsetzte.

„Visualisierung wird ein immer wichtigeres Element, um zu verstehen, was in der IoT-Landschaft passiert, insbesondere wenn es sich um ein ziemlich komplexes Setup handelt“, sagte Matthias Broecheler, Chief Technologist bei DataStax.

Die visuellen Analysetools helfen Betriebspersonal, Entwicklern und anderen, fügte er hinzu. Gleichzeitig wies Broecheler darauf hin, dass manche Entscheidungen in Smart Factories eine sofortige Reaktion erfordern. Diese treibende Kraft steht hinter neuen Formen der Analyseverarbeitung, die ohne menschliche Transformation autonom Anomalien in der Fabrikhalle erkennen und darauf reagieren.

Auf Wiedersehen, Datensilos

In intelligenten Fabriken müssen Manager, Außendienst- und IT-Entwicklungsteams wie bei jeder anderen Art von Geschäftstransformation zusammenarbeiten, sagte de Boer von McKinsey.

„Transformationen scheitern, wenn Teams in Silos arbeiten und nur eine Funktion die Versuche treibt, Veränderungen anzustoßen“, sagte er in einem E-Mail-Interview. Der Drang zur Demokratisierung von Daten erfordert, dass die Mitarbeiter im gesamten Unternehmen die Leistungsfähigkeit neuer Technologien und deren Nutzung verstehen, sagte de Boer.

Für den Fertigungssektor wird die Rolle des Betriebspersonals bei der Bestimmung der Datendemokratisierung aufschlussreich sein.

„Mit Analysetools in den Händen des Betriebspersonals können Unternehmen leichter Lösungen entwickeln, die auf geschäftliche Herausforderungen reagieren“, sagte de Boer.

de Boer von McKinsey verwies auf die von Mitgliedern des Global Lighthouse Network eingerichteten Analytics-Akademie-Programme und argumentierte, dass alle Interessengruppen von der Teilnahme profitieren könnten, einschließlich aller von der Vorstandsetage bis zur Produktionsfront.