Alles hängt irgendwie zusammen
Aber es muss nicht immer Big Data sein
Auch kleinere Datenmengen haben hohe Relevanz für Ihr Business.
ie arbeiten in der Chemie, angenommen
im Labor. Oder in der Produktionsanlage.
Ihre Aufgabe ist es, wichtige
Eigenschaften Ihres Produkts präzise zu prognostizieren
– doch dafür wollen Sie weniger Zeit
als bisher aufwenden. Gleichzeitig soll Ihre Anlage
mehr produzieren. Das Potenzial dafür hat sie,
doch bisher erlauben die Spezifikationsgrenzen
keinen maximalen Durchsatz der Anlage. An dieser
Stelle kommen die vielen Daten ins Spiel, die
Sie bereits besitzen.
Im konkreten Fall sähe das so aus: Ihre Prozesswerte
könnten bei normaler Produktion mit
Zeitstempeln aufgezeichnet werden. Daraufhin
ließen sich relevante Messwerte identifizieren, ein
vollautomatisches Modell ließe sich bilden und
das Modell wiederum mit unbekannten Daten
validieren. Anschließend wird das Modell an die
Prozesssteuerung angebunden und die Modellprognose
als „Messwert“ übernommen. Ein
Mehrgrößenoptimierer setzt auf das Modell
auf und weist den Weg zu einer optimierten
Produktion.
Das Ergebnis könnte sich sehen lassen: Durch
dichteres Heranfahren an die erlaubten Spezifikationsgrenzen
würde der Ausstoß maximiert, und
die Produktionskosten ließen sich bis zu über acht
Prozent reduzieren.
Schön wär’s?
Ist es tatsächlich, das Beispiel ist nicht aus der Luft
gegriffen: Genau diesen Use Case beschreibt der
VDI in seinem Statusreport „Chancen mit Big
54 INDUSTRIE-GUIDE 2017/18
Data“. Es ist eins von 16 Anwenderbeispielen,
und alle Ergebnisse zeigen, wie groß der Nutzen
ist, den geeignete Big-Data-Methoden zugänglich
machen. Am Ende stehen wirtschaftliche und
ökologische Effekte, die auch zu einem erheblichen
gesamtwirtschaftlichen Nutzen beitragen.
Wo fange ich an?
Im Yokogawa-Blog gibt die Datenexpertin
Dr. Silke Müller einen gründlichen Einblick in die
Materie. Und stellt zunächst einmal klar: Es muss
nicht immer gleich Big Data sein. Egal, wie viele
Daten Sie haben, wirtschaftliche Effekte erreichen
Sie durch eine Datenanalyse. Deren Ergebnis lässt
uns wissen, was wir wo, wann und wie optimieren
können.
Eine Datenanalyse kann zugegebenermaßen sehr
umfangreich sein, lässt sich aber auf fünf Schritte
herunterbrechen: Define. Measure. Analyse.
Improve. Control.
Im Blog erklärt die Expertin sehr genau, welche
Fragen Sie sich stellen, was Sie im Workflow
beachten und in welche Fallen Sie nicht tappen
sollten.
Welche Methoden gibt es?
Viele. Yokogawa nutzt für die Datenanalyse u. a.
die eigens entwickelte Software Process Data
Analytics, die auf einem Mustererkennungsverfahren
– der Mahalanobis-Taguchi-Methode –
basiert. Durch die Berechnung der sogenannten
Mahalanobis-Distanz lassen sich Anomalien im
Prozess detektieren. Zusätzlich bekommen Sie
S