Transparenz ist ein elementarer Bestandteil für effiziente Fertigungsumgebungen. Sie durchleuchtet vergangene und aktuelle Abläufe, zeigt Potenziale auf und verhilft Industriebetrieben dadurch zu mehr Wertschöpfung. Mit der zunehmenden Digitalisierung steigen allerdings auch die Anforderungen an eine effiziente Verarbeitung der rasant wachsenden Datenmengen, die wir in der Produktion anfallen. Kombiniert mit neuen Entwicklungen rund um die Trendthemen künstliche Intelligenz und Machine Learning, lässt sich nun der viel zitierte Blick in die Glaskugel werfen und zuverlässige Prognosen ableiten.
Schnell und einfach zu Ergebnissen
Predictive Analytics an sich ist kein neues Thema. Für Thomas Krainz, Mitbegründer der Firma Industrie Informatik und Head of Strategic Product Management, ist allerdings die Herangehensweise entscheidend: „Ziel war eine Out-of-the-Box-Lösung, mit der Anwender schnell und einfach aber ohne große Kosten zu Ergebnissen kommen.“ Vor allem mittelständischen Unternehmen soll so der Umgang mit großen Datenmengen und damit der Zugang zu umfassenden Digitalisierungsmaßnahmen ermöglicht werden.
Der Weg zu einem solchen, markttauglichen Produkt führte über ein mehrjähriges Forschungsprojekt, an dem mehrere Instanzen beteiligt waren. Den theoretischen, wissenschaftlichen Zugang ermöglichte die Wirtschaftsuniversität Wien. Mit der Firma Risc Software war zudem ein international tätiges Forschungsunternehmen gewinnen. Die gemeinsam gewonnenen Erkenntnisse wurden dann in Fallbeispielen von ausgewählten Kunden erarbeitet. Im Fokus stand die Identifizierung möglicher Anwendungsfelder auf Basis vorhandener Daten, sowie die Ausarbeitung, Entwicklung, Erprobung und Bewertung von Algorithmen, Verfahren und Technologien zu Prognosezwecken.
In der Cloud und on-premises
„Das Ergebnis aus dem Forschungsprojekt ist einerseits ein Technologie-Stack, der sowohl in der Cloud als auch on-premises einsetzbar ist“, erklärt Krainz. „Weiters haben wir ein Data-Preprocessing-Modell entwickelt, das dem Anwender dabei hilft, Daten aus Cronetwork MES im ersten Schritt zu bereinigen und aufzubereiten, bevor eine KI die laufende Bewertung und Interpretation der daraus gewonnenen Informationen vornimmt.“ Dass all diese Vorgänge auf dem Standard-Datenmodell von der MES-Lösung von Industrie Informatik basieren, schafft für den Anwender Vorteile, die sich in der raschen Umsetzbarkeit von Predictive-Analytics-Methoden niederschlagen. Hinzu kommt die Verwendung des Random-Forest-Modells als Lern-Algorithmus. Es ist auf schnelle Durchlaufzeiten und gute Interpretierbarkeit der Ergebnisse ausgelegt. „Erfolgsentscheidend ist am Ende die Anpassung aller Elemente an die jeweilige Datensituation“, sagt Krainz. „KI und Predictive Analytics sind keine Wunderheiler. Der Vorteil liegt in der Nachbildung von menschlichem Know-how – und das bei hoher Geschwindigkeit und rund um die Uhr. Daraus leiten sich viele Möglichkeiten ab.“ Konkret gemeint sind damit Prognosen zu relativen Ausschüssen und Arbeitsplatzstörungen in Folgeschichten sowie zu Qualitätsstati nach Fertigungsschritten. „Mit diesen Informationen kann man verborgene Einsparungspotenziale aufdecken und die Effizienz deutlich erhöhen.“
