Geschäftsfeld Datenanalyse von Softing Das Beste aus dem Datenwust herausholen

Peter Seeberg, Softing
»Mir stellt sich die Frage, ob der Mittelstand im Maschinenbau es sich leisten kann, mit „as a Service“-Modellen in Vorleistung zu gehen.«
Peter Seeberg, Softing Industrial Automation: »Neun von zehn unserer Kunden wollen eine Industrial-Data-Intelligence-Lösung nicht in der Cloud, sondern in oder an der Anlage.«

Die künftige Industrie 4.0 im Blick, ist der Industriekommunikationstechnik-Hersteller Softing gerade dabei, den Geschäftsbereich „Industrial Data Intelligence“ aufzubauen. Peter Seeberg, Business Development Manager bei Softing Industrial Automation, erläutert die Hintergründe.

Markt&Technik: Softing gilt als Experte für das Sammeln, Aggregieren und Bereitstellen von Daten. Warum hat das Unternehmen dann überhaupt einen Geschäftsbereich „Industrial Data Intelligence“ gegründet?

Peter Seeberg: Aus der Erkenntnis heraus, dass die Daten das Öl des 21. Jahrhunderts sind, haben wir etwa vor einem Jahr begonnen, das neue Geschäftsfeld zu errichten. Wir kennen uns mit Fabriken, Produktionslinien und Anlagen gut aus und wissen, wie man Produktionsdaten sammelt. Dies eröffnet uns auf dem Weg zur Industrie 4.0 die Chance, ein umfangreiches Neugeschäft zu entwickeln. Momentan beschäftigt sich eine Gruppe von etwa zehn Mitarbeitern an den Standorten München, Nürnberg und Cluj (Rumänien) mit der Entwicklung der Lösungen und des Geschäftsfelds.

Welche Art von Unternehmen sehen Sie hauptsächlich als Zielgruppe des neuen Geschäftsfelds?

Einige Pilotprojekte mit Kunden laufen, und eine erste Lösung werden wir auf der Messe SPS IPC Drives im November vorstellen. Weil wir die Erfahrung gemacht haben, nur in Unternehmen ab einer gewissen Größe auf geeignete Gesprächspartner für das Thema Industrial Data Intelligence zu treffen, konzentrieren wir uns zunächst auf größere Mittelständler. Der restliche Mittelstand dürfte irgendwann nachziehen. Kleinere Unternehmen werden wir selbst nicht ansprechen; sie werden gegebenenfalls auf uns zukommen. Oft treffen wir auf Unternehmen, in denen die Entscheidung, sich mit Datenanalyse zu befassen, schon gefallen ist.

Wie will Ihr Unternehmen das Thema strategisch bearbeiten?

Die eigentliche Revolution, die gerade stattfindet, ist die der neuen Herrschaft der Daten. Seit dem ersten programmierbaren Chip – dem Intel 4004, der 1971 auf den Markt kam – gehen Unternehmen, die Software entwickeln, nach dem gleichen Schema vor: Zuerst definieren sie das Problem, dann bestimmen sie die Ziele, die sie erreichen wollen, und legen fest, was dafür zu tun ist. Schließlich schreiben sie die Anwendung als eine Reihenfolge von Algorithmen. In der Praxis werden den Algorithmen der Anwendung Daten zugefüttert, und Anwender treffen auf deren Basis Entscheidungen.

Mittlerweile ändert sich diese Vorgehensweise strukturell: Zuerst sammle ich Daten und lasse dann allgemeingültige Algorithmen für Data Mining, Analytics oder vorausschauende Wartung auf die Daten los. Auf Basis der Kausalitäten, die daraus resultieren, treffe ich heutzutage Entscheidungen zur Produktionsoptimierung, und morgen nehmen uns die Algorithmen bestimmte Entscheidungen zur Produktionsoptimierung selbstständig ab. Wir wollen mit unserem Geschäftsfeld Industrial Data Intelligence genau diesen Paradigmenwechsel ermöglichen und unseren Kunden Lösungen zur datenbasierten Produktionsoptimierung bereitstellen. Bei der klassischen Reihenfolge „Algorithmus–Daten–Entscheidung“ kann die Gesamtanlageneffektivität (GAE, englisch OEE – Overall Equipment Effectiveness) nicht besser sein als der Mensch sie programmiert hat. Algorithmen des maschinellen Lernens, angewendet auf große Mengen Produktionsdaten, können Kausalitäten finden, die dem Anlagenbetreiber bis dato verborgen waren und die GAE – also die Verfügbarkeit, Leistung und Qualität – verbessern.

Wie sollen die ersten Schritte zu diesem Ziel aussehen?

Unser Vorgehen orientiert sich an dem „Cross-Industry Standard Process for Data Mining“ (CRISP-DM). Dabei geht es zuerst darum, die vorhandenen Produktions- und Datensammel-Prozesse zu verstehen und Ziele für die datenbasierte Produktionsoptimierung festzulegen, an denen alle nachfolgenden Schritte gemessen werden. Für konkrete Anwendungsfälle, in denen Daten einen kommerziellen Wert darstellen, entwerfen wir individuelle Konzepte, um die identifizierten Potentiale zu erschließen. Dazu werden zunächst Produktionsdaten in einem wiederkehrenden Zyklus gesammelt und analysiert. Im nächsten Schritt erkennt die Analyse Gesetzmäßigkeiten, aus denen sich beispielsweise Vorhersagen für eine Optimierung ableiten lassen. Im Anschluss daran erfolgt die Entscheidung für eine Lösung, etwa eine Anomalie-Erkennung, und deren Implementierung.

Grundsätzlich unterscheiden wir zwei Arten von Fragestellungen für die Datenanalyse: Bei der einmaligen Fragestellung wird ein Problem analysiert und verstanden und lässt sich durch eine Modifikation der Produktion lösen. In diesem Fall findet die Lösung im Anlagen-Engineering statt. Wenn ein Problem nicht dauerhaft lösbar ist, aber vorausschauend erkannt werden soll, wird eine Lösung mittels einer Streaming-Analytics-Implementierung gesucht, etwa eine Anomalie-Erkennung. Wir erwarten, dass die Mehrheit der Projekte, die wir mit unseren Kunden umsetzen, in der letzten Kategorie zu Hause sein werden.