Jahr: 2016

Mit Predictive Analytics (Vorausschauender Analytik) können wir Qualitäten besser kontrollieren. Und wir können den Herstellprozess damit optimieren. Im Folgenden wird aufgezeigt, wie wir dabei vorgehen.

Wir kennen die Methoden der Prozessoptimierung wie TQM (Total Quality Management), Kaizen, Six Sigma, FMEA (Fehlermöglichkeit- und Einflussanalyse) oder Lean Management. Alle diese Methoden haben zum Ziel, die Prozesse in den Industrien (kontinuierlich) zu verbessern. Und alle diese Methoden haben vielen Industrien einen hohen Qualitätsstandard verschafft. Die Prozessoptimierung mit Predictive Analytics ist keine neue Methodik in dieser Kategorie, sondern unterstützt bestehende Qualitätsmethoden in zusätzlichen Dimensionen. Denn um einen Prozess mit Qualitätsmethoden optimieren zu können, muss immer und immer mehr gemessen werden. Nur wenn Daten vorhanden sind, kann auch Wissen generiert werden. Und eine Datenanalyse kann man unterschiedlich intensiv betreiben. Predictive Analytics geht die Datenanalyse so an, dass Schwankungen im Prozess frühzeitig erkannt werden und damit der Prozess gegebenenfalls auch gesteuert werden kann.

Abb.1: Methoden der Prozessoptimierung und Predictive Analytics

In der Produktion fallen viele Messdaten an. Diese werden teilweise in den MES (Manufacturing Execution Systems) oder computerunterstützen Steuerungen gespeichert. Das Monitoring und die Steuerung haben zum Ziel, den Produktionsprozess möglichst stabil zu halten. Viele der dabei anfallenden Daten sind in dieser Form ein Wegwerfprodukt des Anlagen-Monitoring und der Anlagensteuerung. Die Daten lassen sich aber zusätzlich nutzen, mit Predictive Analytics.

Denn innerhalb eines Prozesses treten immer Fluktuationen der Eingangs- und Umgebungsgrössen auf, die keine Regelgrössen sind, die sich aber trotzdem in Schwankungen der Produktqualität manifestieren. Diese Fluktuationen sogenannter Einflussparameter können sich im Sekundenbereich, Stunden, Tages- oder Wochenbereich abspielen und überlagern sich gegenseitig in ihrer Auswirkung. Zum Beispiel weisen sowohl Zwischen- wie Endprodukte Qualitäts-Fluktuationen in unterschiedlichster Schwankungsbreite auf. In der Prozessindustrie werden periodisch Proben gezogen, die sich im Labor analysieren lassen. Solche Resultate fliessen zeitverzögert in den Prozess zurück, mit dem Ziel auftretende Schwankungen der Produktqualität möglichst klein zu halten. Materialproben können nicht Schwankungen im Minuten oder Sekundenbereich detektieren und geben auch keinen Ausschluss auf die Ursachen der Schwankungen, sind aber nichtsdestotrotz notwendig. Mit vorausschauender Analytik versuchen wir Fluktuationen frühzeitig zu erkennen, um den Herstellprozess entsprechend zu steuern. Wir wollen damit Qualitätsschwankungen im Keim ersticken. Nicht nur Probenentnahmen werden reduziert oder gar hinfällig, sondern die Qualitäten schwanken sehr viel weniger.

Wie gehen bei Predictive Analytics vor?

Zuerst nehmen wir eine Liste von Parametern auf, die einen Einfluss auf den Herstellprozess haben könnten. Das sind neben den typischen Anlagenmesswerte auch Einflussfaktoren wie Materialschwankungen von Eingangsmaterialien (deren Qualitätswerte häufig vorliegen), Wettereinflüsse, die sich in Messgrössen wie Aussentemperaturen und Feuchtigkeit niederschlagen, Luftkonvektionen in den Fabrikhallen oder individuelle Maschinenführerdaten, deren Einfluss bislang nicht quantifizierbar war. Es kann also erforderlich sein, zusätzliche Messpunkte zu definieren, um einen möglichen Einfluss dieser Parameter analysieren zu können.

Und dann gehen wir über zur Analytik:
Zuerst nehmen wir die vorhandenen Daten und bereinigen diese bezüglich Ihrer Datenqualität. Dann wenden wir an diesen gefilterten Daten spezielle Visualisierungs- und Analysetechniken an. In Zusammenarbeit mit den Spezialisten in den Firmen können wir bereits in dieser ersten Phase neue Erkenntnisse über den Prozess gewinnen, schon bevor wir algorithmische Modelle anwenden.

Abb 1. Methodisches Vorgehen bei Anwendung der Predictive Analytic (Vorausschauende Analytik)

Erst im nächsten Schritt gehen wir in die Modellierung über. Dabei wenden wir keine physikalischen, sondern in erster Linie phänomenologische Modelle an. Wir wählen also für die konkrete Aufgabenstellung einen geeigneten Algorithmus aus. Wir trainieren das Modell zu diesem Algorithmus mit einem Teil-Set der vorliegenden historischen Daten und überprüfen dann die Richtigkeit der Modelle mit mehreren anderen historischen Teil-Sets.

Dann wird das Modell im realen Umfeld erprobt. Sollte das Modell die Wirklichkeit noch ungenügend widerspiegeln werden die nötigen Massnahmen getroffen um das Modell zu verbessern. Fehlen beispielsweise Einflussparameter, werden diese neu ins Modell aufgenommen. Möglicherweise haben wir noch nicht genügend Daten gesammelt und müssen dann zurück in den Herstellprozess und zusätzliche Daten erfassen. Dabei wählen wir neue Messpunkte mit hoher Einflusswahrscheinlichkeit.

Wenn wir anschliessend beispielsweise herausfinden, dass die Feuchtigkeit einen Einfluss auf die Produktqualität hat, kann man entsprechende Gegenmassnahmen treffen, indem man die Feuchtigkeitsschwankungen versucht zu verhindern. Die Massnahme an der Quelle- immer die beste- ist aber nicht jederzeit möglich. Dann muss der Prozess aufgrund der Feuchtigkeitsmessung gesteuert werden. Das übernimmt jetzt das Modell: es hat das gesamte Wissen der Vergangenheit gespeichert und kann daraus spezifische Steuergrössen errechnen. Und mit zusätzlichen Messdaten lernt das Modell kontinuierlich hinzu. Das Modell wird über die Zeit immer besser, bzw. passt sich auch an ändernde Prozessverhältnisse an.

Fazit

Die Firma gewinnt dabei in mehrfacher Hinsicht:

• Sie lernt Ihren eigenen Herstellprozess besser zu verstehen.
• Sie kann damit Prozessverbesserungen ausführen, die über die Möglichkeiten der Qualitätsmethoden hinausgehen.
• Sie kann das Modell als Steuergrösse für die Produktqualität verwenden und damit Schwankungen in der Qualität reduzieren.

Notabene: Das sind keine grossen Projekte, von denen wir hier reden. Denn die Applikationen stehen auf Abruf vollumfänglich bei LeanBI zur Verfügung und schon nach wenigen Tagen lassen sich neue Erkenntnisse erzielen.

Manche Digitalisierungen werden umgesetzt, weil sie technisch möglich sind oder weil „man ja endlich auch etwas machen möchte“. Doch ein methodisches Vorgehen muss stets beim Kundennutzen beginnen – und nicht beim Machbaren.

Ca. 40 Teilnehmer erschienen am Freitagmorgen, 27. Mai, zu der von LeanBI AG organisierten Veranstaltung der Jedox-Worldtour im Hotel «Schweizerhof» in Bern.
Die inhaltlich breit aufgespannte Agenda umfasste einerseits übergeordnete Themen wie Betrachtungen zum Potential der intelligenten Analytik (K. Stockinger, ZHAW) und zum Nutzen der Digitalisierung (W. Weber, LeanBI AG). Andererseits kamen aber auch sehr operative Aspekte zur Sprache: erste Erfahrungen mit Big Data im Controlling (M. Pittino, Bell AG) und eine Demo zur Kombination von BI und Data Science (S. Pauli u. A. Lagüe-Jacques, beide LeanBI AG). Abgerundet wurde der Vormittag von J. Rieth, Jedox AG, mit einem Beitrag zum Produktionscontrolling mit Jedox.
Die Agenda war gezielt auf das ebenso weit gefächerte Auditorium zugeschnitten: anwesend waren Vertreter aus der Industrie, von Hochschulen und Beratungsunternehmen, aber auch Firmenteilnehmer aus den Fachdisziplinen Marketing und Finance.

M. Tesch, LeanBI AG eröffnete den Vormittag pünktlich um 8:58 und zeigte mit seiner kurzen und sehr prägnanten Einleitung einige aktuelle Beispiele von digitalisierten Alltagsprodukten. Besonders eindrücklich war ein kurzer Film mit dem Ausblick auf das Jahr 2028: Demzufolge sind in den kommenden 12 Jahren gewaltige gesellschaftliche und technische Änderungen zu erwarten. Die Digitalisierung wird sich diesen Veränderungen unaufhaltsam anpassen und damit unser Leben in bisher ungeahnter Weise verändern. Eine gelungene Einleitung zu den folgenden Vorträgen!
Als erster redner zeigte Kurt Stockinger von der ZHAW anhand der zwei Beispiele «Market Monitoring» und «Smart Alarms» erste nützliche Anwendungen von Industrie 4.0: wie kann Kundenverhalten vorhergesagt werden bzw. wie kann man (teure) Fehlalarme von echten Alarmsituationen unterscheiden? Sein Fazit: Die in solchen Projekten gewonnene Erfahrung sollte auf dem weiteren Weg in die digitalisierte Zukunft unbedingt genutzt werden.

Anschliessend wurde es mit dem Erfahrungsbericht von M. Pittino (Bell AG) sehr konkret: Die Bell AG setzt Jedox mit grossem Erfolg für die konzernweiten Abschluss- und Planungsprozesse ein. Basierend darauf können z.B. Berichte für das Management und den Verwaltungsrat in einem Bruchteil der bisher dafür erforderlichen Zeit erstellt werden. M. Pittino spricht in diesem Zusammenhang bescheiden von einem «realisierten Stand Industrie 2.0.», aber auch bei Bell bleibt man weiter am Ball!

Türstörungen im Bahnverkehr können sich zu einem grossen Problem auswachsen, wenn sie den Fahrplan durcheinanderbringen. Und so zeigten nach der Kaffeepause S. Pauli und A. Lagüe-Jacques (beide LeanBI AG) mit einer Schritt-für-Schritt-Analyse von echten «Türdaten» einer Bahngesellschaft, wie man zu belastbaren Vorhersagen bzgl. solcher Störungen kommen kann. Diese Vorhersagen sind für die Bahngesellschaft von grossem Nutzen, erlauben sie doch eine vorausschauende Wartung und ein aktives Risikomanagement mittels der Bereitstellung von Ersatzzügen, um die Häufigkeit ärgerlicher und vor allem imageschädigender Zugverspätungen zukünftig stark zu verringern.

Man kann zwar Vieles im Bereich der Digitalisierung umsetzten, aber wie lassen sich «Spielereien» von wirklich nützlichen Anwendungen systematisch unterscheiden? Und wie entstehen die vielbeschworenen «neuen Businessmodelle» durch Anwendungen von Industrie 4.0? W. Weber von LeanBI AG gab in seinem Beitrag mittels eines bereits 15 Jahre alten Medizintechnik-Anwendungsbeispiels zur Digitalisierung Antworten auf diese zwei Fragen: Der Ausgangspunkt zur Nutzenbestimmung muss immer die jeweilige Kunden- oder Geschäftssituation – gewissermassen eine «Not» – sein, und der methodische Weg muss dann gewissermassen rückwärts über die Zwischenschritte «Wissen» und «Information» bis hin zu den «(Roh-)Daten» beschritten werden. So lässt sich eindeutig bestimmen, welche Daten erhoben werden müssen. Und auch erst dann sollte eine erfolgsversprechende operative Umsetzung in Angriff genommen werden. Denn nur auf diese Weise werden aus der Vielfalt der grundsätzlich denkbaren neuen Geschäftsmodelle diejenigen herausgefiltert, die ein Nutzen-basiertes Fundament haben.

Die Veranstaltung wurde pünktlich um 11:57 mit einem Vortrag von J. Rieth (Jedox AG) abgeschlossen. Sein Thema war die Vereinfachung von Reporting, Planung und Analyse im industriellen Umfeld durch den Einsatz von Jedox. Zentraler Punkt ist dabei, nicht einfach nur Daten zu sammeln, also «Big Data», sondern die richtigen Daten zu sammeln, gewissermassen «Smart Data». Und bei deren Verarbeitung setzt die Firma u.a. auf die Parallelisierung von Grafikprozessoren und erreicht so eine hohe Analysegeschwindigkeit.

Fazit:
Eine sehr gelungene Veranstaltung in einem sehr schönen Ambiente. Mit vielen interessanten Diskussionen rund um’s Thema und vielversprechenden neuen Kontakten. Und der Erkenntnis: Die Digitalisierung läuft bereits und wir sind gespannt die weitere Entwicklung – zu der wir unseren Teil beitragen.

Den Link zu allen Vorträgen finden Sie unter dem folgenden Link: Die Industrie 4.0 Vortäge als pdf.

Die Themen IoT und Industrie 4.0 sind auch in Schweiz in aller Munde. Doch so richtige konkrete Anwendungsfälle muss man eher mit der Lupe suchen. Eine Konferenz bringt dabei durchaus Licht ins Dunkel.

Das war richtiges „Business-Speed-Dating“: Einzelgespräche von jeweils genau 15 Minuten Dauer, teilweise in ununterbrochener Reihenfolge und über bis zu 2.5 Stunden hinweg.

Am 19. Mai 2016 war LeanBI mit drei Mitarbeitern einer der fünf Lösungsanbieter auf der „IoT-Konferenz“ im Marriott-Hotel in Zürich – von Management Events übrigens ganz vorzüglich organisiert.

Diesen fünf Anbietern standen mehr als 80 Gäste gegenüber, die mit den unterschiedlichsten Fragen und Anliegen zum Thema IoT kamen.

Das Prozedere:
Im Vorfeld der 1-tägigen Veranstaltung waren die maximal 3 x 10 Wunsch-Gesprächspartner von LeanBI nach Recherchen jeweils zur Person und zum Unternehmen aus der Gesamtliste der Teilnehmer ausgewählt und mit einem personifizierten Anschreiben zu den 15-minütigen 1-zu-1-Gesprächen eingeladen worden. Sechs Keynote-Vorträge und vier Gruppendiskussionen ergänzten diese Gespräche.

Diese waren der Kern des Programms und hatten vorrangig das Ziel, das IoT-Anliegen des jeweiligen Gegenübers zu verstehen. Die Gespräche wurden stets mit einer kurzen Vorstellung der eigenen Person und des Angebotsspektrums von LeanBI eingeleitet, dann aber war vor allem für LeanBI Eines angesagt, nämlich Zuhören! Und dies mit den drei Leitfragen:

• Wo sehen Sie das grösste Potential von IoT in Ihrer Firma?
• In welchem Status befinden Sie sich bzgl. dieses Themas?
• Und in welchem Bereich könnten wir Sie bei diesem Vorhaben evtl. unterstützen?

Obwohl die Situationen im jeweiligen Unternehmen und die Anliegen der Gesprächspartner im Einzelnen recht unterschiedlich waren, kristallisierte sich doch bald ein klares Gesamtbild heraus:
fast alle Unternehmen stehen bzgl. IoT noch sehr am Anfang.
Und es ist durchaus nicht nur die meist fehlende Antwort auf die wichtige Frage, welches die vielbeschworenen neuen (individuellen) Business-Modelle sein könnten, welche die Firmen unruhig macht.
In mindestens der Hälfte der Gespräche wurde auch deutlich, dass im Rahmen der zunehmenden Digitalisierung insbesondere die betreffende Unternehmenskultur ein zentrales und absolut erfolgsentscheidendes Betrachtungselement sein würde:
Als Haupthindernisse wurden dabei „weiche“ Faktoren wie u.a. Frontenbildung zwischen langgedienten und neuen Mitarbeitern, Silodenken der involvierten Bereiche und lauwarmes (bis gar kein) Interesse der Unternehmensleitung genannt.

Ein ganz ähnliches Bild zeigte sich auch während eines Round-Table zu Beginn der Veranstaltung und zumindest in der Gruppendiskussion, die von LeanBI moderiert wurde: kaum ein Unternehmen kann derzeit auf tatsächlich realisierte IoT-Projekte verweisen.
In einigen Firmen werden zwar schon fleissig Daten gesammelt und angehäuft, aber man weiss nicht so recht, was damit anzufangen ist. Auch existieren teilweise bereits Ideen zu neuen Businessmodellen wie z.B. im Bereich Gastronomie („wie kann das Angebot besser an die Kundenströme angepasst werden?“) oder bei Maschinen- und Apparatebauern („lässt sich mit „Product-as-a-Service“ zukünftig Umsatz generieren?“). Doch wirklich konkret ist bislang nur Weniges.
Anders gesagt: Die Datengrundlage ist oft schon da, aber die use cases fehlen.

Ein weiteres und deutliches zentrales Firmenanliegen ist die Analyse der vorhandenen Daten: diese Expertise fehlt ganz offensichtlich in vielen Firmen, d.h. dies ist ein Bereich, in welchem LeanBI bei Bedarf gute Unterstützung bieten kann.
Darüber hinaus regen Teilnehmer auch die vermehrte Zusammenarbeit zwischen Firmen an, und zwar nach dem Motto „can we beat Google?“. Damit ist die Nutzung bereits vorhandener Kenntnisse in der Datensammlung und -Auswertung unabhängig von den „Grossen“ gemeint.

Übrigens:
Management Events als Organisator der Veranstaltung plant, die beiden IoT-Konferenzen in 2017 an einem deutschen Standort zusammenzulegen. Der Grund dafür ist eine allgemein deutlich grössere Akzeptanz des Themas in Deutschland, so dass man sich von einem dortigen Austragungsort eine spürbare Belebung der schweizerischen IoT-Aktivitäten erhofft.

Fazit:
Eine sowohl für die Gäste als auch für LeanBI sehr lohnende Veranstaltung mit einer ausgesprochen freundlichen Atmosphäre und einer sehr offenen Gesprächskultur, zudem hervorragend organisiert. Die Teilnahme von LeanBI war in jeder Hinsicht sinnvoll.

In der heutigen Ausgabe der NZZ ist ein Artikel [Link] erschienen, der die Fortschritte der künstlichen Intelligenz anhand der Durchbrüche im Machine Learning darstellt. So hat Google kürzlich eine Software entwickelt, die im Stande ist, einen der besten Spieler des chinesischen Brettspiels Go zu schlagen. Ist es beim Schach schon lange Konsens, dass wohl kein Weltmeister mehr einen Schachcomputer schlagen wird, so gilt dies im „asiatischen Schach“ als kleine Sensation. Das sehr viel komplexere Spiel verlangt einer Software aufgrund der unzähligen Variationsmöglichkeiten ab, dass sie „selber lernen“ kann, da lange nicht alle möglichen Spielsituationen gespeichert werden können. Ähnlich zum Fall Google hat der Automobilhersteller Tesla ein selbstfahrendes Auto entwickelt, welches in unterschiedlichen Verkehrssituationen intelligente Entscheidungen treffen kann. Es hält auf der Autobahn automatisch die Geschwindigkeit, beschleunigt, bremst ab oder wechselt die Spur.

Der Kern dieser Fähigkeit von Maschinen, selbstständig Entscheidungen zu treffen, sind Daten. So kann der Algorithmus von Tesla zum Beispiel auf eine riesige Datenbank von Millionen von gefahrenen Meilen zurückgreifen, mit deren Hilfe er sich ständig verbessert, also „lernt“. Dank Hochleistungscomputer und riesigem Datenpool kann der Komplexitätsgrad des Algorithmus erhöht werden. So lernt die Software dank steigender Komplexität mehr Standardsituationen zu erfassen und zu verarbeiten, was zu intelligenteren Entscheidungen führt.

Die Algorithmen von industriellen Maschinen mögen zwar nicht so komplex sein wie jene eines selbständig fahrenden Autos, aber das Prinzip funktioniert auf gleiche Weise. Die Maschinen generieren durch ihren täglichen Betrieb eine Unmenge an Rohdaten, welche für das Training der Algorithmen verwendet werden. Mit zunehmender Laufzeit der Maschinen und einer dementsprechend umfassenderen Datensammlung können die Algorithmen komplexere Probleme lösen, beispielsweise Maschinenstörungen besser und frühzeitiger voraussagen. Durch diesen Kreislauf verbessert sich eine Maschine also ständig und lernt durch selbst erfasste und aufbereitete Daten immer mehr dazu. Dieser Prozess erlaubt es kleineren Industriebetrieben zudem, mit einfachen Fragestellungen zu beginnen, die dank zielgerichteter Datenauswertung stetig an Komplexität gewinnen und durch dieses „Dazulernen“ mitwachsen.

Big Data wird als Schlüssel zu diesem Machine Learning also zunehmend wichtiger. Je mehr Daten erfasst und verarbeitet werden, desto schneller und effizienter kann eine Maschine ihre Funktionen ausbauen und verbessern. Dank einem niederschwelligen Einstieg in die Welt von Big Data ist es auch KMUs möglich, das zukunftsweisende Konzept des Machine Learning in ihren Industriebetrieben einzusetzen. Die Technologie der lernenden Maschine findet darum nicht nur in spielerischen Innovationen wie einem Go-Computer Anwendung, sondern kann auch für Predictive Maintenance eingesetzt werden. Sie erlaubt einer Textilverarbeitungsmaschine, eine mögliche zukünftige Störung vorauszusehen und den zuständigen technischen Leiter per SMS zu alarmieren.

Mehr Informationen auf zu den Themen Big Data und Industrie 4.0 finden Sie auf unserer Homepage.