machine analytics -...
TRANSCRIPT
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
Copyright by pmOne Analytics 4
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
Copyright by pmOne Analytics 5
Verbesserungspotentiale der Industrie
Produktivität steigernPräzision und Tempo Kosten senken
Copyright by pmOne Analytics 6
Food for Thought: Was Unternehmen wirklich tun sollten
Source: https://hbr.org/2012/05/managing-your-innovation-portfolio
Empfohlener Fokus Erwarteter Nutzen
Copyright by pmOne Analytics 7
Die Herausforderung. Alles oder nichts.Und der Abstand wächst…rasant.
The Winner takes it all,…
…but he might not last.
Copyright by pmOne Analytics 9
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
Copyright by pmOne Analytics 10
Zusammenfassend: Die Machine Analytics Ziele
shorten downtimes,
optimize OEE
increase production quality
increase first time fix
rates
reduce production costsincrease
throughput
increase
production yield
Copyright by pmOne Analytics 12
Machine Analytics nach Business Case
Manufacturing Analytics
Optimieren der eigenen
Produktion
Überwachung des laufenden
Betriebes
IoT Analytics
Herstellung und IoT
Hybrid Analytics
Copyright by pmOne Analytics 13
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
Copyright by pmOne Analytics 14
Predictive Maintenance
Anomaly Detection
Failure State
Analysis
Predict Failures
Copyright by pmOne Analytics 16
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
Copyright by pmOne Analytics 17
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
Copyright by pmOne Analytics 20
Das Glasfaserkabel
Aus einem 3m hohem
Quarzglaszylinder
werden…
Aus einem 3m hohem
Quarzglaszylinder
werden 3.5 km Kabel!
Copyright by pmOne Analytics 22
Was sind die typischen Probleme?
Durchmesservariantion
Exzentrizität
Ovalität
Biegung
Einseitigkeit
Copyright by pmOne Analytics 23
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
Copyright by pmOne Analytics 24
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
Copyright by pmOne Analytics 30
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
Copyright by pmOne Analytics 31
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
PREDICTIVE MAINTENANCE
Classification OK/NOK
Projektziele
SHOP FLOOR DIGITIZATION
Sensor-Data from Robots
IOT HUB / PLATFORM
Azure Platform, Field Gateways
Copyright by pmOne Analytics 32
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
Copyright by pmOne Analytics 33
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
PREDICTIVE MAINTENANCE
Production
DEVIATION PREDICTION
Predict Quality Events and
Deviations
Copyright by pmOne Analytics 34
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
PREDICTIVE MAINTENANCE
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
Copyright by pmOne Analytics 37
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…
Copyright by pmOne Analytics 38
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
Copyright by pmOne Analytics
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)
Copyright by pmOne Analytics
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)
Copyright by pmOne Analytics 42
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
Copyright by pmOne Analytics 43
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.
Copyright by pmOne Analytics 45
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
Copyright by pmOne Analytics 47
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"
Copyright by pmOne Analytics 48
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
Copyright by pmOne Analytics
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
Copyright by pmOne Analytics
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
Copyright by pmOne Analytics
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
Copyright by pmOne Analytics
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