Case Study Energy management in the production industry - potential savings with data-oriented...

Fallbeispiel Energy Management in der Produktionswirtschaft Einsparungspotential mit datenorientierter Analyse und

Big Data Technologien

Big Data Summit 2016

Hanau, 25. Februar 2016

Dr. Christian von Toll – Weidmüller Gruppe

Dr. Martin Strohbach – AGT International

Agenda

Ganzheitliches Energiemanagement

Energy Analytics

Interaktive Use Case Demo

Energy Analytics Architecture

Wie definieren wir Industrie 4.0? Energiemanagement – Schritt zur energieeffizienten, intelligenten Fabrik

Messdaten erfassen, verdichten und archivieren

Kontinuierlichen Verbesserungsprozess

etablieren

Energieeffizienz bewerten

Einsparpotentiale über Algorithmen identifizieren

Handlungsempfehlungen

Steuerung

3 Big Data Summit 2016, Hanau, 25. Feburar 2016 Dr. Christian von Toll, Weidmüller Gruppe Dr. Martin Strohbach, AGT International

Absprunghöhe – Ganzheitliches Energiemanagement

Als produzierendes Unternehmen

ist Weidmüller Mitstreiter und Kunde zugleich

Die transparenten Fabrik

Datamining auf verschiedenen Messebenen

Bedürfnisse und Probleme der Kunden erörtern

Bidirektionale Kommunikation

Unsere Philosophie

Von der Produktion für die Produktion

Transparenz

Lösungsorientiert

Aus der Produktion.

Für die Produktion.


Energy Analytics – Bedarf für digitale Helfer im Energiemanagement

Fertigungsleiter:

„Dass Maschinen über das Wochenende noch laufen, kommt regelmäßig vor.“

„Von besonderem Nutzen für die Produktion wäre eine Software, die Verschleiß oder Defekte anhand der Energiedaten frühzeitig erkennt.“

Interner Energiemanager:

„Große Einsparungen würden sich über eine bessere Synchronisation von Fertigung und Gebäudetechnik generieren.“

Ein System, dass die o.g. Anforderungen miteinander verknüpft und praxisorientiert ist, bietet für den

Kunden große und einfach zu erschließende Einsparpotenziale.

Presse:

„Die Industrie 4.0-Vision [entwickelt sich] heute in einem Tempo, mit dem viele Unternehmen im fertigenden Mittelstand nicht schritthalten können.“

EM-Kunde:

„Ein umfangreiches System, dessen Analyse sich ausschließlich auf Energiedaten stützt, wäre auf dem Markt einzigartig und könnte insbesondere für KMU interessant

werden, da diese eine Umsetzung von MES nicht finanzieren können.“


Energy Analytics

Big data

availabilty

Energy

Management

Energy

Analytics

Algorithmen identifizieren Muster

und Anomalien

Identifizieren Einsparpotentiale

Energiedaten…

-aufnahme

-aufbereitung

-speicherung

-visualisierung


Energy Analytics - Bausteine

Anomaly Detection Über die Energiedaten identifiziert die Weidmüller Lösung Maschinen, die wegen z.B. Verschleiß oder zukünftigem Defekt außerhalb des eingestellten Regelbetriebs laufen

Peak-load Analytics Die Weidmüller Lösung kann durch die Analyse historischer Daten mögliche Lastspitzen vorhersagen und Optimierungspotenzial aufzeigen

I

Warnung

Warnung

Hinweis

II WDU 2.5 noch in Betrieb. Bitte vor

Schichtende ausschalten.

Weidmüller Analytics

Weidmüller Analytics Dashboard

Zusätzlich Info per SMS/eMail

… …

…


Energy Analytics – Peak-load Analytics

Case – Berechnung der Ersparnis durch das Peak-load Analytics

Gewählte Lastspitzengrenze 4.350 kW

Grenzüberschreitende Lastspitzen pro Halbjahr 9 Stück

Lastspitze am 26.01.2015 um 11:30 Uhr 4.682 kW

Ersparnisrelevant 332 kW

Ersparnispotenzial durch Peak-load Analytics kW x 90,12 €/kW = 29.920 €/Jahr

Am Standort Detmold ist ein Einsparpotenzial von ca. 29.000 € möglich.

kW

500 kW

1.000 kW

1.500 kW

2.000 kW

2.500 kW

3.000 kW

3.500 kW

4.000 kW

4.500 kW

5.000 kW

06.0

1.15

12.0

1.15

17.0

1.15

23.0

1.15

29.0

1.15

03.0

2.15

09.0

2.15

15.0

2.15

20.0

2.15

26.0

2.15

04.0

3.15

09.0

3.15

15.0

3.15

21.0

3.15

26.0

3.15

01.0

4.15

07.0

4.15

12.0

4.15

18.0

4.15

24.0

4.15

29.0

4.15

05.0

5.15

11.0

5.15

16.0

5.15

22.0

5.15

28.0

5.15

02.0

6.15

08.0

6.15

14.0

6.15

19.0

6.15

25.0

6.15

Lastspitzenin kW

Net

znut

zung

Zeit

Net

znut

zung

Zeit

Höchste Lastspitze

Dashboard

Höchste

Lastspitze

Weidmüller Solution Powered by AGT Advanced Analytics

Vorhersage: Erhöhtes Risiko einer

Lastspitze

Ausschalten leistungsträger Maschinen

Dashboard


Energy Analytics – Anomaly Detection

Case – Berechnung der Ersparnis durch Anomaly Detection

Anomaly Detection Einsparpotenzial laut McKinsey Studie* 10 - 40 %

Wartungskosten einer WDU 2.5 Maschine pro Jahr: 13.354,67 €

Theoretische Ersparnis (40 %): 13.354,67 € * 0,4 = 5.341,87 €

Praktische Ersparnis (10 %): 13.354,67 € * 0,1 = 1.335,47 €

Allein an einer WDU 2.5 ist ein Ersparnispotenzial von ca. 1.300 € möglich.

Bitte Montageautomat 3

prüfen!

Anomalie erkannt.

Weidmüller Analytics

Hinweis, dass eine Maschine

gecheckt und ggf. gewartet

werden muss.

Maschinencheck und Wartung *Source: The Internet of Things: Mapping the Value beyond the Hype, McKinsey Global Institute, June 2015


Weidmüller Solution Powered by AGT Advanced Analytics

Interactive Use Case Demo


Energy Peak Prediction


Processing Pipeline

Model

Building

Model

Matching

High Level Processing Pipeline

Cleaning Feature

Extraction

Model

Matching Model Fusion

Alert

Generation

Model

Building

Pre-processing Analytics Core Post-processing

Sensor data flow

Model information

Peak

Detector

Anomaly

Detector

Load

optimization


Welche Maschinen und Verbraucher sind Hauptverursacher von Lastspitzen? Wie korrelieren diese mit dem Betriebszustand der Maschinen ? • Betriebszustand der Maschinen beinhaltet z.B. • Zustandserfassung der Automatisierungssyteme

(Operator-Einstellungen, Status-, Fehler- und Störungsmeldungen) • Messwerterfassung von Sensoren (Temperatur, Druck, etc.) • Anomalieerkennung

Lösungsansatz: Semantische Modellierung • Maschinentyp • Komponenten • Sensoren • Analyseergebnisse (Lastspitzen, Vorhersagen, Anomalien)

Big Data Herausforderung: Wissensmodellierung

Linked Data


Data

Feeder

Machine Data

Inp

ut

Laye

r

Serving

Layer

Strommessdaten

Speed Layer

Batch Layer

Master Data

Messdaten Knowledge

DB

Model

Building

Model

Matching

Alert

Generation

Customer Customer

Dashboard

Management

Interfaces

Alert System


HOBBIT Holistic Benchmarking of Linked Data


1. Hohes Einsparungspotential

2. Hohe Vorhersagezuverlässigkeit anhand von Testdaten pre-validiert

3. Skalierbare und flexible Industrie 4.0 Analytics Platform

Nächste Schritte

1. Verfeinerung und Optimierung der Analyseverfahren

2. Breiter operativer Einsatz mit Weidmüller Kunden

3. Semantisches Anreicherung von Messdaten und Analyseergebnissen

Zusammenfassung


Vielen Dank!

IoT Analytics

Social IoT

27 Vertriebsgesellschaften 60 Exklusive Vertretungen und Repräsentanzen Sonstige Distributoren und Direktbelieferung in Einzelfällen

Detmold

Headquarters

Entwicklung |

Produktion

Produktion/ Entwicklung

Harald Vogelsang

Finanzvorstand

Elke Eckstein

Vorstand Operations

Volpert Briel

Vertriebsvorstand

Dr. Peter Köhler

Vorstandsvorsitzender

Mitarbeiter

49% international

4.800

Umsatz 673 Mio. EUR

Markteinführungen innovativer

Produkte pro Jahr

Mehr als

45

(sehr) zufriedene Kunden mit unserem

72 Stunden-Musterservice für Omnimate-Produkte 96%

200

3000

Nachwuchstalente

Schülerinnen und Schüler schnuppern jährlich als

Innovatoren von morgen Technikluft bei uns

Factory Automation Device Manufacturer Industry Automation & Solutions

und

Case Study Energy management in the production industry - potential savings with data-oriented...

Technology

Transcript of Case Study Energy management in the production industry - potential savings with data-oriented...