Methodiken und Datensysteme für das Industrial Internet...
39
Seite 1 09.03.2017 | Eddie Mönch Industrial Analytics Methodiken und Datensysteme für das Industrial Internet (IIoT)
Transcript of Methodiken und Datensysteme für das Industrial Internet...
Seite 1
09.03.2017 | Eddie Mönch
Industrial AnalyticsMethodiken und Datensysteme für das Industrial Internet (IIoT)
Seite 2
Über Empolis
Zahlen & Fakten
• 4 Niederlassungen in Deutschland, Headquarter in Kaiserslautern
• 31 Jahre Erfahrung
• 170 Mitarbeiter
• 250 der Fortune 1.000 Unternehmen
• 500+ Installationen, 620,000 Professional User, 34 M. Endnutzer weltweit
Niemand muss mehr falsche
Entscheidungen treffen,
weil wir alle Informationen nutzen, um die
richtigen Empfehlungen zu geben.
Seite 3
Empolis Smart Service®
Ausgewählte Referenzen
Seite 4
Wir dürfen vorstellen: Empolis Smart Service
Turnkey Analytics für IIoT
Anomalie-Erkennung, Fehlervorhersage
und Ursachenerkennung zur
Vermeidung ungeplanter Ausfallzeiten
Service Decision Support
Automatisieren Sie Diagnose-
verfahren und führen Sie nicht-
lineare geführte Fehlersuche durch
The Power to Know
Kontextuelle Bereitstellung der
gültigen und hilfreichsten
Informationen für die Maschine
Seite 5
The Power of Prediction: Kundenerwartungen übertreffen Erhöhen Sie die Verfügbarkeit und beseitigen Sie ungeplante Ausfallzeiten Ihrer Produkte
Service Agent Field TechnicianDevice
Vollständiger
Überblick über
den Fall- und die
Anlagensituation
Problemlösung
remote oder
Auftragsplanung
für einen
Feldtechniker
Pro-aktive
Wartung an
Maschinen, zur
Störungs-
vermeidung
Durchführung
geführter
Reparaturen in
geplanten
Stillstandszeiten
Fehler-früherkennung von Ausfällen
Benchmarking
Automatische Ursachenanalyse
zur Ermittlung notwendiger
Ersatzteile und Werkzeuge
Zuverlässige
Produktion
Leistungs-
verbesserung
Reduzierte
Wartungs-,
Ersatzteil- und
Lagerkosten
Customer
Seite 6
BeispielCustomer-centered integral process flow
Connectivity
Remote
Assistance
Guided
Troubleshooting,
Semantic Search
Customer
Portal
Data
Data Analysis
Field
Service
Customer
Findings
Assets
Service Cloude.g.
Seite 7
Unser Angebot: Ganzheitliche Unterstützung der ServiceprozesseVom Signal zur Aktion im Service Management System
Analyse von Sensor Daten
Predictive Analytics
Complex Event Processing
Interaktion and
Integration
Service-Informationen
Bereitstellung aller relevanten
Informationen für die Problemlösung
Service Documents
Semantische Suche
Service Procedures
Geführte Fehlersuche
Service Cases
Erfahrungswissen nutzen
DatenerfassungSammlung und
Übertragung
Seite 8
AnalyticsFindings Overview
- Red: Alarm! Case generated in
Service Cloud
- Yellow: Warning
- Green: Ok
Seite 9
Service DiagnosticsPredictive Maintenance am Beispiel Radlader / Baumaschine
Aktuelles
zyklisches
Verhalten
Prädiktion des zyklischen
Verlaufs unstimmig mit
IST-Daten!
Seite 10
Empolis USP – Industrielle Analyse verstehen Wir verstehen den Maschinenbau und seine Prozesse – die Bedingung für Prädiktion
Beispie: Was erkennen Sie?
Seite 11
Integration in das führende Service ManagementKontext-basierte Unterstützung für den Techniker (hier: Salesforce.com)
Analyseergebnisse zum Case
Seite 12
Analytics:
Technologie und Praxisbeispiele
Page 13
Analytical Methods (selection)
Deep learning (neural nets): estimation of unknown behavioural functions
Case-based reasoning with dynamic time warping: fingerprinting, pattern recognition and anomaly detection.
Correlation analysis: detect relationships involving dependence among significant data points.
Bivariate analysis for empirical determination of relationships.
Multivariate analysis for ad-hoc drill-downs.
Naive-Bayes training and prognosis.
Regression (log./linear) training and forecast.
Association pattern, sequence pattern, basket analysis and a priori learning of rules for state aggregation and root cause analysis.
Intelligent data aggregation for automatic grouping and filtering of log and event data.
Time series analysis with forecast.
Calculus for data transformation and feature extraction
Spectrum analysis, Fourier-analysis for vibration detection
Decision tree induction for root cause analysis and classification.
Latent semantic indexing for semantic pattern discovery in text and log data.
Text mining and natural language processing for analysis of textual business data like service reports, bulletins or supplier information.
General statistics for feature extraction
Statistical models and clustering for outlier detection
Seite 14
Ein Problem tritt auf…
Seite 15
… hatten wir schon ein ähnliches Problem?…
Seite 16
… Lösung gefunden, Erfahrung gewonnen!
Seite 17
It is all about comparing
apples and oranges.
Seite 18
Case-Based ReasoningKI Technologie zum Vergleich Daten gegen Referenzen basierend auf Zeitreihendaten
Current Status Status of Reference Cases
Te
mp
era
ture
Pre
ssure
Vib
ratio
ns
En
erg
y C
onsu
mp
tio
n
Sp
ee
d
Ro
tatio
n
Seite 19
Case-Based ReasoningKI Technologie zum Vergleich Daten gegen Referenzen basierend auf Zeitreihendaten
Current Status Status of Reference CasesBest Match
Seite 20
Dynamic Time WarpingKI Verfahren zum Vergleich mit Referenzdaten, Zeitreihenanalysen trotz Verzerrer
Naive Abbildung auf
Basis des Zeitstempels
Dynamic Time Warping erlaubt
eine optimale Abbildung auf
Basis der größten Ähnlichkeit
Seite 21
KundenbeispielSetup
Kunde• Weltweit führend in
der digitalen
Bildverarbeitung und
im Industriedruck
Umgebung• Mehr als 100.000
Sensoren pro Gerät,
zu viele für
manuelles Monitoring
Problemstellung• Unerklärbare
Druckfehler, z.B.
Farbdrifts
Seite 22
KundenbeispielErgebnis
Daten• Referenzdaten von 10
„guten“ Beispielen und
einem „schlechten“
Ansatz• Bestimme ein
normales Verhalten
basierend auf
Referenzdaten
• Erkenne
Abweichungen mit
CBR
• Markiere als
Anomalien
Ergebnis• 9 Sensoren zeigten
signifikante
Abweichungen und
führen zur Lösung
Seite 23
A342,2016-09-23 14:32:11.912
A341,2016-09-23 14:40:09.902
A342,2016-09-23 14:40:09.91
A516,2016-09-23 14:40:10.09
W068,2016-09-23 14:56:03.953
W068,2016-09-23 15:02:45.953
A636,2016-09-23 15:14:33.186
A339,2016-09-23 15:14:39.886
A341,2016-09-23 15:14:45.892
A342,2016-09-23 15:14:45.9
A636,2016-09-23 15:17:47.183
A339,2016-09-23 15:19:09.889
A341,2016-09-23 15:19:09.901
A342,2016-09-23 15:19:09.909
A636,2016-09-23 15:34:46.183
A339,2016-09-23 15:34:47.886
A636,2016-09-23 15:36:09.178
A339,2016-09-23 15:36:59.882
W066,2016-09-23 15:47:13.946
W066,2016-09-23 15:48:41.938
W068,2016-09-23 16:25:47.934
W068,2016-09-23 16:25:52.935
A636,2016-09-23 16:27:12.17
A339,2016-09-23 16:27:17.876
A341,2016-09-23 16:27:25.876
A342,2016-09-23 16:27:25.884
A636,2016-09-23 16:28:13.172
A343,2016-09-23 16:28:50.88
A516,2016-09-23 16:32:59.052
A339,2016-09-23 16:33:37.873
A341,2016-09-23 16:33:37.885
Log Data
• Um den Wald vor lauter Bäumen zu sehen!
• Ist A341 immer gefolgt von A342?
• Was ist gesund, d.h. normal?
• Was ist nicht?
Seite 24
A342,2016-09-23 14:32:11.912
A341,2016-09-23 14:40:09.902
A342,2016-09-23 14:40:09.91
A516,2016-09-23 14:40:10.09
W068,2016-09-23 14:56:03.953
W068,2016-09-23 15:02:45.953
A636,2016-09-23 15:14:33.186
A339,2016-09-23 15:14:39.886
A341,2016-09-23 15:14:45.892
A342,2016-09-23 15:14:45.9
A636,2016-09-23 15:17:47.183
A339,2016-09-23 15:19:09.889
A341,2016-09-23 15:19:09.901
A342,2016-09-23 15:19:09.909
A636,2016-09-23 15:34:46.183
A339,2016-09-23 15:34:47.886
A636,2016-09-23 15:36:09.178
A339,2016-09-23 15:36:59.882
W066,2016-09-23 15:47:13.946
W066,2016-09-23 15:48:41.938
W068,2016-09-23 16:25:47.934
W068,2016-09-23 16:25:52.935
A636,2016-09-23 16:27:12.17
A339,2016-09-23 16:27:17.876
A341,2016-09-23 16:27:25.876
A342,2016-09-23 16:27:25.884
A636,2016-09-23 16:28:13.172
A343,2016-09-23 16:28:50.88
A516,2016-09-23 16:32:59.052
A339,2016-09-23 16:33:37.873
A341,2016-09-23 16:33:37.885
Maschinelles a priori Lernen für
Sequenzmuster- oder
Warenkorbanalyse
Seite 25
Reduzierung der Komplexität, d.h. Aussortieren des „Normalen“
Seite 26
Azure, AWS, …
Empolis Service Diagnostics – Turnkey Vertical Analytics Modular & Independent – Works on Any Platform
Salesforce
Empolis Service Diagnostics Platform
To DB
Queues
Fidings / Viz.
CBRREF.DATA
DTWTIME SERIES
Deep LearningTIME SERIES
RCUSTOM CODE
CEPRULES
MlibCUSTOM CODE
PythonCUSTOM CODE
Decision TreeRULES
Events
Service Reports
Sensor Data
Event Logs
AP
I
Analytics
Engineering
Empolis
Analyzer
Workbench
Data Mining,
Machine
Learning
AP
I
Backup/
Recovery
User
Mgmt
Fleet/Device
Mgmt
Scalability
External
Systems
Monitoring/
Operations
API
API
Offline
Findings /
Visualization
Events
Seite 27
Empolis Service DiagnosticsKnow-How für Industrial Analytics – unser USP
Wir kennen Druck- und
Werkzeugmaschinen, Energie-
erzeugung, Antriebe, Motoren,
Roboter, Kaffeemaschinen und
vieles mehr, um unsere Kunden
zu inspirieren
Es geht nicht um Algorithmen, sondern um das Verständnis einer Maschine, seiner Prozesse und darum, dessen Verhalten zu messen und vorherzusagen.
Wir konzentrieren uns auf den
Geschäftsnutzen von
Analytics, nicht auf Analytics
zum Selbstzweck
Dank der Integration mit Empolis
Smart Service und Partnern wie
Device Insight und Salesforce
unterstützen wir den gesamten
Prozess von den Sensoren bis zu den
Handlungen
Page 28
Analytics Agents
• Condition
Rules to assign agents to assets
• Trigger
Event or time starting agent
• Time Span
Agent time window (real or event time)
• Action
e.g. create finding or new event, send ticket, email,
etc.
• Scala with JSON configuration data
• Proxies for non-native agents (R, Python, …)
Page 29
FlinkSpark
Kafka
Simplified Agent Mechanics
Producer
Asset
data
Agents
Agent
Runtime
Agent
Runtime
Agent
Deployer
Asset
Reasoner
Asset
Factbase
Cassandra
Storage
Page 30
Asset ManagementWhat we would like to have
Seite 31
Unser Angebot: Ganzheitliche Unterstützung der ServiceprozesseVom Signal zur Aktion im Service Management System
Interaktion and
Integration
DatenerfassungSammlung und
Übertragung
Service-Informationen
Bereitstellung aller relevanten
Informationen für die Problemlösung
Service Documents
Semantische Suche
Service Procedures
Geführte Fehlersuche
Service Cases
Erfahrungswissen nutzen
Analyse von Sensor Daten
Predictive Analytics
Complex Event Processing
Seite 32
Service ProceduresGuided Troubleshooting
Seite 33
Geführte Problemvermeidung mit EntscheidungsbäumenIntegriert in die Salesforce Service Cloud
Entscheidungsbaum
Seite 34
Service Procedures Feedback in die Redaktion
Seite 35
Business Intelligence auf TextSemantische Analyse aller Daten: Text und Maschinendaten
Erweiterte Linguistik
für über 30 Sprachen
Semantisches
Textmining mit
Entitäten Extraktion
Faktenextraktion
mittels Sprachmuster
Sehr nützlich als
komplementäre
Datenquelle zu IIoT,
z.B. Serviceberichten
die Symptome,
Ursachen und
Ersatzteile enthalten.
Seite 36
Integration in SalesforceKontext-basierte Unterstützung für den Techniker
Empolis Sidebar
- Analytics view
- Search view
- Clipboard view
Knowledge Base:
Findet Dokumente, aus beliebigen
Quellen, wie Fileshare,
Datenbanken, Anwendungen
Seite 37
Quellen
Prozess
Kontext
Seite 38
Smart Service Information
Einbindung von 27 heterogenen Quellsystemen
Ersatzteilvorschläge aus Serviceberichten heraus
Seite 39
Kontakt
Eddie MönchTel. +49 (170) 2463407
facebook.com/EmpolisSoftware
youtube.com/EmpolisSoftware
empolis.com/newsletter
xing.com/companies/empolisinformationmanagementgmbh
linkedin.com/company/empolis
twitter.com/EmpolisSoftware
