Wer mehr weiß und dieses Wissen intelligent anwendet, agiert klüger. Diese Erkenntnis aus dem zwischenmenschlichen Bereich lässt sich problemlos auch auf Fragen der Automatisierung und das Prozessmanagement übertragen. Im Interview erklärt Prof. Dr. Harald Mathis vom Fraunhofer FIT, wie sich durch das Generieren und Sammeln von Daten die industrielle Produktion deutlich verbessern lässt.

Hallo Herr Prof. Mathis. Daten haben sich offensichtlich zum Treibstoff der modernen Industrie entwickelt.

Ist das so? Gegebenenfalls sollten wir die Sache etwas differenzierter betrachten. Daten ersetzen die aktuellen Treibstoffe natürlich nicht. Aber sie ergänzen sie, um die Prozesse deutlich effektiver zu machen. Es gibt aktuelle Studien nach denen der Bereich der datengetriebenen Modelle für die industrielle Automation in den kommenden Jahren ein Potenzial von fast 40 Milliarden Euro hat. Aber auf Zahlen wie diese kommt es gar nicht an. Fakt ist, dass gerade in Deutschland datengetriebene Modelle nicht nur eine riesige Chance für die Industrie sind. Sie sind vielmehr ein »Muss«, um weiterhin eine erfolgreiche Exportnation zu bleiben.

Wie lässt sich der Ansatz datengetriebener Modelle beschreiben?

Der Grundsatz ist vergleichsweise einfach: Ich erfasse Daten in der Produktion und nutze sie zur Generierung weiterführende Informationen. Ein einfaches Beispiel ist der Vergleich mit dem Heuschnupfen, der derzeit grassiert. Hier haben wir zum einen das Phänomen, also einen Schnupfen. Weil wir diesen Schnupfen aber in einen Kontext stellen und mit der aufblühenden Natur sowie medizinischen Erfahrungswerten verknüpfen, können wir diesen Schnupfen klarer eingrenzen und Heuschnupfen attestieren. Und diese Erkenntnis wiederum erlaubt uns eine gezieltere Vorgehensweise für effiziente Maßnahmen.

In der industriellen Automation dürfte es aber ein wenig komplizierter sein?

Stellen Sie sich ein Unternehmen vor, dass Schweißdraht herstellt. Davon gibt es bis zu 200 verschiedene Qualitäten – je nachdem, was unter welchen Umständen geschweißt werden soll. Bislang hat die Qualitätskontrolle ergeben, dass bei der Produktion eines besonders hochwertigen Drahtes zehn Prozent Ausschuss entstehen, der deshalb anschließend entsorgt werden muss. Mithilfe von Sensoren und neu generierten Daten können wir die Qualität dieses Ausschusses genauer messen und stellen beispielsweise fest, dass der Ausschuss zwar nicht den Kriterien für diesen Spezialdraht genügt, wohl aber noch als B-Ware verkauft werden kann. Die Quintessenz ist einfach: Aus »Abfall« lässt sich nun Gewinn generieren.

Ich bekomme also die Möglichkeit, nicht mehr nach dem »Alles oder Nichts« Prinzip zu produzieren, sondern die Produktion wird verfeinert, so dass ich beispielsweise Qualitätsstufen leichter erkenne und damit meine Produktpalette erweitere.

Das ist nur ein Beispiel, aber genau nach diesem Prinzip funktionieren datengetriebene Modelle. Durch ein »Mehr« an Informationen, die heute mithilfe elektronischer Messgeräte und der Datenverarbeitung vergleichsweise günstig zu generieren sind, erfasse ich mein Optimierungspotenzial. Das steigert meine produktiven Möglichkeiten. In der Folge kann ich mein Produktionsverhalten und damit auch mein Geschäftsmodell raffinierter und effektiver gestalten.

Hinzu kommt eine gesteigerte Flexibilität.

Natürlich. Je genauer wir über Vorgänge Bescheid wissen, desto genauer können wir auf Nachfragen von außen reagieren und uns anpassen. Das gilt für den Alltag der Menschen ebenso wie für die Prozesssteuerung in Unternehmen. Dabei ist es allerdings wichtig sich klarzumachen, dass wir im Gegensatz zur traditionellen alten Produktions- und Automationstechnologien, bei der Modelle maßgeschneidert und relativ starr auf einen Betrieb zugeschnitten sind, im Bereich der datengetriebenen Modelle eben nicht mehr auf absolute Ergebnisse setzen: Die Modelle berücksichtigen, dass die Datenerhebung und -qualität den jeweiligen Erfordernissen angepasst werden kann, um flexibler zu reagieren.

Hier kommt die Mathematik ins Spiel.

Die Mathematik war bereits vorher im Spiel, aber Sie haben recht: datengetriebene Modelle haben natürlich eine höhere mathematische Komplexität. Denn ich benötige intelligente Algorithmen, die im Idealfall sogar dazulernen, um die nötige maschinelle Intelligenz in die Produktion zu bekommen.

Dieser Ansatz ist ein »Paradepferd« für das Fraunhofer-Institut für Angewandte Informationstechnik FIT, an dem Sie zu datengetriebene Modellen für die industrielle Automation forschen.

Unsere Forschungen begründen sich ursprünglich auf den eher menschzentrierten Bereich. Deshalb auch das Beispiel mit dem Heuschnupfen, das ich eingangs erwähnt hatte. Der Mensch ist nicht einfach nur krank oder gesund, sondern er befindet sich in unterschiedlichen Zuständen. Diese »Philosophie« übertragen wir nun in Algorithmus-gesteuerte, kontrolltheoretische Ansätze für die Industrie.

Damit aber entfernt sich die Anlagensteuerung oder gar die ganze Produktion immer weiter von ihrem ursprünglich ingenieurwissenschaftlichen Kern …

… und wird immer stärker von der Informatik getragen. Industrielle Produktion ist heute schon oft mehr IT als Mechanik. Das gilt vor allem für den Bereich der Automation und der Optimierung.

Wie weit ist der Weg von diesen theoretischen Ansätzen hin zur praktischen Umsetzung?

Nicht so weit, dass man ihn nicht gehen sollte. Natürlich ist es nicht so einfach als dass wir sagen könnten: wir brauchen einige Sensoren und andere Messinstrumente, eine Datenbank und intelligente Algorithmen – das war‘s. Wir als Forscher am Fraunhofer FIT bemühen uns deshalb, ziemlich nahe dran zu sein an den Unternehmen. Dort beteiligen wir uns gemeinsam mit Partnern an beispielhaften Implementierungen datengetriebener Modelle. 

Was machen Sie bei den Unternehmen konkret?

Wir generieren Lösungen. So sind wir beispielsweise bei Unternehmen vor Ort und nutzen hier unsere speziellen Tools, um eine fundierte Anforderungsanalyse für die jeweilige industrielle Automations-Situation zu erstellen. Dabei geht es aber nicht nur um das Erfassen des Status Quo, sondern auch um eine Bewertung der Chancen und Risiken bei Einführung entsprechender datengetriebener Modelle. Außerdem ist es grundlegend für uns, die Expertise der Facharbeiter vor Ort mit einzubeziehen. Selbst ein auf die individuelle Automatisierungssituation erstelltes datengetriebenes Modell ergibt keinen Sinn, wenn wir das Erfahrungswissen der Mitarbeiter nicht berücksichtigen und in unsere Analyse mit einfließen lassen würden.

Zurück zum Institut: Was ist hier im Moment der wesentliche Forschungsgegenstand im Bereich datengetriebener Modelle?

Über einen Teil unserer Forschungsgebiete haben wir bereits gesprochen. Dabei geht es um das Erfassen industrieller Gegebenheiten vor Ort, das Entwickeln von Algorithmen und Datenbanken und das Einführen eines intelligenten Zusammenspiels dieser Bereiche. Hinzu kommt ein Gebiet, über das wir bislang noch nicht gesprochen hatten: Smart Data Exchange. Das ist wichtig, denn all die eben besprochenen Ansätze bringen wenig, wenn wir nicht in der Lage sind auch die Datenintegrität zu gewährleisten. Wo Daten erhoben werden entstehen immer auch Begehrlichkeiten. Unsere Aufgabe ist es deshalb auch, Unberechtigten den Zugriff auf diese Daten sicher zu verwehren.

(aku)

Keine Kommentare vorhanden

Das Kommentarfeld darf nicht leer sein
Bitte einen Namen angeben
Bitte valide E-Mail-Adresse angeben
Sicherheits-Check:
Eins + = 9
Bitte Zahl eintragen!
image description
Interviewpartner
Alle anzeigen
Prof. Dr. Harald Peter Mathis
  • Fraunhofer-Institut für Angewandte Informationstechnik FIT
Weitere Artikel
Alle anzeigen
Quo Vadis Big Data
Zwischen Hype und Realität – Die Big Data Days 2018
Smartes Zählen
Stellenangebote
Alle anzeigen