Industry Meets Science Erfolge des Smart Data Innovation Lab Julio Borges, MSc. (KIT – Karlsruher Institut für Technologie) Dr. Christian Bauer (TRUMPF Werkzeugmaschinen GmbH + Co. KG) Smart Data Innovation Lab
KIT – University of the State of Baden-Wuerttem ber g and National Research Center of the Helmholtz Association
www.kit.edu
Vorstellung
2
Julio Borges, MSc.
Dr. Christian Bauer
Karlsruher Institut für Technologie (KIT)
TRUMPF Werkzeugmaschinen GmbH + Co. KG
Smart Data Innovation Lab Close cooperation between industry and science
Analytics, Research & Development
Industry 4.0
Smart Cities
3
Knowledge & Innovation
Energy
Medicine
Organizational Structure
Industrie 4.0 Smart Cities Energy Medicine
4
SDIL Platform
5
Predictive Maintenance
Central Database
Big Data Analysis
Predictive Maintenance Alert
Maintenance
Log Data Daily operations being logged
6
Expert Knowledge
Service Data
TRUMPF Werkzeugmaschinen GmbH & Co. KG
7
Maschinen zum Stanzen und Laserschneiden
Maschinen zum Biegen und Laserschweißen
Services
Vernetzung der Produktion
MIO (Machine Information Object) Snapshot des Maschinenzustandes
HMI/PPS,…
NC
MIO.zip
MIO.zip MIO.zip MIO.zip
log
PLC
§ § § § §
LaserSteuerung
Techn.Steuerungen
Loggings Konfigurationen Software Versionen Prozess-/Technologiedaten …
…
ca. 100 Mbyte Rohdaten 1.000 – 2.000 Einzeldateien ca. 1 – 2 Mio‘s / Jahr und Maschine Log-Zeitraum: 1 – 2 Wochen
Nicht enthalten sind sensitive Daten, wie z.B. § Konstruktionsdaten § Bearbeitungsaufträge § … 8
HandlingSteuerungen
Condition Based Services Beispiel für den Einsatz von Machine Learning Algorithmen MIO 1B3
Service-Fall
Problem
Service-InformationsSystem
? MIO 9A1
Daten-Pool
MIO 84X
Gibt es vergleichbare Vorkommnisse auch in anderen Maschinen? 9
Prädiktive Wartung basierend auf Logs Sequence Mining B A C D
ε
C D
Prediction
F
B C D
ε
C B C D F F
ε
Present Time
Sequential Rule Learning Entdeckung relevant sequentielle Beziehungen zwischen Ereignissen in großen Datenbanken. Bsp. Sequenzregel: ⟨B, C, D⟩ ⇒ E
Unsere Big Data-Lösung prognostiziert mehr als die Hälfte des Auftretens eines Fehlers.
10
Process Mining Sequenz 1
Sequenz 2
Sequenz 3
Machine Information Objects (MIOs) enthalten mehr als 1400 Prozessabläufen 11
Ausblick
Aufnahme weiterer Themen, Projekte und Partner Projektvorschläge jetzt einreichen über: www.sdil.de
Trumpf mit SDIL - Nächste Schritte : Datenbasis erweitern Generieren von Gutfällen Faktor Zeit
Verfeinerung der Algorithmen (Genauigkeit Erhöhen)
12