Ist die digitale Intelligenz Ihres Unternehmens gestrandet und unproduktiv? Ein robustes Informations-/Datengerüst erschließt effizient den Daten- und Wissensfluss im gesamten Unternehmen.
Unternehmen investieren in Digitalisierungsprojekte, um wichtige langfristige Ziele zu erreichen, die in Tabelle 1 aufgeführt sind.1 Die digitale Transformation öffnet im Wesentlichen den Datenfluss (in verschiedenen Formaten) und verbindet mehrere Quellen mit Fern- und Vor-Ort-Nutzern. Mit fortschrittlichen Architekturen und Plattformen werden Daten- und Informationstransferprozesse beschleunigt. Folglich sind Betriebs- und Marktdaten Geschäftswerte und haben einen Wert. Schnellerer Zugang zu Informationen ist das Ziel. Viele Unternehmen müssen diese Frage beantworten: Ist das optimale Gerüst (Plattform) vorhanden, um den Datenfluss und die Informationsverfügbarkeit (IA) im gesamten Unternehmen zu unterstützen?
Nicht alle Daten sind gleich
In der verarbeitenden und produzierenden Industrie haben sich große Datenmengen angesammelt, die jedoch nur schwer in verwertbare Informationen umgewandelt werden können. Digitalisierungsprojekte sind darauf ausgerichtet, die Analytik zu verbessern und Vorhersagefähigkeiten zu schaffen. Dazu werden digitale Zwillinge, KI, maschinelles Lernen (ML) und vorausschauende Wartung (PdM) eingesetzt. Diese Methoden erfordern große Mengen an hochwertigen Daten.
Tabelle 1. Investitionsziele für digitale Projekte1
| Sicherheit | Null Unfälle |
| Nachhaltigkeit | Null Signifikante Ereignisse oder Veröffentlichungen |
| Verfügbarkeit/Zuverlässigkeit | Keine Ausfallzeiten/Betriebsunterbrechungen |
| Finanzen | Keine entgangenen Gewinne |
Tabelle 2. Große Bedenken hinsichtlich der Daten
- Fehlende oder unzureichende Daten
- Kein oder eingeschränkter Zugang zu Datenbanken
- Beschädigte Daten
- Fehlende/unvollständige Daten
- Falsches (fehlendes) Format und Tags zwischen Datenquellen
- Sicherheitsfragen
Der ROI digitaler Programme wird häufig an der erhöhten Zuverlässigkeit des Betriebs und der verbesserten Sicherheit/Umweltleistung gemessen (Tabelle 1). Der Erfolg hängt von der Verfügbarkeit und Menge gültiger Daten und dem Informationsfluss im gesamten Unternehmen ab. Nicht alle Daten sind gleich. Tabelle 2 fasst viele Bedenken in Bezug auf Anlagen- und Ausrüstungsdaten zusammen. Insbesondere bei fortschrittlichen Tools (KI und ML) können diese Probleme selbst die besten Algorithmen zum Scheitern bringen.
Wo sind die Datenquellen?
Messungen (mit Zeitstempeln versehene Daten) werden seit vielen Jahren gesammelt. Abbildung 1 veranschaulicht eine gängige Entscheidungsfindung für Verarbeitungsanlagen. Wie in Abbildung 2 dargestellt, fließen Produktions-, Betriebs- und Ausrüstungsdaten oft in einem geschlossenen Kreislauf, wodurch Silos von Datenbanken und Informationen entstehen. Um die in Tabelle 1 genannten Ziele zu erreichen, können sich die erforderlichen Daten in vielen Quellen (Historien) befinden, die oft nicht miteinander verbunden sind.
Digitale Projekte benötigen IA, um Analysen auf höherer Ebene durchführen zu können (KI, ML, PdM und Big Data).2 Datenplattformen oder -architekturen sind ein Gerüst. Sie unterstützen das Sammeln, Speichern, Analysieren und Teilen von Daten/Informationen mit bestimmten Nutzern (lokal und remote). Dieses Gerüst ermöglicht einen schnelleren Informationsaustausch in viele Richtungen – vertikal und horizontal. Wie in Abbildung 3 dargestellt, verlagern sich die Daten-/Informationsfunktionen von geschlossenen zu unterstützten Kreislaufsystemen. Jetzt können Daten von überall aus erfasst werden.3
Daten auf der niedrigsten Nutzungsebene
Physikalische Geräte wie Sensoren, Ventilantriebe, Motorstarter und mehr werden zur Überwachung und Automatisierung von Prozessanlagen und Maschinen zur Verfügung stehen.4 Die digitale Transformation verbindet Datenanbieter mit Überwachungs- und Analysefunktionen. Diese Beziehung ändert sich ständig mit neuen Entwicklungen, darunter intelligente edge computing. Fortgeschrittene edge Geräte verfügen über Analysefunktionen auf dem gleichen Niveau wie PCs.4 Mit Prä-Analysefunktionen können kritische Maßnahmen auf der Geräteebene eingeleitet werden, ohne dass eine Aktion auf data center erforderlich ist.
Als Kapital verwendete Daten
Die Verwaltung von Daten als Unternehmensvermögen erfordert eine Bewertung der Art und Weise, wie Daten und Informationen gesammelt und gemeinsam genutzt werden. Wie aus Tabelle 2 hervorgeht, untergräbt jede Lücke im Datenmanagement das Vertrauen in die Nutzung solcher Informationen bei kritischen Entscheidungen wie Produktwechsel, geplante Ausfallzeiten, Austausch von Geräten und Prozessänderungen. Bei der Entwicklung digitaler Projekte sind die Auswahl von Daten und Plattformen wichtige Entscheidungen. Energieunternehmen haben seit den 1990er Jahren in Automatisierungs-/Steuerungssysteme investiert. Die Integration und Aktualisierung bestehender Systeme ist bei der Entwicklung von IA für Analyse- und Optimierungsprojekte entscheidend.
Datenprojekte sind komplex! Weitere Probleme im Zusammenhang mit Daten sind:5
- Datenausreichend – Wie viele Daten sind für die Analyseprojekte erforderlich?
- Datenvertrauen – Kalibrierung und Verzerrung von Messgeräten und Instrumenten können die Genauigkeit und Zuverlässigkeit von Messdaten beeinflussen. Folglich führt eine schlechte Wartung der datenerzeugenden Geräte zu Fehlern.
- Datenausbreitung – Wie viel Zeit vergeht zwischen Prozess- oder Geräteänderungen, bevor sie aufgezeichnet werden? Welche Lücken entstehen zwischen auslösenden Ereignissen und fehlerhaften Bedingungen?
- Data Governance – Die Eigentumsverhältnisse an den Daten müssen geklärt werden. Können automatisierte Daten überschrieben oder geändert werden? Sind die Datenquellen vor externen Angriffen geschützt?
Die Beziehungen zwischen der Speicherung, Weitergabe und Nutzung von Daten entwickeln sich ständig weiter. Betriebs- und Produktionsunternehmen sind von reaktiven zu proaktiven Positionen übergegangen. Daten sind eine Wissenswährung, die investiert und genutzt werden muss. IA liefert das Wissen, die Inhalte und das Datengerüst für Unternehmen. Ebenso wichtig ist, dass IA KI und Big-Data-Analysen im gesamten Unternehmen unterstützt (Abbildung 3).3 Die Algorithmen der KI brauchen vielleicht keine IA, aber die Anwendung der Ergebnisse schon.2
Zitierte Literatur
1White, Douglas, “Digital transformation in refining and petrochemical plant operations: Looking back, look forward,” AFPM 2020 Summit, Summit 20-63, 27. August 2020, emerson.com.
2Earley, Seth, “Streamlining information flows in the digital workplace: The role of artificial and knowledge engineering,” Digital Workforce Experience, Oct. 14, 2020, https://www.earley.com/.
3 Perino, Joe, “Edge computing in the new ecosystem”, August 2020, https://resource.stratus.com/whitepaper/edge-computing-in-the-new-ot-ecosystem/.
4Eastburn, Josh, “Building Industrial IoT from edge to cloud,” Automation 2020, vol. 4, https://www.automation.com/getmedia/8c645082-44f0-47b6-81db-c7b6f60ac1a4/automation2020_aug_cloud_engineering.pdf.
5KBC, “Digitalisierungsmanifest”, https://www.kbc.global/uploads/files/whitepapers/KBC%20Digitalization%20Manifesto_US.pdf.
