Lohnende Datenlese

Noch ist das Euter von Berta weder gerötet noch geschwollen. Die Kuh frisst normal, gibt so viel Milch wie immer und zeigt auch sonst keine Verhaltensauffälligkeiten. Kurzum: Jeder Bauer würde Berta für kerngesund halten. Tatsächlich aber ist die Milchkuh krank. In wenigen Tagen wird bei ihr eine Euterentzündung ausbrechen. Das weiß Katharina Kober, Data Scientist bei Körber Digital, jetzt schon. Die Leitfähigkeit der Milch, ihre Temperatur und Menge, aufgezeichnet von einem vollautomatischen Melksystem, verraten es der Expertin: „Mit Sensormessungen und Machine-Learning-Algorithmen erkennen wir Eutererkrankungen, bevor sie optisch sichtbar sind“, sagt die Expertin. „Bleiben sie unerkannt, verschlimmert sich die Situation und es kommt zusätzlich zu Qualitätsproblemen bei der produzierten Milch.“ Die Frühdiagnose durch smarte Datenanalyse spart viel Geld: Fachleute schätzen den Verlust pro erkrankter Kuh auf mehr als 600 Euro.

Das ökonomische Potential von Data Science ist groß

Aus Big Data wird Smart Data – mit konkretem wirtschaftlichen Nutzen: „Das bereits abgeschlossene Projekt aus dem Bereich Landwirtschaft zeigt unser Verständnis von Data Science: aus Daten echten und direkten Mehrwert für unsere Kunden generieren“, sagt Sven Warnke, Data Scientist bei Körber Digital – also Datenexperte für das „Industrial Internet of Things“ (IIoT).

Die effiziente Datenanalyse lässt sich in vielen weiteren Produktionsbereichen mit komplexen technischen Systemen anwenden – überall dort, wo Sensoren geeignete Daten zur Verfügung stellen. Durch die Digitalisierung steigt die Zahl der verbauten Sensoren stark an, zudem kommen vermehrt Internet-of-Things-Anwendungen zum Einsatz. „Das ökonomische Potenzial von Data Science mit dem Schwerpunkt auf maschinellem Lernen ist daher extrem groß“, sagt Warnke.

Das gilt besonders für den Maschinenbau: Eine Maschine, die ungewollt stillsteht, erzeugt unnötige Kosten. Gleichzeitig liefern die Maschinen in großer Menge Informationen zu den Stillstandsproblemen. Wie also lassen sich diese Daten nutzen, um die Instandhaltung zu verkürzen und die Produktion effizienter zu machen?

Die Frage steht im Zentrum der laufenden Entwicklung von „Uptime“ bei den Data-Science-Spezialisten von Körber Digital. Antworten liefert die „Klassifikation“ der Daten mit den Techniken der künstlichen Intelligenz (KI). Die Systematik ist auch Grundlage der Kuh-Diagnostik, indem sie analysiert, ob die Werte von Milchtemperatur und -menge auf eine Erkrankung hinweisen. Für die KI geht es dabei darum, Muster zu erkennen – ähnlich wie bei einem Spamfilter, der anhand der Wörter in Mails mit unbekanntem Absender die Klassen „Spam“ und „Nicht-Spam“ unterscheidet. Für das Stillstandsproblem heißt das: Liegen genügend Daten vor, die von der KI analysiert wurden, ist sie in der Lage, den jeweiligen Fehler anhand des Daten-Szenarios wiederzuerkennen und die Fehlerursache bereits im Moment des Stillstands benennen.

Das System lernt ständig dazu

Ein „Uptime“-Kunde ist Spezialist für Montage- und Prüfanlagen in der industriellen Serienfertigung. Er produziert und betreibt unter anderem Testlinien für Küchengeräte - sogenannte Weiße Ware, wie etwa Elektroöfen. Die Experten von Körber Digital haben für ihn eine Datenbank erstellt, die jeden auf der Testlinie per Sensorik erkannten Fehler genauer beschreibt. Im besten Fall ist er in der Vergangenheit bereits aufgetreten; bei noch nicht näher beschriebenen Fehlern werden Informationen über ähnliche Störungen und Produktdaten der betroffenen Komponenten hinterlegt. Zukünftig sollen die Anlagen des Kunden die gefundenen Fehler an einem geprüften Bauteil genauer per KI beschreiben können. Anschließend bekommt der jeweilige Anwender eine exakte Anleitung, welche Ersatzteile und Werkzeuge nötig sind und wie der Fehler behoben wird.

Das ökonomische Potential von „Uptime“ ist enorm: „Wir rechnen damit, dass viele Anwender ihre Instandhaltungsprozesse mit diesem Ansatz um rund 60 Prozent verkürzen können. In Branchen mit komplexen Prozessen und häufigen Stillständen lässt sich so die gesamte Produktivität um bis zu 20 Prozent verbessern“, sagt Felix Raab, Product Owner im „Uptime“-Projekt.

Künstliche Intelligenz also, die sich auszahlt – und mit jedem neuen Fehler lernt das System dazu. Die KI wird so im Lauf der Zeit immer besser, denn „richtige“ Aussagen werden per Eingabe durch den Bediener oder einen Instandhaltungsmitarbeiter bestätigt und falsche Aussagen korrigiert. Die Lösung, die derzeit in der Praxis getestet wird, hat beste Perspektiven. Mehrere zehntausend Anwendungsmöglichkeiten für die verschiedensten Produkte gebe es allein in Europa: „Bürostühle, Gartengeräte, Kindersitze für Fahrräder und Autos – überall, wo hohe Stückzahlen produziert werden und das Produkt so wertig ist, dass sich Nacharbeit lohnt, können wir vermutlich gut helfen“, sagt Raab.

Maschinelles Lernen wird elementarer Bestandteil des Maschinenbaus

Doch nicht nur die Maschinen und Analysewerkzeuge werden mit jedem Datensatz schlauer – vor allem die Experten von Körber Digital gewinnen in jedem Projekt wertvolles Wissen für andere Kunden und neue Lösungen. So profitiert „Uptime“ auch von den Erkenntnissen des „Kuh-Projekts“ – und wird seinerseits wichtiges Knowhow für künftige Data Science-Ansätze liefern. Auch bei der Lösung K.Edge Solutions, die Körber Digital gemeinsam mit dem Geschäftsfeld Tissue umgesetzt hat, geht es darum, Fehlerzustände eindeutig zu erkennen, um sie schnell beheben zu können.

So wird umfassende Data Science zu einem elementaren Bestandteil des Maschinenbaus im 21. Jahrhundert. Doch der Mensch bleibt dabei im Mittelpunkt. Bei allen Lösungen prüft Körber Digital die Anwendungsfreundlichkeit und Akzeptanz im Produktionsalltag – was wiederum den wirtschaftlichen Nutzen verstärkt. Wie Felix Raab sagt: „Uns ist es wichtig, alle Beteiligten auf die Reise zur Industrie 4.0 mitzunehmen“.

koerber.digital