Zukunft Industrien

Predictive Maintenance für Qualitätssicherung: Über das Datenschutz-Dilemma und wie man es auflöst

Eine der Kernfragen der zahlreichen Initiativen rund um das Thema „Industrie 4.0“ lautet: Wie können Maschinenbauer mit den Daten ihrer Maschinen und den daraus errechneten analytischen Modellen Mehrwerte für ihre Kunden bzw. Anwender generieren? Und wie können Sie damit in neue attraktive Geschäftsmodelle einsteigen?

Die Optimierung der Wartungsprozesse rund um die Produktionsmaschinen auf Basis von analytischen Methoden steht auf der Tagesordnung vieler Maschinenhersteller, und das mit Top-Priorität. Dabei lautet eine der Annahmen: Wenn ich meinem Kunden vorausschauend melden kann, wann er seine Maschinen unter gegebener Beanspruchung überprüfen sollte, kann ich eine potenzielle Produktionsunterbrechung durch Maschinenausfall bei ihm vermeiden. Stichwort: Predictive Maintenance. Das klingt zwar sehr plausibel, allerdings gilt es dabei eine ganz spezielle Hürde zu überwinden.

Eine elementare Hürde auf dem Weg zur vorausschauenden Wartung

Leider existiert auf dem Weg zur vorausschauenden Wartung eine ganz bestimmte Herausforderung, die eher organisatorischer als technologischer Natur ist. Denn einerseits sind Anwender nicht gerade begeistert, Daten aus dem Shopfloor zu liefern, damit der Maschinenbauer seine Predictive Maintenance-Algorithmen optimieren kann. So werden den Lieferanten insbesondere Prozess-, Kunden- und Qualitätsdaten oft aus Datenschutzgründen beziehungsweise aufgrund von Wettbewerbsbedenken verständlicherweise lieber vorenthalten.

Andererseits betrachten viele Hersteller auch die Rohdaten ihrer Maschinen und die daraus abgeleiteten analytischen Modelle als ihren ureigenen Wettbewerbsvorteil. Mit der Konsequenz, dass auch sie diese Daten vor ihren Anwendern am liebsten „geheim halten“ wollen. Aus diesem Dilemma heraus entsteht trotz der zweifellos existierenden Vorteile und den technischen Möglichkeiten eine nahezu ausweglose Situation, da der Sprit – also die notwendigen Daten – zum Zünden der prädiktiven Analyse fehlt. Es sei denn, diese Zwickmühle ließe sich mithilfe eines intelligenten Ansatzes lösen…

Das Dilemma auflösen: ein möglicher Ausweg aus der verzwickten Situation

Im Rahmen des SmartFactoryKL-Demonstrators, dem weltweit ersten herstellerübergreifenden, modularen und flexibel konfigurierbaren Industrie 4.0-Prototypen, haben sich drei der Partner – Mettler Toledo, KIST Europe und IBM – nun zusammengeschlossen, um ein Beispiel für eine konfliktfreie und gegenseitig gewinnbringende Lösung zu liefern. Im Fokus steht hierbei eine Präzisionswaage von Mettler Toledo, die am Ende der SmartFactoryKL-Produktionslinie für die Qualitätsprüfung des hergestellten Produkts, einem Visitenkartenhalter, sorgt. Über den sogenannten Plant Integration Layer bekommt Mettler Toledo über seine „private“ IoT- Plattform, die sich in der IBM Cloud befindet, die an der Waage anfallenden Daten zur Verfügung gestellt. Das Besondere: diese Daten wurden zuvor um alle sensitiven Produktionsdaten bereinigt – damit fallen dann die oben genannten Vorbehalte weg.

Diese aufbereiteten Daten dienen zum einen als Grundlage für die Berechnung eines prädiktiven Modells durch einen Data Scientist. Im konkreten Fall passiert das mithilfe von Watson Studio durch einen Mitarbeiter von KIST Europe. Zum anderen werden die Daten mithilfe von Watson Machine Learning ausgewertet, um im Falle einer potenziellen Messungenauigkeit der Waage durch analysierte Einflussfaktoren wie Vibrationen oder Stabilisierungszeit eine Warnmeldung auszugeben. Dies passiert auf dem Digital Twin der SmartFactoryKL-Linie  – der sich in einem anderen Bereich der IBM Cloud befindet. Mit anderen Worten: der SmartFactoryKL-Ansatz basiert auf einem sogenannten Multiple-Cloud-Konzept.

Was uns dieses Beispiel lehrt

Das Beispiel macht deutlich, wie ein Maschinenhersteller seinem Kunden dabei helfen kann, die Qualität des mit seiner Maschine hergestellten Produkts zu überwachen. Denn durch sein  originäres Maschinen-Know-how kann der Kunde einen „Blindflug“ bei der Qualitätssicherung vermeiden. Dabei bekommt der Hersteller alle Daten, die er für die Analyse braucht – allerdings ohne Preisgabe der „allerheiligsten“ Prozessdaten des Kunden, deren Weitergabe er am Plant Integration Layer selbst kontrolliert. Mit anderen Worten: Es erfolgt eine vorausschauende Qualitätssicherung (Predictive Quality) beim Anwender bzw. Kunden durch die vorausschauende Wartung auf Seiten des Herstellers (Predictive Maintenance), und das unter vollständiger Einhaltung der Datenschutzvorgaben auf beiden Seiten.

Sie wollen das live erleben? Dann besuchen Sie SmartFactoryKL in Kaiserslautern.

Weitere Infos erhalten Sie hier

Add Comment
No Comments

Leave a Reply

Your email address will not be published.Required fields are marked *

More Zukunft Industrien Stories

Digital Twin: Von der digitalen Planung bis zum physischen Produkt und zurück

„Jedes Unternehmen wird zu einer Software-Company“ – dieser immer wieder (zu Recht) zitierte Trend findet nun auch auf der Produktionsebene seinen Niederschlag: „Jedes Produkt wird zu einem Software-Produkt“, lautet heute die Ansage. Die Antwort darauf ist der Digital Twin. Die Idee dahinter: Produkte, Objekte, Systeme oder Prozesse werden als Software-Repräsentation auf digitaler Ebene gespiegelt – […]

Vor GDPR die Frage aller Fragen: Wo sind meine Daten?

In der digitalen Welt von heute – und mehr noch der kognitiven Welt von morgen – halten Daten den Geschäftsbetrieb am Laufen. Unternehmen benötigen einen sicheren, richtlinienkonformen Zugang zu ihren Daten über eine Vielzahl von Kanälen, sei es offline, online oder mobil, den sie auch ihren Kunden zu Verfügung stellen können. So wollen Bankkunden in […]

Wie Condition Monitoring und Data Mining die Produktion verbessern

 Predictive Maintenance und Condition Monitoring sind Anwendungsbereiche der Industrie 4.0. Sie ermöglichen Unternehmen, den Einsatz ihrer Produktionsmittel zu optimieren und die Effizienz der gesamten Fertigung zu steigern. Beim Condition Monitoring wird der Zustand von Maschinen und Anlagen überwacht, indem Sensoren Daten über das direkte Umfeld eines Objekts sammeln. Die frühzeitige bedarfsgerechte Ausrichtung von Wartungszyklen anhand […]