machine analytics -...

A company of the pmOne Group

BY PMONE ANALYTICS

MACHINE ANALYTICS

Copyright by pmOne Analytics 2

Agenda

Machine Analytics & Intelligence

1. MACHINE ANALYTICS - HEUTE EIN “MUST”

2. DIE WICHTIGSTEN ANWENDUNGSFELDER UND -THEMEN

3. EINIGE ERFOLGREICHE CASE STORIES

4. BEST PRACTICES

5. ERFOLGREICH STARTEN

1. Machine Analytics - Heute ein “MUST”


Die Vierte Industrielle Revolution……oder das Zweite Zeitalter der Maschinen

Spätes 18. Jd.

Erste Industrielle Revolution:

Dampfmaschine

Beginn 20. Jd.

Zweite Industrielle Revolution:

Industrialisierung

1970 - 2000

Dritte Industrielle Revolution:

elektron. Automatisierung

2010 bis heute

Vierte Industrielle Revolution:

Intelligente Automatisierung …

exponentieller Wandel


Verbesserungspotentiale der Industrie

Produktivität steigernPräzision und Tempo Kosten senken


Food for Thought: Was Unternehmen wirklich tun sollten

Source: https://hbr.org/2012/05/managing-your-innovation-portfolio

Empfohlener Fokus Erwarteter Nutzen


Die Herausforderung. Alles oder nichts.Und der Abstand wächst…rasant.

The Winner takes it all,…

…but he might not last.


Was wir auf gar keinen Fall wollen ist,…

…abgehängt zu werden.


Was rechtzeitiges Handeln bringtArtificial Intelligence ist die Zukunft und Machine Analytics ist heute:

1. Verstärkung der Marktposition:

1. Attraktiver neue Produkte und Dienstleistungen

2. Optimierung der Produktion:

1. Senkung der Produktionskosten

2. Steigerung des Outputs

3. Minimierung von Fehlerquellen

3. Verbesserung der Geschäftsprozesse:

1. Verbesserung von Forecasting Genauigkeiten

2. Reduktion von R&D Kosten

3. Automatisierung von Business Support und IT-Prozessen


Zusammenfassend: Die Machine Analytics Ziele

shorten downtimes,

optimize OEE

increase production quality

increase first time fix

rates

reduce production costsincrease

throughput

increase

production yield

2. Die wichtigsten Anwendungsfelder und -Themen


Machine Analytics nach Business Case

Manufacturing Analytics

Optimieren der eigenen

Produktion

Überwachung des laufenden

Betriebes

IoT Analytics

Herstellung und IoT

Hybrid Analytics


Machine Analytics Anwendungsbereiche

1. Predictive Maintenance

2. Predicting Machine Health

3. Foreign Matter Contamination

4. Shop Floor Digitization

5. Manufacturing Process Optimization

7. Root Cause Analysis

6. Raw Material Issue Prediction

8. Deviation Detection


Predictive Maintenance

Anomaly Detection

Failure State

Analysis

Predict Failures


Anomaly Detection & Machine Health


Manufacturing Process OptimizationYield Enhancement

Root Cause Analysis:

ermöglicht die Lokalisierung von

Gründen für Qualitätsverluste

und schnelle Entscheidungen.

Übergreifende Daten:

zu Prozess-Kontrolldaten,

Qualitäts-Kontrolldaten und

Yielddaten bestimmen Yield-

Cluster.

Correlation:

Ordnet Anomalien bestimmten

Yield-Clustern zu und findet “still-

best-possible-actions”.

(Semi-)Supervised Learning:

ermöglicht die Unterscheidung

von relevanten Anomalien.

Recommender:

Erlaubt In-Prozess Empfehlungen

für Anpassung folgender

Prozessparameter für Yield-

Optimum.

Bis zu 30% weniger Yield Verlust

Reduzierter Ausschuss

Reduzierte Kosten für Testing


Automated Quality Testing

Automatische Defekt

Erkennung:

Durch Scannen von tausenden

Bildern in Sekunden.

Automatische Lokalisierung und

Alerting:

Gezielte Benachrichtigung für

Mitarbeiter für Fokus auf Defekt-

Handling anstelle Defekt-Suche.

Live Bildaufnahmen:

Durch hochauflösende Kameras

aus multiplen Winkeln.

Bis zu 50% mehr Produktivität durch Automatisierung

Bis 90% Verbesserung in Defekterkennung

Erhöhte Flexibilität und verkürzte Deploymentzeiten

3. Kennenlernen erfolgreicher Case Stories

Case Story: Production of

Fused silica the backbone of the information age

Fiber-Optic Cables


Das Glasfaserkabel

Aus einem 3m hohem

Quarzglaszylinder

werden…

Aus einem 3m hohem

Quarzglaszylinder

werden 3.5 km Kabel!


Der Produktionsprozess


Was sind die typischen Probleme?

Durchmesservariantion

Exzentrizität

Ovalität

Biegung

Einseitigkeit


Yield Optimierung

Step 1 Step 2 Step 3 Step 4 Step 5 Step 6 Step 7

Produktionsschritte

1. Mustererkennung auf Abweichungen

2. Algorithmus sagt Einfluss auf Yield voraus


Yield Optimization

Step 1 Step 2 Step 3 Step 4 Step 5 Step 6 Step 7

1. Mustererkennung auf Abweichungen

2. Algorithmus sagt Einfluss auf Yield voraus

3. Algorithmus gibt „Empfehlungen“ für Yield

Optimierung

Produktionsschritte


Feature ImportancesImportance

Einfluss auf

Ziel-Variable


Clustering

2D Projektion des

Parameter-Raumes


Korrelation

2D Projektion des

Parameter-Raumes gutschlecht


Optimierung & Empfehlung

Optimierung im

Parameter-Raum

x

Case Studies im Überblick


Case Study: Industrie

Prognose Machine Health und Time to

Failure / Remaining Useful Life

Unterstützung neuer Geschäftsmodelle

(Pay for Service)

Echtzeit-Erkennung von Anomalien in

Sensor-Daten

Maschinengestützte Event-Filterung: nur

Maintenance-Events

https://max.thyssenkrupp-elevator.com/en/

PREDICTIVE MAINTENANCE

IoT Analytics

Projektziele

SENSOR VERIFICATION

Data Verificiation

https://max.thyssenkrupp-elevator.com/en/


Case Study: Automobil-Zulieferindustrie

Prognose IO/NIO der Maschine auf Basis

zweier Signale

Fehlerklassifikation nach Signaldaten

Digitalisierung Produktion: Field-Gateways,

lokaler SQL-Server, Anbindung Azure

Plattform

hohe tägl. Datenmenge: ~2GB / Roboter

Architekturmodell, IoT-Hub aufbauen


Classification OK/NOK

Projektziele

SHOP FLOOR DIGITIZATION

Sensor-Data from Robots

IOT HUB / PLATFORM

Azure Platform, Field Gateways


Case Study: Industrie

Analyse von Kundenbeschwerden in Bezug

auf Geräusche Sensoranalyse der

Audiodaten

Suche nach fehlerhafter Komponente /

Zulieferer

Identifikation von Korrelationen zu

Produktionsdaten

Erstellung eines Vorhersage-Modells für

ein Frühwarnsystem

Einbindung der Geräuschdaten von Einzel-

komponenten in das Vorhersage-Modell

FAULTY PART DETECTION

Correlation Production-Data

Projektziele

IOT HUB / PLATFORM

Integration Sensor-Data


Case Study: Pharmaindustrie

Aufbau Analytics Architektur & Strategie

Erstellung einer globalen Cloud-basierten

IoT Architektur

Analytics Tool und Hersteller Evaluation

Umsetzung und Verprobung von Data

Science Use-Cases zur Erkennung von

Produktionsabweichungen sowie

Vorhersage von Produktionsfehler

FAULTY PART DETECTION

Production

Projektziele

IN-PROCESS VERIFICATION

Production & Quality Control

GLOBAL DATA HUB

Integrate data from SCADA & PLCs


Production

DEVIATION PREDICTION

Predict Quality Events and

Deviations


Case Study: Maschinenbau

Schwingungssensor als Basis der

Analysen/Prognosen

Prognose Machine Health nach

Signaldaten

Prognose Remaining Useful Life / Mean

Time To Failure

Minimierung Maschinenausfallzeit –

Optimierung OEE

Anomaly Detection der Signalwerte

Dashboard für Streaming- und ML-Daten


Classification OK/NOK

Projektziele

MACHINE HEALTH

Prediction TTF/RUL

DASHBOARD

PowerBI, Streaming Daten

Unsere Kunden (Auswahl)

35Copyright by pmOne Analytics

Machine Analytics, IoT, Industry 4.0Customer / Product Analytics

4. Einordnen von Best Practices


Eine Architektur für Machine Analytics

• Massive Datenmengen

• Alle Datenarten

• Realtime-Anbindung

• Start Small

• Globale Performance

• Iteratives Vorgehen

• Open Source Support

• Compliance, GxP

• Governance, Sicherheit

• Kosteneffizienz…


Manufacturing Analytics Hub – Phase 1Raw-Data Interaction

Data Lake RepositoriesView-based Interaction

Batc

h M

ast

er

Data

MES

ERP

Devic

es

Deep Data

Timeseries

Batch Master DataAzure SQ

L DB

Analytics

Machine Learning

Statistical Attributes

Gateways

Data Factory

Sensors, Devices, Apps, Web

RDBMS, Files, Execution

Standard Reporting

Data Analytics

Dashboard

Data Refineries

Advanced Analytics Exploratory Analytics

Historean

PLC

Devices/

Seonsors

SCADA IoT Hub

Raw Sensor Data

Batch Data Model

Clustering

Recommendation

Activity tracking

Preferences

Churn Prevention

Azure SQL

DWH

Copyright by pmOne Analytics

Raw-Data Interaction

Data Lake RepositoriesView-based Interaction

Batc

h M

ast

er

Data

MES

ERP

Devic

es

Deep Data

Timeseries

Batch Master DataAzure SQ

L DB

Analytics

Machine Learning

Statistical Attributes

Gateways

Data Factory

Sensors, Devices, Apps, Web

RDBMS, Files, Execution

Standard Reporting

Data Analytics

Dashboard

Data Refineries

Advanced Analytics Exploratory Analytics

Historean

PLC

Devices/

Seonsors

SCADA IoT Hub

Raw Sensor Data

Batch Data Model

Clustering

Recommendation

Activity tracking

Preferences

Churn Prevention

Azure SQL

DWH

Data Analytics

Dashboard

39

Manufacturing Analytics Hub – Phase 2


Daten werden auf IoT Devices vorgefiltert und/oder aggregiert

• Daten können nicht nachträglich erfasst werden

• Daten unverarbeitet in Cloud senden

Daten werden ohne Versionsnummer gesendet

• Firmware Update nicht in den Daten enthalten

• Firmware Version explizit machen

Angst vor zu viel Traffic

• Nicht alle Daten werden gesendet

• Kompression aktivieren

40

Häufige Fehler (I)


Daten werden gespeichert, ohne deren Nutzen zu validieren

Nicht alle Daten werden gesendet

• Im Nachhinein werden andere Daten benötigt

• Evtl. gar nicht umsetzbar

• Labor-Ansatz

Daten ohne DeviceId / Werkstück / asynchrone Zeitstempel

• Datenverarbeitung schwierig

• DeviceId mitsenden / Zeit genügend oft synchronisieren

Angst vor Kosten

• Kein IoT

• Labor-Ansatz + Tablet/Computer an Maschine anbringen

41

Häufige Fehler (II)


Iteratives Vorgehen ermöglicht frühe Ergebnisse

Fabrik

Host it and run it

Enterprise Scale

High efficiency

Automation

Labor

Trial & Error

Pattern recognition

Complex Analytics

Business Case calculation

Analytical Application Life Cycle

Dieses Vorgehen…

ermöglicht rasche Resultate

reduziert Projektrisiken

optimiert die Projektdurchlaufzeit

unterstützt den CRSIP DM Ansatz

ermöglicht eine Business-Case

Kalkulation und Projektplanung

Vom Labor in die Fabrik


Das notwendige Team-Setup

Projekt Owner

Business Analyst / Prozess-Knowhow

Technischer Architekt

Data Scientist

Verständnis der Prozesse und

der Auswirkungen für das

Unternehmen

Integration der Lösung in die

technische Gesamtlandschaft

des Unternehmens

(End-2-End)

Zuständig für die Data-

Analysen und die

Bewertung der

Ergebnisse

Verantwortet das gesamte

Projekt und managed es.

5. Erfolgreich starten


Herausforderungen

• Grosse Investitionen in Infrastruktur und

Analytik erforderlich

• Ergebnisse der Projekte oft unklar

• Sich für den richtigen Partner zu entscheiden

• Unklarheit darüber, wo man anfangen soll

Starten mit dem


Überblick Vorgehensmodell

IoT Starter

Package

Proof of

Concept / Pilot

Operationali-

zation

Optimization

& Value-Add

Schritt 1: Use Cases

Schritt 2: Datenanalyse

Schritt 3: Einblicke und nächste Schritte

Identifikation und Auswahl eines geeigneten Anwendungsfalls für

Advanced Analytics mittels eines gemeinsamen Workshops

Erster Blick auf die Daten, statistische Auswertungen, Einsatz von

Analysemodellen, Auswertung von Datenqualität und -umfang

Verarbeitung von Datenanalyse-Ergebnissen, Proof-of-Concept-Entwurf,

Überblick über die möglichen nächsten Schritte zur "Smart Factory"


Empfehlungen auf den Punkt gebracht

1. MIT MACHINE ANALYTICS WERTHALTIG STARTEN

2. GEMEINSAMES AUFBAUEN DATA SCIENCE KOMPETENZ

3. ARCHITEKTUR KLEIN ABER NACHHALTIG BEGINNEN

4. VON VORREITERN INSPIRIEREN LASSEN

5. DREAMS + REALITY + DETERMINATION = A SUCCESSFUL LIFE


pmOne group

www.pmone.com

www.pmoneanalytics.com

Business Intelligence & Reporting

Corporate Performance Management

BI & IT Strategy Consulting (verovis GmbH)

Advanced Analytics (pmOne Analytics GmbH)

pmOne group divisions

Founded 2007, 230+ employees at 8 locations in

DACH

Revenue 2016: ~32 Mio.€

Microsoft focus

Own Software stack: Wundermailing and cMORE

(Reporting & DWH Modeling)

pmOne group factsPaderborn

50

http://www.pmone.com/

http://www.pmoneanalytics.com/


Our services

Customer & Product Analytics

52

Machine Analytics, IoT, Industry 4.0

Optimize Campaign

Management / Uplift ModelMarketing

Customer Lifetime Value

Sales

Recommender

Sales

Churn prevention

Sales

Clustering

Marketing

Faulty Part detection

Shop floor Digitalization

Predictive Maintenance

Production

Production

Production

Optimize Process Quality /

EfficiencyProduction

Condition Monitoring

Production


Analytics Platforms

IoT Hub / Platform

Advanced Analytics Platform / Data

Science Laboratory

Customer Analytics Hub

Analytical CRM

AI and Deep Learning

SMART HOME, SMART

FACILITY

Innovation, R&D

Innovation

BEACONS & TRACKING

Innovation

Face Recognition

Innovation, R&D

Our services

BOTS

HADOOP, HIVE, SPARK

53

IT Department

IT Department

IT Department

Analytics Competence Center

IT Department


Stages of digital transformation(Example for Customer Analytics)

Data Provision

Connectivity

Plattform

Advanced Analytics

First Level

Intelligence

Advanced

Analytics

Objective and

Business Benefit

Continuous

Learning &

Optimization

Business

Development

1 2 3 4 5 6

• Datenanbindung

• Vorsysteme ERP, W

eb, CRM, …

• Data Security

• on premise

• Microsoft Azure

Plattform (Cloud)

• HDFS

• Spark

• Data Security

• Data Screening

• erste analytische

Insights

• Einflußfaktoren /

Gewichtung

• Dashboarding

• Machine Learning

Use Cases

• Datengetriebene

Segmentierung

• Recommender

• Churn Prevention

• Dynamic Pricing

• …

• neue Informations-

und Datenquellen

• Business Insights

• Verstärkung Produk

-

tions- & Daten-Kno

w-How

• neue Geschäfts-

modelle

• neue Services

• Optimierung

(Produktions-)

Prozesse

53

machine analytics -...

Documents