Skip to content

datecta GmbH

Industrie 4.0 _


Datenanalysen und Prognosemodelle


Wir analysieren vorhandene Prozessdaten um wichtige Einflussgrößen auf Ihre Produktion zu identifizieren und bisher unerkannte Zusammenhänge aufzudecken. Wir nutzen maschinelle Lernverfahren um Fehlzustände und schwer messbare Größen während des Produktionsprozesses kontinuierlich vorherzusagen.

Mehr

Projektentwicklung


Wir schaffen Verständnis für die Methoden des maschinellen Lernens und finden gemeinsam Potentiale für deren Anwendung in Ihrer Produktion. Nach einer detaillierten Potentialabschätzung stellen wir ein geeignetes Team zusammen und setzen das Projekt um.

Mehr

Projektbewertung


Wir stehen als unabhängige Instanz für die kommerzielle und technische Bewertung von Digitalisierungsprojekten zur Verfügung. Dabei liegt besonderes Augenmerk auf der Berechnung von echten wirtschaftlichen Potentialen sowie dem kritischen Vergleich verschiedener Technologien und Anbieter.

Mehr

Die Herausforderung

Mit der zunehmenden Verfügbarkeit von Speicherkapazitäten, Rechenleistung und neuen Technologien eröffnen sich spannende Möglichkeiten um industrielle Prozesse schneller, kostengünstiger und energieeffizienter zu betreiben. Diese Potentiale werden meist mit den Schlagwörtern „Digitalisierung“, „Industrie 4.0“ oder „Big Data“ bezeichnet. Betreiber von technischen Anlagen stehen jetzt vor der schwierigen Aufgabe den Hype in Handlungen münden zu lassen und die erfolgreichen Konzepte aus den Vorreiterbranchen, wie zum Beispiel der Internetwirtschaft, auf das eigene Unternehmen zu übertragen.

Das Unternehmen

Unser Unternehmen hat das Ziel maschinelles Lernen gewinnbringend im industriellen Sektor anzuwenden. Um dabei erfolgreich zu sein, ist Verständnis für die besonderen Herausforderungen und Stolpersteine von industriellen Produktionsprozessen unerlässlich. Als Ingenieure verwenden wir statistische Modelle seit Jahren in verschiedenen Industriezweigen. Diese Erfahrung kombinieren wir mit dem tiefgreifenden Prozessverständnis unserer Kunden. So können Analysen und maschinelle Lernverfahren häufig bereits mit vorhandenen Daten durchgeführt werden und mit geringem Investitionsvolumen große monetäre Potentiale heben.

Me

Wie wir arbeiten

Wir nutzen die Möglichkeiten der sich zügig digitalisierenden Arbeitswelt konsequent aus. So greifen wir bei Bedarf global auf Experten im Bereich maschinelles Lernen und Data Science zurück, um global existierendes Knowhow lokal verfügbar zu machen.

Damit fachliche, oder sprachliche Barrieren keine Rolle spielen, laufen lokal bei unserem Projektleiter alle Fäden zusammen: er steht mit Ihnen in engem Kontakt, ist mit Ihren Anlagen vertraut und hat Erfahrung in der Anwendung von maschinellen Lernverfahren im industriellen Umfeld.



Datenanalysen. Aufdecken von unbekannten Einflussgrößen.

Die zunehmende Verfügbarkeit von Messtechnik und Speicherkapazitäten führt zu immer weiterwachsenden Datenarchiven, welche jedoch aus Zeit- und Methodenmangel häufig kaum genutzt werden. In den historischen Daten verbirgt sind ein großer Schatz der mittels detaillierter Datenanalysen sichtbar gemacht werden kann. Auf Grund der vorherrschenden komplexen Systeme, welche eine Vielzahl von Messgrößen und Datenpunkten enthalten, ist die Identifikation aller Zusammenhänge regelmäßig schwierig. Besonders vergleichende Plots von einzelnen Datenreihen scheitern, weil die Anzahl der sinnvoll anzuzeigenden Daten wegen der Übersichtlichkeit limitiert ist.

Maschinelle Lernverfahren wie beispielsweise die Methode PCA (Principal Component Analysis) sind in der Lage, die wichtigsten Parameter eines Datensatzes zu ermitteln, in einer gut interpretierbaren Weise darzustellen und so auf die wesentlichen Zusammenhänge herunter zu brechen. Den menschlichen Experten wird damit ein mächtiges Werkzeug für die technische Interpretation von historischen Daten an die Hand gegeben.

Generic placeholder image

Detektion von Anomalien. Maschinelles Lernen gegen die Datenflut.

Moderne industrielle Prozesse werden durch unzählige Sensoren und Kennzahlen überwacht, sodass der Betreiber hunderte von relevanten Größen überwachen und angemessen auf Abweichungen reagieren soll. Da die Informationsflut durch neue, günstigere Sensoren und bessere Datenintegration immer weiter steigen wird, ist eine wertschöpfende Nutzung der Daten nur mit Hilfe von intelligenten Auswerteverfahren möglich. Aus diesem Grund liegt in der Detektion von Anomalien im Produktionsprozess eines der größten industriellen Potentiale von maschinellen Lernverfahren. Maschinelle Assistenzsysteme betrachten alle Daten des Prozesses als Gesamtheit und unterscheiden automatisch zwischen wichtigen und unwichtigen Parametern. Außerdem sind sie in der Lage Wechselwirkungen zu erkennen, welche bei der eindimensionalen Betrachtung einzelner Werte verborgen bleiben.

Das Assistenzsystem überwacht und filtert alle anfallenden Daten und alarmiert das Anlagenpersonal nur bei Anomalien, welche den Sachverstand und die Kreativität eines Menschen erfordern.

Generic placeholder image

Statistische Versuchsplanung. Systematisch zur Erkenntnis.

Um den Einfluss von grundsätzlichen Änderungen am Prozess zu bestimmen, sind gezielte Versuche notwendig. Um schnell zu Ergebnissen zu gelangen wird hier häufig auf die Strategie „Einfach einmal probieren“ zurückgegriffen. Da diese Methode aber meistens nur wenig verlässliche Ergebnisse liefert, wird immer wieder „nur noch ein Versuch“ durchgeführt. Dies sprengt regelmäßig Kosten- und Zeitrahmen und führt im schlimmsten Fall zu Fehleinschätzungen auf Basis statistisch nicht signifikanten Beobachtungen.

Aus diesen Gründen hat statistische Versuchsplanung große Vorteile gegenüber dem intuitiven Vorgehen. Mittels dieser Methode ist es möglich reproduzierbare, belastbare Ergebnisse zu erhalten und trotzdem die Anzahl der Einzelversuche deutlich zu senken. Da der Versuchsumfang hier bereits vorher festgelegt wird, ist der Aufwand besser abzuschätzen und die strukturierte Vorgehensweise führt zu einer besseren Dokumentation und einem nachhaltigeren Wissensmanagement. Typische Anwender berichten durch die konsequente Anwendung von statistischer Versuchsplanung über eine Verkürzung der Projektlaufzeiten und damit eine Senkung der Versuchskosten um 40 - 75 %.

Generic placeholder image

Zustandorientierte Instandhaltung. Prognose von Ausfällen.

Im Bereich der Instandhaltung sind Betreiber mit dem Dilemma konfrontiert, dass einerseits die Maschinen- und Anlagenverfügbarkeit stetig steigen soll, während andererseits die Instandhaltungskosten gesenkt werden sollen. Aus diesem Antrieb heraus hat sich ein großes Anwendungsfeld für maschinelles Lernen entwickelt: die zustandsorientierte Instandhaltung. Diese greift ein, wenn der ideale Zeitpunkt für den Wechsel vorliegt – also bevor es durch einen Ausfall zu größeren Schäden und Produktionsstillständen kommt, aber erst wenn die erreichbare Laufzeit ausgeschöpft ist.

Die Bestimmung dieses idealen Zeitpunktes wird durch ein Condition Monitoring realisiert, welches auf der Messung von mit dem Abnutzungsgrad korrelierten Größen beruht. Im Falle von rotatorisch angetriebenen Betriebsmitteln wie Pumpen oder Turbinen sind beispielsweise charakteristische Schwingungssignale ein zentrales Indiz für einen nahenden Ausfall. Die Messungen werden mittels maschineller Lernverfahren ausgewertet und der Ausfallzeitpunkt prognostiziert. Mit dieser Methode wird die Laufzeit der Equipments ausgereizt, während die Folgekosten von ungeplanten Stillständen minimiert werden.

Generic placeholder image

Softsensoren. Vorhersage von nicht messbaren Parametern.

Softsensoren werden genutzt um nicht messbare Qualitätsparameter online zugänglich zu machen und auf diese Weise ein steuerndes Eingreifen während des Produktionsprozesses zu ermöglichen. Das Wort 'Softsensor' setzt sich aus 'Software' und 'Sensor' zusammen und soll verdeutlichen, dass es sich hier nicht um einen physisch existierenden Sensor handelt, sondern vielmehr um eine berechnete Prognose des Zielwertes.

Ein Beispiel: Die Ausbeute eines chemischen Herstellungsverfahren kann nur ermittelt werden, indem die Konzentration der werthaltigen Komponente laboranalytisch bestimmt wird. Dies bedeutet einen erheblichen Zeitverlust um auf Störungen reagieren zu können. Zur Lösung des Problems wird aus historischen Daten ein Softsensor entwickelt. Die Prognose wird dabei aus den kontinuierlich gemessenen Größen Leitfähigkeit, dem pH-Wert, der Trübung und der Färbung errechnet und stimmt zu 95 % mit der laboranalytisch bestimmten Konzentration überein. Nun kann bereits während des Produktionsprozesses ohne Verzug steuernd eingegriffen werden, um die optimale Ausbeute zu erzielen.

Generic placeholder image




Sie haben ein Projekt für uns?





datecta GmbH

Burgkstraße 24, 01159 Dresden

info@datecta.com

0049-151-20-911-923