leanbi
27/03/2017

Seminar-Rückblick “Data Science in der Industrie 4.0”

Die mentale Hürde ist wie so oft die höchste: Zwar spricht beinahe jeder von der Notwendigkeit und Unaufhaltsamkeit der Digitalisierung (auch) in der Industrie, aber wie beginnt man, wo ist der beste Einstieg und in welchem Bereich lassen sich erste Erfolge am einfachsten realisieren? M&F Engineering AG in Fahrweid, seit mehr als 30 Jahren auf die Schwerpunkte Software-Entwicklung, automatisiertes Testen und Prüfsysteme fokussiert, veranstaltet mehrmals jährlich Seminare zu diesen und verwandten Themen. Am 21. März ging es vor allem um die Beantwortung obiger Fragen, und LeanBI war als Partnerfirma von M&F zu einer Handvoll Kurzvorträgern eingeladen.

Eine gelungene Veranstaltung

Um es gleich vorweg zu nehmen: Es war eine überaus gelungene und mit ca. 50 Teilnehmern auch vollständig ausgebuchte halbtägige Veranstaltung. Die verschiedenen Vorträge befassten sich mit sehr konkreten Themen wie Fast Prototyping für Data Science Projekte, dem Einsatz gängiger Machine-Learning-Algorithmen mit Beispielen und ihren jeweiligen Vor- und Nachteilen sowie den Ergebnissen eines Kunden-Workshops. Doch auch der Blick aus der «Helikopter-Perspektive» fand mit einem Beitrag zum Nutzen von Big Data Platz in der Veranstaltung.

big_data_nutzen

Die Kurzvorträge

  • Begrüssung und Einführung (R. Bättig, Geschäftsführer M&F Engineering AG)
    Reto Bättig startete die Veranstaltung pünktlich um 9:00 mit einem kurzen Abriss zu den Geschäftsfeldern und insbesondere zu dem ausgefeilten Trainee-Programm von M&F und der Vorstellung der Agenda.
  • Einführung LeanBI (M. Tesch, LeanBI AG)
    Eine kurze Vorstellung von LeanBI und die Darstellung typischer Data Analytics Use Cases markierten den Einstieg in den Fachteil.
  • Der Weg von Big Data zu Nutzen und Wert (W.Weber, LeanBI AG)
    Sämtliche Überlegungen zur Anwendungen digitaler Möglichkeiten sollten beim angestrebten Nutzen beginnen. Dieser «diktiert» über die Stationen «Wissen» und «Information» sozusagen im Rückwärtsgang, welche Daten erhoben und ausgewertet werden sollten. Ein Beispiel aus der Medizinaltechnik für einen solchen Weg illustriert diese Vorgehensweise.
  • Übersicht über die wichtigsten Algorithmen und deren Möglichkeiten (S. Pauli und J. Bovay, beide LeanBI AG)
    Was kann man aus den Geräuschen, welche eine Aufzugstüre beim Bewegen erzeugt, über den Zustand des Türsystems herauslesen? Ein einfacher Algorithmus gibt die Antwort. Oder: Was sind die (überraschenden) Erkenntnisse aus der Auswertung der Daten eines städtischen Velo-Verleihs? Ein wesentlicher Benutzerkreis der Velos sind «Sonntagsfahrer»! Das hätte zuvor niemand erwartet, erst ein Algorithmus zeigt diese Tatsache auf. Beginnend mit solchen praktischen Anwendungen erklärten die beiden Vortragenden exemplarisch vier verschiedene, aber stets einfach anwendbare Algorithmen, die häufig zum Einsatz kommen, sowie deren industrielle Einsatzmöglichkeiten. Auf einmal verliert die Sache ihren Schrecken und nutzbringende Anwendungen werden plastisch begreifbar.
  • Data Science Projekt-Beispiel: Geberit (R. Bättig, M&F Engineering AG)
    Bei einem vollautomatischen Prüfsystem bei Geberit bricht bei Fehlern in der Vorbereitung die Prüfung irgendwann ab. Dadurch geht Zeit geht verloren und die Prüfung muss wiederholt werden. Zusammen mit den Datenspezialisten von LeanBI wurde die Auswirkung eines häufig zu wechselnden Teststeckers untersucht; diesen erst zu tauschen wenn dies wirklich nötig wird (Predicitive Maintenance), reduziert den Verbrauch an neuen Steckern. Doch der eigentliche Nutzen zeigte sich dann plötzlich ganz woanders: Es gibt Prüfteams, deren Ausschussrate massiv niedriger als die anderer Teams ist. Unter Berücksichtigung des Datenschutzes lassen sich so mögliche Verbesserungen erkennen, deren Nutzen den von vorausschauender Wartung bei Weitem übersteigt.
  • Fast Prototyping: Inspiration, was möglich ist (S. Pauli, LeanBI AG)
    Mit der Methode des fast Prototyping ist es z.B. möglich, mittels einer ersten Datenanalyse und ohne grossen Aufwand grundlegende Erkenntnisse über komplexe Produktionsverfahren zu gewinnen. Diese sind als Basis für eine Qualitäts-stabile Produktion und deren Optimierung von grossem Nutzen. S. Pauli zeigte das im Abschluss-Vortag u.a. am Beispiel der Herstellung von Dialysefiltern.

Fazit

Der Einstieg in die Gebiete des Machine Learning und der industriellen Datennutzung ist viel weniger kompliziert als gedacht: Schon die erste Anwendung einfach zu bedienender Algorithmen liefert erste wertvolle Erkenntnisse und vor allem Antworten auf Fragen, die man zu Beginn gar nicht gestellt hatte. Aber genau diese Antworten weisen den richtigen Weg für die weitere Untersuchung der Systeme und ihrer Optimierung. Und wenn man parallel zu diesen praktischen Anwendungen stets deren erforderlichen Nutzen herausarbeitet und beachtet, ergeben sich weittragende digitale Lösungen.

Kurz zusammengefasst: Ohne Scheu anfangen, auch wenn man anfangs vielleicht noch gar nicht genau weiss, wohin die Reise gehen wird. Der weitere nutzbringende Weg wird oft erst durch die überraschenden Ergebnisse erster Datenauswertungen klar.
Auf geht’s!

admin
Letzte Artikel von admin (Alle anzeigen)