In einer typischen Prozessanlage findet sich in der Regel eine Vielzahl von Datensilos: gesammelte Daten werden in isolierten Informationssystemen gespeichert und verarbeitet. Durch die isolierte Speicherung und Verarbeitung der Daten wird jedoch das automatisierte Lernen aus historischen Daten erschwert. So ist Datenanalyse eine mühselige Aufgabe und erfordert sowohl tiefgehendes Verständnis für die einzelne Anlage als auch erhebliche Personen- und Zeitaufwände. Neue Technologien versprechen die Möglichkeit, Lösungen für Industrial Analytics leichter bereitzustellen. Sie werden entwickelt, um Daten in großen Mengen (V1: high volume), mit hoher Geschwindigkeit (V2: high velocity) oder in unterschiedlichen Formaten (V3: high variety) zu behandeln. Durch das Vorhandensein von gleichartigen Daten in unterschiedlichen Datensilos kommt es zusätzlich noch zum Problem der nicht vorhandenen Glaubhaftigkeit bzw. zu widersprüchlichen Aussagen der Daten (V4: veracity). Ein echtes Big-Data-Problem liegt vor, wenn es durch alle vier Vs charakterisiert werden kann. Heutige Systeme und Problemstellungen in der Produktion erfüllen dabei immer häufiger die charakteristischen Bedingungen eines Big-Data-Problems: Prozesshistorians speichern Daten in hoher Auflösung und das über Jahre, Alarmmanagementsysteme sammeln große Mengen an Eventdaten, Labormessungen werden regelmäßig durchgeführt und ergänzen die Online-Messung von Produktdaten, Standard-Operating-Prozeduren liefern Informationen über den Betrieb der Anlage, Maintenance und Asset Management Systeme informieren über den aktuellen \’Gesundheitszustand\‘ von Anlagenkomponenten. Die Verwendung von Big-Data-Analysen auf allen diesen Datenquellen verspricht die Vermeidung von kritischen Situationen in der Prozessindustrie. Dabei stoßen existierende Systeme immer mehr an ihre Grenzen: Auf Grund wachsenden Datenaufkommens in Bezug auf Volumen und Geschwindigkeit sind klassische relationale Datenbanken oder Prozesshistorians oft überfordert.
Wann (und wo) helfen Big-Data-Technologien?
Parallel dazu führt der erhöhte Automatisierungsgrad zu einem Erfahrungsverlust bei Anlagenfahrern. Diese sind in komplexen Situationen überfordert und nicht mehr in der Lage, das dynamische Verhalten ihrer Anlage zu beherrschen. Besonders in unerwarteten Situationen, wenn es zu vielen Alarmen kommt, macht sich der fehlende Erfahrungsschatz bemerkbar. Denkt man diese Punkte konsequent weiter, ergeben sich somit zahlreiche Anwendungsmöglichkeiten von Big Data für den Betrieb einer Anlage: Monitoring, Alarmmanagement, Ursachenanalyse, Plant Asset Management, Entscheidungsunterstützung. Tabelle 1 listet einige der Möglichkeiten in der Prozessindustrie auf und zeigt, wo die Herausforderung zur Realisierung liegt. Die Beispiele zeigen deutlich, dass sich parallel zu den Möglichkeiten, auch die Arbeitsweise ändern wird.
Alarmmanagement
Alarmmanagement ist einer der Bereiche, in denen Big-Data-Technologien zum Einsatz kommen werden. Zentraler Gedanke ist, solche Alarme zu vermeiden, die in der jeweiligen Situation keine hilfreiche Information für die Anlagenfahrer darstellen. Überflüssige Alarme können von wichtigen Sachverhalten ablenken und zu Fehlentscheidungen führen. Kritische Prozesssituationen werden so durch eine begrenzte Anzahl von Alarmen vermieden, das menschliche Auffassungsvermögen nicht überlastet. Die Einführung von Leitsystemen in der Prozessindustrie hat unzweifelhaft die Anzahl von Alarmen pro Bediener im Laufe der Zeit exponentiell erhöht. Moderne Prozessanlagen weisen einen hohen Grad an Verbindungsflexibilität auf, sodass eine Störung im Betrieb einer Teilanlage durch die vorhandenen Material-, Energie- und Informationsverbindungen Auswirkungen auf die gesamte Anlage hat. Die zu diesen Prozessvariablen assoziierten Alarme werden ausgelöst. Alarmmeldungen überlasten das Bedienpersonal, so daß es nicht in der Lage ist, sämtliche Alarme angemessen zu untersuchen. Eine sogenannte \’Alarmflut\‘ ist die Folge. In dieser Situation kann es sein, dass der Bediener einen sicheren Betrieb der Anlage nicht mehr garantieren kann. Die Big-Data-Methode beinhaltet in diesem Fall die vier Basisschritte: Identifizierung von Alarmfluten, Erstellen von Alarmgruppen, Alarmmanagement Rationalisierungstreffen, in denen automatisiert erstellte Vorschläge begutachtet und freigegeben werden, Implementierung im Alarmsystem. Schlussendlich können Ansätze wie der skizzierte als Basis genutzt werden, um ein Entscheidungsunterstützungssystem wie in Bild 1 zu entwerfen, das den Anlagenfahrer der Zukunft in kritischen Situationen unterstützt.
Fazit
Big Data eröffnet neue Möglichkeiten, aus der in Daten verborgenen Erfahrung zu lernen und so Prozesse zu optimieren. Neben den großen Möglichkeiten bestehen aber nach wie vor wesentliche Herausforderungen, die noch gelöst werden müssen, bevor Big Data in breiter Front im industriellen Umfeld zum Einsatz kommen kann.
