Von Big Data zu Smart Data – Dieser Weg wird kein leichter sein

Anbieter zum Thema

VERDER Deutschland GmbH & Co. KG

WIKA Alexander Wiegand SE & Co. KG

J. Engelsmann AG

Bayer AG

Welche Daten sind überhaupt geeignet?

Im Detail zieht dies eine ganze Reihe an Fragen nach sich. „Wir mussten erst einmal analysieren, welche Daten wir denn gerne hätten und in welchem Format diese vorliegen müssen“, so Pötter und benennt gleich den nächsten Schritt: „Wie erhält das dahinterliegende Rechenmodell zwar die notwendigen Informationen über das Ventil, gibt aber kein Prozess-Know-how heraus?“ So sollte die Information, dass ein Ventil ausgefallen ist und daher vielleicht Produkt XY nicht mehr produziert werden kann, nicht beim Wettbewerber landen.

Bildergalerie

Daher werden die Rohdaten gemäß den Vorgaben des Datenbesitzers, z.B. des Anlagenbetreibers, automatisch anonymisiert, für die Analyse nicht benötigte Metainformation entfernt und Datenreihen normalisiert. Des Weiteren muss neben einer manipulationssicheren und verschlüsselten Übertragung der Daten eine sichere Speicherung der Daten am Ort der Verwendung gewährleistet werden. „Auch rechtliche Rahmenbedingungen, etwa wem die Daten gehören, mussten geklärt werden“, erinnert sich Pötter an die Vorarbeiten. Die Arbeit begann dann mit der Entwicklung und Einbindung verschiedener Data Mining Algorithmen, Daten- und Systemarchitekturen sowie Cloud-Technologien.

Herausforderungen bei der automatisierten Diagnose

Zur Identifikation von Schadensfällen bei Ventilen wurden parallel physikalisch-modellbasierte und datengetriebene Methoden entwickelt. Unerwünschte Anhaftungen am Ventilkegel und Kegelverschleiß als häufige Schadensfälle rückten dabei in den Fokus. Innerhalb des Projektes SIDAP wurden 530 Millionen Datensätze in die Analyse miteinbezogen. Ziel war es, Anomalien im Ventilverhalten zu erkennen und daraus auf einen Ventildefekt zu schließen.

Dr. Thorsten Pötter Bayer: „Wir haben schnell gemerkt, dass es für die Detektion unterschiedlicher Ventilfehler auch verschiedene Diagnosemethoden geben muss.“

„Wir haben bereits gut funktionierende Modelle, die einen Defekt im Ventil beschreiben, aber wir haben schnell gemerkt, dass es für die Detektion unterschiedlicher Ventilfehler auch verschiedene Diagnosemethoden geben muss“, so Pötter (siehe Tabelle in der Bildergalerie). Zudem gibt es weitere Einflüsse im Prozess, die sich im Datenmodell nicht so ohne Weiteres beschreiben lassen. „So ist die Unterscheidung von Prozesszuständen alles andere als einfach“, nennt Pötter ein Beispiel. „So lange dem Modell die Prozesszustände unbekannt sind, wird auch ein Prozess im Anfahren als Anomalie bzw. Fehler erkannt.“

Dies sind aber bei Weitem nicht die einzigen Herausforderungen, auf die Anwender bei der automatisierten Diagnose stoßen ...

(ID:45097730)