Industriegreifer

Data-Science-Anwendung: Der Industriegreifer erkennt selbstständig, ob ein Greifvorgang erfolgreich verlaufen ist. - Bild: Shutterstock

Datenbasierte Unternehmen gehören heute zu den wertvollsten der Welt: Sie gestalten ihre Prozesse besonders effizient, verstehen ihre Kunden besser und entwickeln darauf aufbauend die gefragtesten Produkte. Dass ausgerechnet Industrieunternehmen und Maschinenbauer bei der immer wichtiger werdenden Data Science verhalten agieren, ist etwas überraschend. Immerhin erzeugen Maschinen und Anlagen riesige Datenmengen, die sich nutzen lassen, um die Produktivität eines Prozesses erhöhen und erfolgreichere Produkte bereitstellen zu können.

Nichtsdestotrotz erfassen, analysieren und nutzen nur acht Prozent der Maschinenbauer in Deutschland größere Datenmengen, so zumindest eine Commerzbank-Studie aus dem Jahr 2018. Immerhin verbinden die befragten Unternehmen aber klare Ziele mit der systematischen Datennutzung. Sie reichen von der höheren Entscheidungssicherheit über eine bessere Auslastung von Ressourcen bis zur Entwicklung neuer Geschäftsmodelle. 

Leistungssprünge? Die Daten-Antwort liegt schon vor!

Es ist also längst in aller Munde, dass sich auf Datenbasis enorme Produktivitätssprünge im Maschinenbau realisieren lassen. Weniger beachtet ist in diesem Zusammenhang hingegen ein recht naheliegender Vorteil: Die Implementierung eines Data-Science-Projektes ist so etwas wie der ideale (und relative einfache) Einstieg in die Industrie-4.0-Zukunft. Das gilt vor allem auch dann, wenn die Projekte transparent ablaufen und schlank gesteuert werden.

Vor diesem Hintergrund setzen die Experten von Körber Digital auf einen klar strukturieren Ablauf, wie Sven Warnke, IoT Engineer Data Science bei Körper Digital, betont: „Unsere Kunden fragen häufig direkt danach, wie sich Maschinenstillstände vermeiden, versteckten Fehlerquellen in der Produktion auffinden oder Kosten durch eine vorausschauende Wartung einsparen lassen. Um diese übergreifenden Fragen gezielt und ganz praktisch beantworten zu können, gehen wir schrittweise vor. So verschaffen wir uns am Anfang immer ein umfassendes Problem- und Datenverständnis.“

Systematische Einführung einer Data Science

Erst danach startet eine gezielte Datenanalyse und -modellierung. Die daraus folgenden Ergebnisse werden den Kunden detailliert präsentiert, dann vollzieht sich die gewünschte Implementierung und zuletzt werden die Effekte gemessen sowie dokumentiert. Aber wie kann man sich diesen Prozess ganz konkret in der Praxis vorstellen und wie groß ist der jeweilige Nutzen? Hierzu liegen eindrucksvolle Beispiele vor. So hat Körper Digital aktuell für einen Kunden das Materialhandling per Industriegreifer optimiert – wohlgemerkt ohne Investition in neue Produktionstechnologie.

Vielmehr bekam der vorhandene Industriegreifer ein smartes „Update“. Jetzt nimmt er feinfühliger als zuvor diverse Bauteile auf und führt sie weiter. Dafür haben sich die Spezialisten sogar in die elektromechanischen Abläufe des Greifers eingearbeitet und die Daten eines Greifvorgangs umfassend visualisiert. Nun kann der Greifer nicht nur selbstständig erkennen, ob ein Greifvorgang erfolgreich verlaufen ist, sondern auch abschätzen, ob das Bauteil beschädigt wurde.

Milch-Sensormessung
Gesund oder nicht gesund? Eine Datenanalyse der Milch-Sensormessungen gibt Antworten. - Bild: Shutterstock

Die Kuh-Gesundheit im Daten-Fokus

Ähnlich eindrucksvoll ist das Data-Science-Projekt bei einem Hersteller von Melkmaschinen: Zusammen mit dem Maschinenbaukunden hat Körber Digital ein System entwickelt, das die Gesundheit der Kühe anhand der gemolkenen Milch bestimmt.

Hierzu werden Sensormessungen zur Milchtemperatur, Milchmenge oder Leitfähigkeit der Milch mithilfe von Machine-Learning-Algorithmen umfassen analysiert, weil es letztlich sehr komplexe Zusammenhänge zwischen diesen Daten und der Eutergesundheit gibt. Interessanterweise erfolgt nun aber tatsächlich eine automatisierte Analyse der Kuhgesundheit – und die visuelle Kontrolle durch den Landwirt entfällt.

Und wie werden hier und in anderen Anwendungsbereichen etwaige „Fehlalarme“ ausgeschlossen? An dieser Stelle rückt das fundamentale Thema „Outlier Detection“ (Ausreißer-Erkennung) ins Zentrum. Es macht deutlich, worauf es bei jeder Data Science ankommt: das „Verstehen“ der Daten. Schließlich erzeugt das reine Sammeln von Messwerten keinen Mehrwert. Vielmehr müssen daraus Handlungsempfehlungen abgeleitet werden. In diesem Zusammenhang sind die erwähnten „Outlier“ wichtig.

Einfach gesagt handelt es sich um Datenpunkte, die nicht den Erwartungen entsprechen. Um sie „detektieren“ zu können, messen die Experten von Körber Digital die Abstände zwischen zwei dieser Datenpunkte und klassifizieren Ausreißer. In der Folge ist ein komplexer Prozess zur Datenbereinigung notwendig, bevor man mit Bestimmtheit sagen kann, ob wirklich ein technisches Problem – eine sogenannte Anomalie – oder nur eine zufällige Messabweichung vorliegt.

„Mithilfe von gesicherten Anomalien identifizieren wir etwa fehlerhafte Werkstücke oder wir entdecken Negativ-Effekte, die durch das Umrüsten einer Maschine entstehen“, sagt Dr. David Breyel, Data Scientist bei Körber Digital. „Die Möglichkeiten sind sehr umfassend.“

Für wen ist Data Science interessant?

Bleibt am Ende die zentrale Frage, welche Maschinenbauer oder produzierende Unternehmen sich überhaupt für ein Data-Science-Projekt eignen. „Die Antwort ist vielfältig“, sagt Sven Warnke. „Unser Ansatz ist zum Beispiel für all jene interessant, die bereits Daten sammeln und nun erfahren möchten, welche Probleme sie mit diesen Daten lösen können.“ Gleiches gilt für Unternehmen, die intelligente Maschinen oder Sensoren im Einsatz haben, deren Fertigung über einen hohen Automatisierungsgrad verfügt oder die sogar ihren Produktionsprozess bereits (teilweise) digital abbilden können.

„Häufig werden wir auch hinzugezogen, wenn ein Unternehmen erste Ideen für eine neue Innovation hat und deren Eignung nun mithilfe vorhandener Daten evaluieren will. Hier liefert Data Science wertvolle Einsichten“, sagt Sven Warnke. „Es besteht kein Zweifel, dass eine umfassende Data Science gerade zu einem elementaren und unverzichtbaren Bestandteil des Maschinenbaus im 21. Jahrhundert wird.“

Wissen, was die Industrie bewegt!

Alles zu Industrie 4.0, Smart Manufacturing und die ganze Welt der Technik.

Newsletter gratis bestellen!