Smart Data Analytics · SCCH ist eine Initiative der SCCH ist Teil des Smart Data Analytics Key to...
Transcript of 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
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
3 © Software Competence Center Hagenberg GmbH
Forschungsschwerpunkte
Data Analysis Systems @ SCCH
4 © Software Competence Center Hagenberg GmbH
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
5 © Software Competence Center Hagenberg GmbH
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
7 © Software Competence Center Hagenberg GmbH
IST-Analyse
• Problemstellung
• Datenaufbereitung
• Erste Analysen
• Entscheidungsgrundlage
Daten-Management
• Datenintegration
• Datenaufbereitung
• Datenqualität
• Datenverarbeitung
Daten-Analyse
• Knowledge Discovery
• Prozessanalyse
• Fehlerdetektion
• Fehlerdiagnose
Vorhersage/Optimierung
• Machine Learning
• Fehlervorhersage
• Optimierung
• Predictive Maintenance
Abbruch
Daten-Analyse
• Knowledge Discovery
• Prozessanalyse
• Fehlerdetektion
• Fehlerdiagnose
Vorhersage/Optimierung
• Machine Learning
• Fehlervorhersage
• Optimierung
• Predictive Maintenance
Vorhersage/Optimierung
• Machine Learning
• Fehlervorhersage
• Optimierung
• Predictive Maintenance
Daten-Analyse
• Knowledge Discovery
• Prozessanalyse
• Fehlerdetektion
• Fehlerdiagnose
Daten-Management
• Datenintegration
• Datenaufbereitung
• Datenqualität
• Datenverarbeitung
...
Traditionelle Datenverarbeitung vs. Big Data
9 © Software Competence Center Hagenberg GmbH
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
10 © Software Competence Center Hagenberg GmbH
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
11 © Software Competence Center Hagenberg GmbH
12 © Software Competence Center Hagenberg GmbH
Demonstrations-Video unter: http://www.scch.at/de/das-projekte-details/indyco
Beispiel: Datenqualität im Katastrophenmanagement
Knowledge Discovery
14 © Software Competence Center Hagenberg GmbH
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
15 © Software Competence Center Hagenberg GmbH
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
16 © Software Competence Center Hagenberg GmbH
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
17 © Software Competence Center Hagenberg GmbH
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
18 © Software Competence Center Hagenberg GmbH
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)
19 © Software Competence Center Hagenberg GmbH
Hydraulischer (links) und elektrischer (rechts) Kreislauf
Reduktion zu
Optimierungsproblem
Für jede Kante nehme mindestens einen
Endknoten. Minimiere Knoten/Sensoren.
Sensor!
Sensor!
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
23 © Software Competence Center Hagenberg GmbH
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
24 © Software Competence Center Hagenberg GmbH
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)
Beispiel: Datengetriebene Fehlervorhersage2
25 © Software Competence Center Hagenberg GmbH
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
Beispiel: Datengetriebene Fehlervorhersage3
26 © Software Competence Center Hagenberg GmbH
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
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
29 © Software Competence Center Hagenberg GmbH
Fragen / Kontakt
31 © Software Competence Center Hagenberg GmbH
Dr. Bernhard Freudenthaler
Executive Head Data Analysis Systems
+43 7236 3343 850
www.scch.at