smart data analytics · scch ist eine initiative der scch ist teil des smart data analytics key to...

SCCH ist eine Initiative der SCCH ist Teil des

Smart Data Analytics

Key to Success

Dr. Bernhard Freudenthaler

Executive Head Data Analysis Systems

+43 7236 3343 850

[email protected]

www.scch.at

mailto:[email protected]

http://www.scch.at/

Software Competence Center Hagenberg GmbH

Data Analysis Systems @ SCCH

Smart Data Analytics (inkl. Praxisbeispiele)

Daten-Management

Daten-Analyse

Predictive Analytics / Maintenance

Zusammenfassung

Überblick

2 © Software Competence Center Hagenberg GmbH

Unabhängige, anwendungsorientierte

Forschungseinrichtung; Non-Profit GmbH

Initiiert von der Johannes Kepler

Universität Linz im Juli 1999

Bringt wissenschaftliche Forschung mit

Anwendungen in der Wirtschaft zusammen

~ 65 Mitarbeiter/innen (>100 mit

Mitarbeiter/innen von Partnern)

6.1 Mio. Euro Umsatz inkl.

Förderungen im Geschäftsjahr 2014

COMET-Kompetenzzentrum

Ausgewählte COMET-Partner

Software Competence Center Hagenberg GmbH


Forschungsschwerpunkte

Data Analysis Systems @ SCCH


Data Ware- house PIMS

Wissen

Prognosen

Datensammlung

Analyse

Optimierung

Steuerung

Vorhersage

Modelle Anwendung

TAX

1 2 3 4 5 6 7 8 9 01

1

2

3

4

5

6

7

8

9

10

188.

246.11

304.22

362.33

420.44

478.56

536.67

594.78

652.89

711.

BI

Produktionsprozess

Datenanalyse

OrderDuration OrderNumber ProcessNumber Type ShiftStart ShiftDuration TNB TW TB TO TT TR TN StandstillCountTO StandstillCountTT StandstillCountTR EA PE QR 224110 1234 1 15931_Audi_B6 37515.25086 28521 1313 0 27208 11625 29 0 15554 424 1 0 57.167 74.836 89.175 224110 1234 1 15931_Audi_B6 37515.58096 28477 1507 0 26970 8446 2040 0 16484 320 47 0 61.120 80.078 98.485 224110 1234 1 15931_Audi_B6 37515.91056 28863 1546 0 27317 12839 0 0 14478 526 0 0 53.000 78.188 96.643 224110 1234 1 15931_Audi_B6 37516.24551 32584 1592 0 30992 9225 1668 0 20099 305 16 0 64.852 65.376 96.956 224110 1234 1 15931_Audi_B6 37516.62264 25214 167 0 25047 3416 5645 0 15986 233 13 0 63.824 79.820 97.809 224110 1234 1 15931_Audi_B6 37516.91447 28848 1646 0 27202 8073 1626 722 16781 255 101 5 61.690 86.050 95.429 224110 1234 1 15931_Audi_B6 37517.34049 24839 0 0 4877 18 0 4823 36 1 0 3 0.738 55.556 0.000 108045 815 1 16346_T5_LL 37517.62797 66610 25398 0 41212 37735 0 0 3477 64 0 0 8.437 46.017 20.313 108045 815 1 16346_T5_LL 37518.39892 31390 1026 0 20578 10583 0 2405 7590 184 0 8 36.884 76.746 73.820 186652 816 1 15931_Audi_B6 37518.39892 31390 0 0 9759 1093 0 8247 419 13 0 2 4.293 19.093 75.000 186652 816 1 15931_Audi_B6 37518.76223 512 223 0 289 83 0 0 206 6 0 0 71.280 67.961 85.714 186652 816 1 15931_Audi_B6 37519.25013 28829 1835 0 26994 8173 0 0 18821 310 0 0 69.723 78.104 98.095 186652 816 1 15931_Audi_B6 37519.5838 28763 1856 0 26907 9032 999 0 16876 390 2 0 62.720 84.617 98.319 186652 816 1 15931_Audi_B6 37520.25002 28752 1288 0 27464 6739 1597 296 18832 208 19 3 68.570 80.395 98.811 6109 210902 1 15931_Audi_B6 37520.5828 30663 0 0 6109 3784 0 2059 266 9 0 1 4.354 45.113 66.667 65937 1 1 525381_Audi_B6_Karmann 37520.5828 30663 401 0 4405 3351 0 178 876 23 0 1 19.886 59.361 65.385 65937 1 1 525381_Audi_B6_Karmann 37521.3947 21095 761 0 20334 48 0 20124 162 1 0 10 0.797 61.728 100.000 405488 220902 1 15931_Audi_B6 37522.25012 28898 1697 0 27201 7708 0 0 19493 118 0 0 71.663 78.387 98.822 405488 220902 1 15931_Audi_B6 37522.58458 28924 1646 0 27278 3498 111 0 23669 76 1 0 86.770 52.389 93.387 405488 220902 1 15931_Audi_B6 37523.25047 28248 817 0 27431 5375 733 0 21323 111 3 0 77.733 72.410 97.539 405488 220902 1 15931_Audi_B6 37523.57742 29215 1577 0 27638 6403 1325 0 19910 170 2 0 72.039 72.526 97.230 405488 220902 1 15931_Audi_B6 37523.91556 28615 1715 0 26900 6476 0 0 20424 142 0 0 75.926 75.401 96.623 405488 220902 1 15931_Audi_B6 37524.24675 29049 2032 0 27017 2497 85 0 24435 89 1 0 90.443 67.526 97.697 405488 220902 1 15931_Audi_B6 37524.58338 57628 29493 0 28135 7068 38 0 21029 154 1 0 74.743 69.523 97.264 405488 220902 1 15931_Audi_B6 37525.25037 28401 7281 0 21120 3259 663 0 17198 35 4 0 81.430 70.590 93.410 405488 220902 1 15931_Audi_B6 37525.57909 30360 5072 0 25288 6509 970 0 17809 122 1 0 70.425 81.644 96.011 405488 220902 1 15931_Audi_B6 37525.94156 26723 56 0 26667 11875 0 14199 593 8 0 16 2.224 60.708 94.444 405488 220902 1 15931_Audi_B6 37526.25086 10101 113 0 9988 2378 0 605 7005 42 0 2 70.134 75.660 99.245 33620 815 1 525381_Audi_B6_Karmann 37526.58337 15727 99 0 15053 4049 172 995 9837 82 2 9 65.349 75.023 92.141 302676 1 1 15931_Audi_B6 37526.76539 13950 147 0 13803 3223 867 1002 8711 51 2 6 63.109 67.271 95.563 302676 1 1 15931_Audi_B6 37529.25005 28797 1361 0 27436 5115 0 0 22321 129 0 0 81.357 76.430 97.304 302676 1 1 15931_Audi_B6 37529.58334 28756 987 0 27769 4050 95 0 23624 86 1 0 85.073 76.617 97.569 302676 1 1 15931_Audi_B6 37529.91617 28868 40 0 28828 2321 0 486 26021 89 0 3 90.263 72.711 98.203 302676 1 1 15931_Audi_B6 37530.25029 57773 290 0 880 30 0 815 35 1 0 2 3.977 57.143 0.000 69359 815 1 16088_VW/Porsche_Colorado_LL_MVLS 37530.25029 57773 8368 0 48035 25193 0 16187 6655 108 0 6 13.854 60.105 63.500

Forschungsteams


Ap

plic

atio

n D

om

ain

s MitarbeiterInnen:

16 MitarbeiterInnen am SCCH

4 PhDs bei wissenschaftl. Partnern

(JKU/FAW, JKU/FLLL, KTH, Renyi)

COMET:

4 anwendungsorientierte Projekte

(TRUMPF Maschinen, Siemens

Transformers, Fronius International,

Rubble Master, OÖGKK, STIWA Holding,

E+E, ENGEL Austria)

1 strategisches Projekt

Aktuell 6 Förderprojekte außerhalb

COMET (EStore-M, rePhrase, PROSAM,

Smart Maintenance, imPACts, MBS+)

Projektübersicht:

http://www.scch.at/de/das-projekte

Umsatz: ca. 2,2 Mio. EUR




Schritte zur Digitalisierung

Schritte zur Digitalisierung


IST-Analyse

• Problemstellung

• Datenaufbereitung

• Erste Analysen

• Entscheidungsgrundlage

Daten-Management

• Datenintegration


• Datenqualität

• Datenverarbeitung

Daten-Analyse

• Knowledge Discovery

• Prozessanalyse

• Fehlerdetektion

• Fehlerdiagnose

Vorhersage/Optimierung

• Machine Learning

• Fehlervorhersage

• Optimierung

• Predictive Maintenance

Abbruch

Daten-Analyse


• Prozessanalyse

• Fehlerdetektion

• Fehlerdiagnose




• Optimierung





• Optimierung


Daten-Analyse


• Prozessanalyse

• Fehlerdetektion

• Fehlerdiagnose

Daten-Management

• Datenintegration


• Datenqualität

• Datenverarbeitung

...

Daten-Management

Traditionelle Datenverarbeitung vs. Big Data


Ad-hoc Abfragen und Reporting

Data Mining

Strukturierte/relationale Daten

Kleinere Datenmengen

Optimierung und Predictive Analytics

Komplexe statistische Analyse

Heterogene Datenquellen

Große Datenmengen

Echtzeitanforderungen

I. Unvollständige/fehlende Daten

Fehlende Werte

Fehlende Datenfelder, die für die Analyse notwendig sind

Ursprung der Meldung/Messung nicht eindeutig identifizierbar

II. Falsche Werte

Falsche Werte werden ständig gespeichert

Z.B. Sensoren wurden nicht korrekt kalibriert oder die Kommunikation

zwischen den Systemen hat nicht richtig funktioniert (zu gewissen Zeiten)

III. Wertlose Meldungen

Z.B. Debug-Informationen der Softwareentwickler in den Meldungslogs

müssen manuell mit den Domänenexperten bereinigt werden

IV. Nicht genügend Daten für Lernaufgaben

Schlechte Datenqualität


Beispiel 1: Die Restlebensdauer von Elektromotoren soll bestimmt

werden, obwohl keine Daten über frühere Wechsel vorliegen (I)

Beispiel 2: In den Logfiles der industriellen Maschinen werden zwar die

einzelnen durchgeführten Arbeitsschritte (z.B. Produktion, Transport,

Fehler, ...) gespeichert, aber keine Information über die Dauer von

Arbeitsschritten oder irgendeine Assoziation zu einem Werkstück

abgelegt (I)

Beispiel 3: Das Logfile ist mit debug Informationen „überflutet“, wo nur

mehr wenig Informationsgehalt nach der manuellen Bereinigung übrig

bleibt (III)

Beispiel 4: Verschiedene Parameter werden durch verschiedene

Systeme gespeichert, können aber aufgrund fehlender oder

abweichender Zeitstempel nicht mehr miteinander verlinkt werden (I)

Beispiele: Schlechte Datenqualität



Demonstrations-Video unter: http://www.scch.at/de/das-projekte-details/indyco

Beispiel: Datenqualität im Katastrophenmanagement

http://www.scch.at/de/das-projekte-details/indyco






Daten-Analyse

Knowledge Discovery


Machine Learning

Interpretation

Evaluation

Implementation

Knowledge

Optimized Process Process Data

Expert Knowledge

(Statistical) Models

Fehlerdetektion (Message Board)

Priorisierung von Fehlern nach Relevanz

Monitoring großer Anzahl von Systemen

Fehlerdiagnose in Echtzeit

FDD Algorithmen identifizieren mögliche Ursachen in Echtzeit

und leiten so die Instandhaltung

Fehlervorhersage für Predictive Maintenance

Vorhersage von Ausfallszeiten

Anwendungen


Fehler können Schäden, Schnee, Verschattung,

Verschmutzung, ... sein

Verwendung von robusten Lernalgorithmen (robust

learning)

Fehler reduzieren die

Effizienz der PV-Anlage,

d.h. weniger Energie

wird produziert

Ziel: Erhöhung der

Anlageneffizienz und

Optimierung der Instandhaltung

Beispiel: Fehlerdetektion in PV-Anlagen1


Angewandte Theorie: Korrelationsnetzwerke für Fehleridentifikation

Problem: Identifikation der fehlerhaften

(PV)-Systeme

Lösung: Robuste Korrelationsnetzwerke

Nutzen: Erhöhung der Anlageneffizienz und Unterstützung der

Instandhaltung

Beispiel: Fehlerdetektion in PV-Anlagen2


x1

x4 x2

x3 x1

x4 x2

x3

Beispiel: Fehlerdetektion, -diagnose – Bandwaage

Problemstellung

Kalkulation des transportierten Materials ohne Bandwaage

Identifikation von fehlerhaften oder defekten Komponenten

Lösung

Lerne f s.t. f(power, …) = mass (weight)

Arbeitsschritte

Daten sammeln

Bandwaage modellieren

Parameter lernen

Algorithmus implementieren

Nutzen

Kostensenkung: Virtueller Sensor statt

realem Sensor (Bandwaage)

Diagnosetool, um fehlerhafte Komponenten zu finden

Abschätzung der Effizienz/Verschlechterung


Problem

Wenn das System fehlerhaft ist, dann finde die

fehlerhafte(n) Komponente(n)

Sensorplatzierung zur Identifizierung fehlerhafter

Ventile

Nutzen

Kostenreduktion: Weniger Sensoren pro Maschine

Lösung (modell-basiert)

Beispiel: Fehlerdiagnose (& Sensorplatzierung)


Hydraulischer (links) und elektrischer (rechts) Kreislauf

Reduktion zu

Optimierungsproblem

Für jede Kante nehme mindestens einen

Endknoten. Minimiere Knoten/Sensoren.

Sensor!

Sensor!

Fault Detection Message Board für Maschinen


Beispiel: Fault Detection Message Board


Predictive Analytics / Maintenance

Bereich: Produktion hochwertiger Stahl

Ziel

Identifikation von Einflussfaktoren für schlechte Qualität

Herausforderungen

> 200 potentielle Einflüsse

Finden frühzeitiger Indikatoren

Nur sehr limitierte Anzahl von Beispielen vorhanden

Beispiel: Prozessqualitätsanalyse Stahlproduktion


Produktionszeit: 20 Wochen

Instandhaltung für multi-funktionale Peripheriegeräte

Entwicklung von datengetriebenen

Fehlervorhersagemodellen

Kein explizites Modell entwickelt

Big Data (große Anzahl von Geräten)

Vorhersage der dringendsten Fehler

Beispiel: Datengetriebene Fehlervorhersage1


Kombination von Sensordaten (interne und

Umgebungssensoren), Alarmen und historischen

Instandhaltungsdaten

Datenaufbereitung für Data Mining und Machine Learning

Rohdaten: asynchron, nicht integriert, schiefe Verteilungen

Aufbereitete Daten: synchron, pro Maschine, integriert,

reduziert (ca. 35 Merkmale pro Maschine)



Machine Learning Methoden zur Vorhersage von Fehlern

2-3 Wochen voraus

Einfache Modelle (z.B. Entscheidungsbäume): 70%

Neuronale Netzwerke für präzisere Prognosen: 94%

Priorisierung möglich

Message Board Prototyp wurde entwickelt



Ziel

Antizipative Instandhaltungsstrategiebestimmung

Verbesserte Bestimmung des Ausfallverhaltens von Anlagenkomponenten

Erhöhung der Anlagenverfügbarkeit

Reduzierung von Material- und Energiekosten

Bessere Planbarkeit der Instandhaltungen

Ansatz

Kombination von Expertenwissen und

datenbasierten Störungsprognosemodellen

und deren optimale Integration in das

Instandhaltungsmanagement

Beispiel: Predictive Maintenance

27

Projekt PROSAM: FFG, IKT der Zukunft - 2. Ausschreibung http://www.scch.at/de/das-projekte-details/prosam

Projekt Smart Maintenance: FFG, Produktion der Zukunft – 4. Ausschreibung http://www.scch.at/de/das-projekte-details/smart-maintenance

© Software Competence Center Hagenberg GmbH

Zusammenfassung

Ist-Analyse „Wo stehe ich mit meinem Unternehmen?“

Step-by-step: Überspringen Sie keine Schritte, um Ihr Ziel zu

erreichen

Gutes, professionelles Daten-Management bringt auch schon viele

Vorteile

Ohne ausreichende

Datenqualität keine

guten Daten-Analyse

Ergebnisse

Daten-Management als

Grundvoraussetzung

Danach eröffnen sich

viele Möglichkeiten durch

Daten-Analyse und Vorhersage!

Zusammenfassung



Partner und Referenzen

Fragen / Kontakt


Dr. Bernhard Freudenthaler

Executive Head Data Analysis Systems

+43 7236 3343 850

[email protected]

www.scch.at



http://www.scch.at/

smart data analytics · scch ist eine initiative der scch ist teil des smart data analytics key to...

Documents