Darstellung des Maschinenzustands in AWS

Eine manuelle Überwachung ist auf Grund dieser Menge hier schlicht unmöglich. Die Überwachung muss automatisiert stattfinden. Zeigen sich Probleme beim Auto oft durch einen lauten Knall oder andere einfach wahrnehmbare Signale, ist es in der Industrie leider komplizierter. Grosse Datenmengen müssen durch komplexe Prozesse automatisiert analysiert werden. Jedoch übersteigen der Nutzen von Predictive Analytics deren Kosten bei weitem. Zum Beispiel wird die Zeit für Wartung drastisch reduziert, Ersatzteile sind stets vorhanden und die Uptime ihrer Maschinen und Geräte wird gewährleistet. Eine genauere Beschreibung dieser Punkte finden Sie im nächsten Abschnitt. Gerne beraten wir Sie dabei, wie auch Sie ihre Prozesse durch Predictive Analytics optimieren und somit Kosten minimieren können. Im Folgenden wird beschrieben, wie ihr Business von Predictive Analytics profitiert und wie eine solche Lösung konkret in der AWS-Cloud umgesetzt werden kann.

Ohne den Zustand von Maschinen automatisiert zu überwachen und zu analysieren, kommt es zu diversen Herausforderungen. Drei solcher Fälle, welche ohne Predictive Analytics am häufigsten auftreten, werden in unterer Abbildung zusammengefasst.

Die drei grössten Herausforderungen, welche ohne Predictive Analytics auftreten, betreffen die Wartung, die Ersatzteile und Service Level Agreements (SLAs).

• Wartung: Ohne Predictive Analytics ist die Wartung deutlich ineffizienter. Üblicherweise werden Geräte in einem festgelegten zeitlichen Intervall gewartet. Beim Grossteil dieser Inspektionen kann kein Problem an dem Gerät festgestellt werden, was bedeutet, dass die investierte Zeit und somit auch die Kosten nicht nötig gewesen wären. Unter Ausnutzung von Predictive Analytics hängt die Wartung im Wesentlichen vom Zustand der Maschine ab. Es gibt weiterhin zeitlich festgelegte Wartungen, jedoch in einer deutlich geringeren Frequenz. Zielgenaue Wartungen werden bei akuten Problemen vorgenommen. Hierbei bedeutet zielgenau nicht nur, dass eine Wartung nur bei zu erwartenden Problemen vorgenommen wird, sondern, dass die Art der Wartung (entsprechende Techniker:innen, Werkstatt, etc.) dem Problem entsprechend gewählt wird.
• Ersatzteile: Ohne Predictive Analytics kommt es ausserdem zu einem Fehlen der benötigten Ersatzteile. Ist das benötigte Ersatzteil nicht vorhanden, kann es bei einer Bestellung zu langen Wartezeiten kommen. Weiterhin kommt es vor, dass Lieferanten für schnelle Lieferzeiten extrem hohe Gebühren fordern. Mit einem durch Predictive Maintenance zeitlich aktuellen Überblick über den Zustand der Maschinen kann kurz- bis langfristiger Bedarf von Ersatzteilen identifiziert und entsprechende Bestellungen ausgeführt werden. Typischerweise werden akute Bedarfe in einem Dashboard für das Supply-Chain-Team visualisiert, es können jedoch auch für bestimmte Fälle automatisierte Bestellungen ausgelöst werden.
• Service Level Agreements (SLAs): Ohne Predictive Analytics können hohe Strafzahlungen durch Verletzung von SLAs anfallen. Verkauft oder vermietet eine Firma ihre Geräte, sind typischerweise SLAs involviert. Diese spezifizieren im Wesentlichen die Uptime von Geräten. Vertragsverletzungen durch zu lange Ausfälle führen zu hohen Strafzahlungen. Durch Predictive Maintenance können diese Ausfälle durch obere beide Punkte – die effiziente Wartung und das Vorhandensein von Ersatzteilen – deutlich reduziert werden. Die aus den SLA-Verletzungen resultierenden Strafzahlungen werden somit deutlich reduziert oder entfallen sogar komplett.

Obere Punkte zeigen, wie ihr Unternehmen von Predictive Maintenance profitieren kann. In nachfolgendem Abschnitt beschreiben wir, wie das Vorgehen zur erfolgreichen Umsetzung einer Predictive Analytics-Lösung in Ihrem Unternehmen aussehen kann.

Die Umsetzung einer Lösung im Bereich Predictive Analytics ist abhängig vom Geschäftsmodell des Kunden oder der Kundin. Jede Umsetzung ist anders und hängt von den speziellen Kund:innenanforderungen und -wünschen ab. Das Vorgehen zur Umsetzung einer Lösung im Bereich Predictive Analytics ist dabei ein iterativer Prozess, bei dem der Kunde oder die Kundin ständig eingebunden ist, um sicherzustellen, dass die Anforderungen und Wünsche effektiv umgesetzt werden. Trotz des individuellen Prozesses kann dieses Vorgehen in gewissem Masse formalisiert werden. Um eine massgeschneiderte Lösung anbieten zu können, werden diverse Schritte abgearbeitet. Einen Überblick über diese Schritte liefert untere Abbildung.

In einem ersten Schritt geht es darum, die konkreten Herausforderungen fürs Business zu verstehen. Erst wenn diese Anliegen verstanden sind, können konkrete Ziele definiert werden, um diese zu lösen. Anschliessend geht es darum, die vorhanden Datenquellen auszuwerten. Nur mit den entsprechenden Daten ist es auch möglich, die Ziele zu erreichen. Wird festgestellt, dass die vorhandenen Ziele mit den verfügbaren Daten nicht erreicht werden können, müssen neue Datenquellen hinzugeschaltet werden. Dies bedeutet z.B. die Ausstattung der Geräte mit neuen Sensoren. Sind genügend Daten vorhanden, werden die gewonnenen Informationen mit dem Kunden oder der Kundin diskutiert. Hierbei wird insbesondere darauf eingegangen, in welchem Masse die definierten Ziele erreicht werden können. Bisher hat sich die Auswertung auf historische Daten bezogen, um definieren zu können, ob diese zur Erfüllung der Ziele ausreichend sind. Ist sichergestellt, dass dies gegeben ist, wird eine IT-Architektur für die Predictive Maintenance Lösung mit Live-Daten erstellt und ein Prototyp umgesetzt. In diesem Prototyp werden die wesentlichen Funktionen der Predictive Analytics Lösung umgesetzt. Nach Fertigstellung sieht der Kunde oder die Kundin somit eine fertige Lösung mit den wesentlichen KPIs, automatisierten Meldungen, etc. Dieser Prototyp wird in einem iterativen Vorgehen verfeinert, bis alle Kund:innenwünsche erfüllt sind und die Anwendung produktiv geschaltet werden kann. Mit der Produktivschaltung wird neben dem Produkt zusätzlich die Dokumentation übergeben, welche eine technische sowie fachliche Beschreibung der Anwendung liefert. Zusätzlich wird ein Monitoring bereitgestellt, welches die technische Überwachung der Anwendung erlaubt.

Im nachfolgenden Abschnitt wird die technische Umsetzung einer solchen Lösung in der AWS-Cloud beschrieben.

In diesem Abschnitt beschrieben wir die konkrete Umsetzung einer Predictive Analytics Lösung in der AWS-Cloud. Eine Übersicht über die Architektur bietet untere Abbildung.

Diese Abbildung zeigt eine Architektur in der AWS-Cloud zur Umsetzung einer Predictive-Analytics-Lösung. Die wesentlichen Schritte werden nachfolgen in Form von Stichpunkten bzgl. der Abbildung beschrieben.

• In einem ersten Schritt werden die Datenquellen an die AWS-Cloud angebunden. In diesem Beispiel gibt es drei Arten von Daten:

  • Streaming: Die Sensordaten (Feuchtigkeit, Vibration, Temperatur, …) der Geräte liefern kontinuierlich Informationen und werden über Amazon Kinesis Data Streams angebunden.
  • Logs: Log-Files über den Zustand von Geräten werden über AWS DataSync angebunden.
  • Datenbanken: Informationen aus externen Datenbanken – z.B. Informationen über die Maschinen - können mittels AWS Glue angebunden werden.

• Die Daten aus den angebundenen Quellen werden in einen Amazon S3 Bucket abgelegt. Wichtig ist hierbei, dass in einem initialen Schritt die Daten in ihrem Rohformat abgelegt werden, damit es zu keiner Manipulation der Daten kommt.
• Die Daten werden mittels AWS Glue in einen anderen S3 Bucket transportiert. Hier kommt es zu einer Normalisierung der Rohdaten: Filterung offensichtlicher Fehler, Anpassung von Datentypen, Umsetzung fachlicher Vorgaben,etc.
• Durch die vorhandenen Logs ist ersichtlich, wann welche Maschinen Probleme hatten. Diese Information – in Kombination mit Sensordaten – wird dazu genutzt, Modelle zu trainieren, welche

  • vorhersagen können, ob es bei einem Gerät zu akuten Problemen kommt oder
  • wie hoch die die erwartete verbleibende Laufzeit des Gerätes (Remaining Useful Life RLU) ist.

• Sind diese Modelle trainiert, können diese Modelle auf die aktuellen Daten angewendet, und Live-Informationen über den Zustand der Geräte liefern. Die gesammelten Informationen werden in einem weiteren S3 Bucket abgelegt.
• Eine Sammlung der Informationen folgt in einer Amazon Redshift Datenbank, welche durch den OLAP-Fokus auf effiziente analytische Abfragen ausgelegt ist.
• Die User können mittels eines API-Gateways auf die vorhandenen Daten mittels Dashboards (QuickSight) zugreifen oder Zugriff auf die Redshift Datenbank erhalten.
• Um einen Zugriff auf alle verfügbaren Daten zu erhalten, können effiziente Abfragen auf den normalisierten S3-Bucket mittels Amazon Athena durchgeführt werden.
• Kommt es zu offensichtlichen Problemen (welche z.B. durch festgelegte Regeln definiert werden können), werden automatisierte Meldungen über Amazons Smart Notification System (SNS) an User (mittels Whatsapp, Teams, …) versendet.

Die in obiger Abbildung dargestellte Architektur liefert somit Informationen über den Live-Zustand aller angebundenen Geräte (Predictive Analytics). Durch die gesammelten Informationen können

• Data-Scientists wertvolle Einblicke in die Performance von Maschinen erhalten
• Techniker:innen automatisiert über Probleme informiert werden
• Supply-Chain-Teams über Dashboards sehen, welche Ersatzteile benötigt werden
• Voraussagungen darüber getroffen werden, welche Geräte von akuten Problemen betroffen sind
• Etc.

Die monatlichen Kosten für eine solche Architektur variieren je nach Use-Case, können in Absprache aber recht genau prognostiziert werden.

Wir haben gesehen, dass Predictive Maintenance Prozesse optimieren und dadurch Kosten deutlich senken kann.

• Techniker:innen müssen – im Wesentlichen – nur noch bei Bedarf ausrücken
• Ersatzteile sind immer vorhanden
• durch eine geringe Downtime müssen keine Strafzahlung für die Verletzung von SLAs gezahlt werden.

Die Umsetzung einer Lösung im Bereich Predictive Maintenance besteht aus mehreren Schritten, wobei es im Wesentlichen darauf ankommt, sicherzustellen, dass die definierten Ziele mit den vorhandenen Daten erreicht werden können. Eventuell müssen die Datenquellen erweitern werden, z.B. durch die Ausstattung der Geräte mir neuen Sensoren. Final haben wir eine mögliche Lösung in der AWS-Cloud dargestellt. Natürlich kann eine solche Lösung auch in einer anderen Cloud oder On-Premise implementiert werden. Gerne können Sie uns bezüglich Fragen kontaktieren.