Wo es bei Big Data im Maschinenbau hakt

Viele Unternehmen aus dem Maschinenbau erfassen digitale Daten, haben jedoch noch Schwierigkeiten, aus diesen automatisiert Entscheidungen abzuleiten. Sie wollen Daten sowohl zur Automatisierung und Prozessoptimierung als auch zur Individualisierung von Produkten und für neue Geschäftsmodelle einsetzen.

Das ergab eine aktuelle Studie der Commerzbank zur Datenauswertung, deren Ergebnisse für den Maschinenbau der Fachzeitung Produktion vorliegen. Die Unternehmen aus dem Maschinenbau möchten in Zeiten der Digitalisierung zwar ihre verfügbaren Daten systematisch nutzen, setzen aber eher selten eine Big Data-Analyse ein, um aus den Daten auch in Echtzeit Prognosen und automatisierte Entscheidungen abzuleiten.

Datenauswertung erfolgt erst bei 8 Prozent besonders systematisch

Nur 8 Prozent der Hersteller von Maschinen erfassen, analysieren und nutzen die erhobenen Daten schon heute besonders systematisch. Diese Smart-Data-User sind in allen Unternehmensgrößen zu finden. Sie messen den Daten eine elementare Wichtigkeit bei und stellen schon heute tiefgreifende Branchenveränderungen fest.

Ein Unternehmen, das sich beispielsweise intensiv mit der Datenanalyse beschäftigt, ist der Luft- und Antriebstechnik-Hersteller Ebm-Papst. Das Unternehmen arbeitet an verschiedenen Projekten, um die Daten, die über die Schnittstellen zu Ventilatoren und Motoren beziehungsweise durch Industrie 4.0 gewonnen werden, effektiv und effizient verarbeiten zu können.

So werden die im Fertigungsprozess entstandenen Produkt-, Prozess und Maschinendaten ausgewertet, um bestehende Fertigungsverfahren kontinuierlich zu verbessern und neue Methoden abzuleiten. „Durch die Erhöhung der Transparenz sowie eine durchgängige Traceability können Kundenanforderungen ad hoc realisiert und verbesserte Dienstleistungen angeboten werden“, sagte Christof Steuer, Team Lead Industry Solutions Ebm-Papst IT, gegenüber Produktion.

Bei 71 Prozent ist auch die Geschäftsführung für Datenanalyse zuständig

„Auch im Verwaltungsbereich ist Big Data von großer Bedeutung, da auch in diesem Umfeld aufgrund der zunehmenden Digitalisierung enorme Datenmengen anfallen“, erläuterte Steuer. Das Unternehmen habe durch seine Big-Data-Projekte eine „sehr gute Grundlage für zukünftige Projekte im Umfeld von Machine Learning und Predictive Maintenance“ geschaffen. „Nebenbei beginnen gerade unsere Data Scientists bisher unbekannte Zusammenhänge zu ergründen“, kündigte der Manager an.

Derzeit ist der Studie zufolge bei 71 Prozent der Hersteller von Maschinen auch die Geschäftsführung für die Datenanalyse und -Auswertung zuständig. Damit Big Data zum erfolgreichen Business Case wird, seien jedoch interne Spezialisten, die die Datenauswertung mit geeigneten Analysemethoden abteilungsübergreifend vornehmen, notwendig. 63 Prozent der Smart-Data-User beschäftigen derartige Fachleute. Bei Ebm-Papst werden beispielsweise alle Big-Data-Projekte in Zusammenarbeit mit der IT und den jeweilig betroffenen Fachbereichen in Projektteams unterschiedlicher Größe koordiniert und umgesetzt.

Ein Herstellen von Zusammenhängen durch Big Data ist in der Produktion nicht so einfach, da dort die Zahl der Parameter in der Größenordnung von 50 bis 150 liegt. „Da endet auch die Mathematik im klassischen Sinne“, sagte Professor Günther Schuh, Direktor des Fraunhofer-Instituts für Produktionstechnologie IPT in Aachen.

Bisher würde zum Beispiel kaum mit den Daten aus dem ERP-System gearbeitet, da diese erst repariert werden müssten, damit sie auswertbar sind. „Jetzt wird eine Smart-Data-Ebene benötigt, in die Daten aus verschiedenen proprietären Systemen – idealerweise massiv aggregiert und in Echtzeit – hineingeschrieben und aufbereitet werden, so dass auf diese domänenüberschreitend zugegriffen werden kann“, forderte Schuh. Dafür würden ein paar Tools und Ansätze benötigt, um aus dem Datensalat einen so genannten digitalen Schatten zu erzeugen.

Dieser stark aggregierte Datensatz sollte nach Auffassung von Schuh durch die Technologie der Blockchain abgesichert werden. „Mit beiden Instrumenten können wir basierend auf einem gesicherten Datensatz, der ständig anwächst, dauernd Erkenntnisse generieren, ohne uns selbst massiv anzustrengen“, erläuterte der Professor. Dafür müsse man zunächst eigenes Wissen und dann die ersten einfachen Methoden der Künstlichen Intelligenz anwenden.