Wie läuft ein Industrie-4.0- Projekt ab? Case der triarc laboratories Ltd.

Serge Müller, Lead Link und Partner bei triarc laboratories Ltd., im Interview

Was war die Ausgangslage bei Ihrem Projekt?

Der digitale Wandel hält in der Baubranche Einzug. Vor kurzem war der Einsatz von digitalen Hilfsmitteln auf Baustellen überschaubar. Der Fortschritt in Kommunikationstechnologie, mobilen Geräten und Sensorik erlaubt ein Umdenken. Während heute Tablets allmählich zum normalen Bild auf Baustellen gehören, sind Themen wie Prozessautomatisation und präventive Massnahmen aufgrund digitaler Indikatoren noch Neuland.

Wir wurden damit beauftragt die Standzeiten und sachgerechte Verwendung von Baumaschinen mit Hilfe kognitiver Systeme zu verbessern. Der initiale Auftragsumfang umfasst die via IoT-Cloud verfügbaren Sensordaten verschiedener Bau-
maschinenhersteller und ein anwendungsspezifisches Sensorpaket, welches via Low Power Network (LPN) Informationen in eine eigene Cloud sendet.

Was waren die wichtigsten Herausforderungen?

Die Verwendung von Sensordaten verschiedener Hersteller und Maschinentypen für spezifische Fragestellungen stellte sich als hochkomplex heraus. Ohne die Daten durch Fachpersonen pro Maschinentyp vorgängig zu rationalisieren, ist ein aktuell verfügbares kognitives System nicht in der Lage, auf klare Schlussfolgerungen hin trainiert zu werden, respektive diese zu treffen. Ein Beispiel einer Rationalisierung wäre die Beurteilung, ob der gemessene Druck der Hydraulik für das in der Maschine verbaute System zu hoch, optimal oder zu niedrig ist. Dieser Umstand und die aktuell hohen Kosten, welche durch die Beschaffung der Daten von jedem einzelnen Hersteller entstehen, beschränken die Umsetzungsmöglichkeiten. Die verbliebene Lösungsmöglichkeit ist der Einsatz eines eigenen und spezifisch für die Anwendung zugeschnittenen Sensorpakets.

Was wurde erreicht?

Im Testbetrieb konnte nachgewiesen werden, dass sich mit einem über LPN kommunizierendem Sensorpaket die Standzeiten besser planen lassen und man Unternehmensweit jederzeit einen Überblick darüber hat, wie intensiv und auf welchen Baustellen die einzelnen Maschinen verwendet werden. Dies ermöglicht eine stark optimierte Auslastung des Maschinenpools.

Wie geht es weiter?

Die benötigte Rationalisierung, sprich das Bewerten der Daten im Kontext einer Fragestellung, bietet auch Chancen. Rationalisierte Daten sind für Hersteller weniger sensitiv und die Bedenken diese zu teilen sollten somit geringer ausfallen. Auch stärkt die Vorverarbeitung die Position des Herstellers; er ist schliesslich am besten dazu in der Lage zu beurteilen, wie einzelne Werte zu verstehen sind. Aktuell bemühen wir uns deshalb darum, die erste Datentransformation von Rohdaten im Data-Lake hin zu rationalisierten Daten durch die Hersteller direkt angeboten zu bekommen, um anschliessend nur noch die effizientere Selektion und Homogenisierung selbst, auf der eigenen Plattform, umsetzen zu müssen.