Plattform zur Innovationsentwicklung
Wozu nutzen IoT und Co.?
Das Internet of Things, Machine Learning und die Blockchain bieten für Unternehmen großes Potenzial, häufig fehlt aber ein Ansatzpunkt für die Umsetzung. Mit SAP Leonardo können Ansätze erkannt und Potenziale ausgeschöpft werden.
Produktionshallen sind gefüllt mit einer Vielzahl von komplexen, teils älteren, teils hochmodernen Maschinen, die für die Produktion von Waren benötigt werden. Kommt es zu ungeplanten Ausfallzeiten, hat das nicht nur negative Auswirkungen auf das eigene Unternehmen, sondern auch auf viele weitere Akteure der Supply Chain. Es gilt daher, Maschinenausfälle zu vermeiden. Oftmals erfolgt eine Maschinenwartung erst dann, wenn ein Schadensfall eintritt oder aber vorbeugend in definierten Zeit- oder Laufleistungsintervallen. Dabei ein sinnvolles Wartungsintervall zu finden, gestaltet sich oft als schwierig: Wird es zu klein gewählt, steigen die Wartungskosten auf ein unwirtschaftliches Niveau. Bei einem zu groß gewählten Intervall kann dagegen ein plötzlicher Maschinenausfall vor dem nächsten Wartungstermin eintreten. Abhilfe kann Predictive Maintenance schaffen. Dabei werden Daten von Sensoren und aus unterschiedlichen IT-Systemen gesammelt und ausgewertet, um den möglichen Ausfall einer Maschine zu erkennen, bevor es zum Stillstand kommt. Die erfassten Daten fließen dann in eine Datenbank, die für Big-Data-Analysen ausgelegt ist. Oft wird dabei auf die In Memory-Datenbank SAP Hana zurückgegriffen. In ihr werden neben den Maschinen- und Sensordaten auch betriebswirtschaftliche und technische Informationen aus ERP- und MES-Systemen gespeichert. Treten Veränderungen auf, die auf einen baldigen Maschinenstillstand hindeuten, schlägt das System Alarm. Beim Machine Learning wird ein System so trainiert, dass es eigenständig komplexe Muster und Gesetzmäßigkeiten in großen Datenpools erkennen kann. Zusätzlich kann das System Vorhersagen auf Basis bereits bekannter Daten treffen und Wahrscheinlichkeiten für das Eintreten unterschiedlichster Ereignisse errechnen. So kann der bestmögliche Zeitpunkt für eine Wartung ermittelt werden. Oftmals können die entsprechenden Arbeiten sogar im laufenden Maschinenbetrieb erfolgen, sodass keine geplante Downtime nötig ist.
Qualitätsprobleme erkennen
Qualitätsmängel werden oft erst dann bemerkt, wenn sie bereits aufgetreten sind. Oftmals folgen daraufhin Rückrufaktionen, die finanzielle Verluste sowie Imageschäden nach sich ziehen können. Durch eine Vernetzung der gesamten Produktionsanlagen sowie der Werkstücke stehen eine Vielzahl von Datenströmen und Informationen zur Verfügung, die dabei helfen können, Qualitätsprobleme zu beheben, bevor sie auftreten. Machine-Learning-Algorithmen sind durch Auswertung von historischen und aktuellen Sensor- sowie Maschinendaten in der Lage, Anomalien in Werkstücken zu finden, die sonst möglicherweise unbemerkt bleiben würden. Das Wissen, das durch ständiges Monitoring aller Anlagen und Werkstücke generiert wird, ermöglicht also rechtzeitiges Eingreifen. Auch das Ersetzen von physischen Qualitätstests, durch Prognosen auf Basis von Big Data, soll in naher Zukunft möglich und profitabel sein.
Visualisierung in der Cloud
Für die Visualisierung der Datenauswertung stehen unterschiedliche Tools zur Verfügung. Dabei stehen auch cloudbasierte Lösungen, wie etwa die SAP Analytics Cloud, zur Verfügung. Neben der kürzeren Einführungsphase im Vergleich zu On Premise-Systemen, entfallen dabei keine Initialkosten für benötigte Hardware. Dazu können Administrationsaufwände auf ein Minimum reduziert werden. Je nach Anwendungsfall bietet die Analytics Cloud verschiedene Diagrammtypen. Zudem können Dashboards und Stories zusammengestellt werden, die dann in PowerPoint-Präsentationen oder Mitarbeiter-Newsletter eingebaut werden können. Die Lösung ermöglicht auch die Nutzung von Tablets und Smartphones.
Innovationen entwickeln
Viele Unternehmen sind sich dem Potenzial neuer Technologien bewusst. Oft fehlt jedoch die Vorstellungskraft, wie eine Idee zur Wirklichkeit werden kann. An dieser Stelle setzt das Leonardo-Portfolio von SAP an. Es bietet eine technische Grundlage für die Entwicklung neuer Lösungen, die auf Technologien wie Machine Learning, Internet of Things, Blockchain, Big Data, Analytics oder Data Intelligence basieren. Andererseits beinhaltet das System mit dem Design Thinking aber auch einen strukturierten Ansatz zur Entwicklung innovativer Ideen. Die dazugehörigen Workshops finden in einer lockeren Atmosphäre statt, was die Kreativität fördern soll. Zu den typischen Teilnehmern gehören neben Entscheidern und Mitarbeitern aus der IT-Abteilung auch spätere Endanwender. In jedem Workshop ist ein Design Thinking Coach anwesend, der als neutraler Moderator agiert und durch den Prozess der Ideenfindung leitet. Mit dieser Herangehensweise können je nach Umfang der gefundenen Idee bereits nach wenigen Monaten Prototypen vorgestellt und getestet werden. Diese werden anschließend natürlich nicht verworfen, sondern bis zur Produktreife weiterentwickelt.
Das Internet of Things, Machine Learning und die Blockchain bieten für Unternehmen großes Potenzial, häufig fehlt aber ein Ansatzpunkt für die Umsetzung. Mit SAP Leonardo können Ansätze erkannt und Potenziale ausgeschöpft werden.
Produktionshallen sind gefüllt mit einer Vielzahl von komplexen, teils älteren, teils hochmodernen Maschinen, die für die Produktion von Waren benötigt werden. Kommt es zu ungeplanten Ausfallzeiten, hat das nicht nur negative Auswirkungen auf das eigene Unternehmen, sondern auch auf viele weitere Akteure der Supply Chain. Es gilt daher, Maschinenausfälle zu vermeiden. Oftmals erfolgt eine Maschinenwartung erst dann, wenn ein Schadensfall eintritt oder aber vorbeugend in definierten Zeit- oder Laufleistungsintervallen. Dabei ein sinnvolles Wartungsintervall zu finden, gestaltet sich oft als schwierig: Wird es zu klein gewählt, steigen die Wartungskosten auf ein unwirtschaftliches Niveau. Bei einem zu groß gewählten Intervall kann dagegen ein plötzlicher Maschinenausfall vor dem nächsten Wartungstermin eintreten. Abhilfe kann Predictive Maintenance schaffen. Dabei werden Daten von Sensoren und aus unterschiedlichen IT-Systemen gesammelt und ausgewertet, um den möglichen Ausfall einer Maschine zu erkennen, bevor es zum Stillstand kommt. Die erfassten Daten fließen dann in eine Datenbank, die für Big-Data-Analysen ausgelegt ist. Oft wird dabei auf die In Memory-Datenbank SAP Hana zurückgegriffen. In ihr werden neben den Maschinen- und Sensordaten auch betriebswirtschaftliche und technische Informationen aus ERP- und MES-Systemen gespeichert. Treten Veränderungen auf, die auf einen baldigen Maschinenstillstand hindeuten, schlägt das System Alarm. Beim Machine Learning wird ein System so trainiert, dass es eigenständig komplexe Muster und Gesetzmäßigkeiten in großen Datenpools erkennen kann. Zusätzlich kann das System Vorhersagen auf Basis bereits bekannter Daten treffen und Wahrscheinlichkeiten für das Eintreten unterschiedlichster Ereignisse errechnen. So kann der bestmögliche Zeitpunkt für eine Wartung ermittelt werden. Oftmals können die entsprechenden Arbeiten sogar im laufenden Maschinenbetrieb erfolgen, sodass keine geplante Downtime nötig ist.
abat AG
Dieser Artikel erschien in IT&Production Mai 2019 - 10.05.19.Für weitere Artikel besuchen Sie www.it-production.com