Mit Data Science die Produktion nachhaltig verbessern - Die Monitoring API für Data Scientisten

Veröffentlicht am 10. Dezember 2020 von Vanessa Kluge

Predictive Maintenance ist in aller Munde. Aktuell sind über 5 Millionen Einträge bei den gängigen Suchmaschinen zu finden. Bei Konferenzen und Events im Maschinen- und Anlagenbauumfeld gehört Predictive Maintenance – vorausschauende Wartung – zu den häufigsten Use Cases. Die Auswahl an Best Practices vieler Anbieter ist beachtlich, der Weg dorthin aber durchaus beschwerlich. 
 
Warum? Weil verschiedene Faktoren die erfolgreiche Umsetzung von Predictive Maintenance Anwendungen bedingen. Dazu zählen unter anderem 

1.    Datenqualität und -umfang
2.    Datenvisualisierung
3.    Intelligente Datenintegration
4.    Datenanalyse Knowhow
5.    Praktisches Prozesswissen

Für Unternehmen, die Predictive Maintenance als erweiterten Service für Ihre Produkte anbieten wollen, wird ein klares strategisches Commitment sowie Ressourcen (Knowhow, Budget, Kapazitäten) und die richtigen Tools benötigt. 
 
Genau hier setzt die Kontron AIS mit der digitalen IIoT-Service-Lösung EquipmentCloud® an. Sie ermöglicht Maschinen- und Anlagenbauern ihre Maschinendaten (Störungen, Prozessdaten, Zustände, produzierte Einheiten) in Echtzeit zu erfassen, auszuwerten und damit eine Datenhistorie aufzubauen, welche die Basis für datenbasierte Geschäftsmodelle schafft. Für tiefergehende Datenanalysen samt statistischer Auswertungen, Korrelationen, Überlagerung von Diagrammen und Visualisierungen um Machine Learning Algorithmen anwenden zu können, setzen Data Scientisten auf die Programmiersprache Python und auf spezialisierte Tools wie beispielsweise Scikit-learn, Tensorflow, Pandas, Azure ML Services und Jupyter Notebook (Entwicklungstool).
 
Da für Predictive Maintenance Anwendungen gerade Prozessdaten eine wesentliche, wenn nicht sogar ausschlaggebende Bedeutung haben, dient die EquipmentCloud® sowohl als relevante Quelle und Speicher wie auch im späteren Verlauf zur produktiven Anwendung der gewonnenen Erkenntnisse. 
 
Um die Interoperabilität der verschiedenen Anwendungen und damit auch die Datenabfrage für Data Scientisten zu erleichtern, wurde die vorhandene Monitoring REST API grundlegend ausgebaut. 
Dabei ermöglicht die REST-API Zugriffberichtigten die Abfrage über GET-Requests auf abgelegte konsolidierte Daten wie Alarme, Ausbringungsmenge, Status- und Prozesswerte. Die Authentifizierung erfolgt dabei über mehrere Credentials wie Nutzername, Passwort und Kunden ID. 
 
Für die weitergehende Nutzung wurde ein eigenes Python-Modul als REST-API Wrapper entwickelt. Das Python-Modul PyEqCloud fungiert insofern als REST-API Wrapper, da es die standardisierten Funktionalitäten der EquipmentCloud REST-API für das Arbeiten mit Python als Programmiersprache zugänglich macht und dabei direkt nutzbare Funktionen bereitstellt.
Das Modul wurde als Projekt auf https://pypi.org/project/PyEqCloud/ im PyPi (Python Package Index) veröffentlicht und kann mit einer MIT-Lizenz als Open Source in entsprechender Python Umgebung installiert und genutzt werden. Data Scientisten profitieren so von Datenstreaming und der Weiterverarbeitung von Daten mithilfe des Python-Moduls PyEqCloud.
 
Daraus ergibt sich ein Basis-Toolset und folgender bewährter Workflow der beispielsweise für die Identifizierung von defekten Bauteilen genutzt werden kann.


1.    Maschinenkopplung
2.    EquipmentCloud® als Speicher
3.    Datenabfrage mit REST-API
4.    Analyse lokal oder in der EquipmentCloud®
5.    Lokales oder Cloud Training
6.    Produktive Nutzung in der EquipmentCloud®
  
Hierfür werden Alarm- und Eventdaten über einen Zeitraum von mehreren Monaten abgefragt. Diese werden gesichtet und statistisch aufbereitet um ein Gefühl für die Daten zu bekommen. Um mögliche Einflüsse auf die Daten zu analysieren, schließen sich Korrelationsanalysen von Störungen und Qualitätsparametern an.
 
Somit können mögliche Einflussfaktoren auf die Leistung von Motoren frühzeitig bei der Fertigung identifiziert werden. Störungen und Alarme können so bereits präventiv ausgelöst werden und Ausschuss kann wesentlich reduziert werden. Auf diese Weise wird ein Frühwarnsystem etabliert. 
 
Um dieses Frühwarnsystem möglichst genau zu justieren, werden trainierte Modelle anhand der identifizierten Parameter getestet und Klassifizierungen vorgenommen.  
Ziel ist es die trainierten Modelle schließlich an produktiven Datenströmen als Live Visualisierungen in der EquipmentCloud® zu testen um die Modelle kontinuierlich weiterzuentwickeln. 
 
Die EquipmentCloud®, die REST API und das Python-Modul sind somit der Schlüssel für Predictive Maintenance.
 
Sind Sie selbst Data Scientist oder haben Sie konkrete Anwendungsszenarien, die Sie in die Tat umsetzen möchten?
 
Legen Sie in wenigen Schritten selbst los!

Download von Code und Anleitung auf GitHub