AIoT: Artifical Intelligence in IoT-Umgebungen – So verhindern Siemens und SAS Zugausfälle

• Streaming Analytics, die Daten direkt am Sensor auswerten, und künstliche Intelligenz (KI) helfen dabei, Zugausfällen frühzeitig vorzubeugen.
• Siemens MindSphere und SAS zeigen, dass diese AIoT-Kombination einen realen Mehrwert ermöglicht.
• Vor allem Umsatzwachstum, Kostensenkung und eine höhere Mitarbeiterproduktivität wurden nach 24 Monaten AIoT-Einsatz festgestellt.

Stetig wachsende Datenmengen und immer neue Datentypen, die von über das Internet vernetzten Geräten, Maschinen und Anlagen generiert werden, bieten Unternehmen vielfältige Chancen für Optimierungen – sofern man diese Informationen richtig auswertet. Das ist eine komplexe Aufgabe: Denn um einen Wert aus diesen Daten zu ziehen, werden Analyse-Möglichkeiten benötigt, die Millionen von Events pro Sekunde mit einer Latenz von weniger als einer Milli­sekunde verarbeiten können.

Streaming Analytics, die Daten „at the edge“, also entweder direkt am Entstehungsort, in der Cloud, während der Übertragung oder am Speicherort auswertet, schafft diese Aufgabe – und zwar auf herkömmlicher Hardware. IT-Experten und Mitarbeiter der Fachabteilungen erhalten zeitnah Einblicke in operative Vorgänge sowie in Verhaltensmuster 
der Maschinen und Anlagen. Damit können sie schnell präzise Vorhersagen 
erstellen und zuverlässige Entscheidungen treffen. 

IoT Analytics verbindet analoge und digitale Welt 

Siemens Digital Industries Software und SAS sind eine Partnerschaft eingegangen, um Unternehmen bei der Entwicklung von IoT-Lösungen für Edge- und Cloud-Umgebungen zu unterstützen. Hier kommt Streaming Analytics von SAS über das cloudbasierte, offene IoT-Betriebssystem MindSphere von ­Siemens zum Einsatz.

MindSphere verbindet mit SAS die reale mit der digitalen Welt: Streaming-Daten lassen sich mit analytischen Modellen von SAS direkt „at the edge“ oder in der MindSphere-Cloud analysieren. Dabei wird das analytische Modell in den Sensor heruntergeladen – und zwar ohne Downtime für die Maschine – und auf alle künftigen Daten angewendet. Die gemeinsame Lösung aus IoT-­Betriebssystem und Analytik ist skalierbar, es können schrittweise weitere Sensoren, Maschinen oder auch Produktionsanlagen hinzugeschaltet und die daraus entstehenden zusätzlichen Daten analysiert werden.

So funktioniert Mindsphere – Systeme, Maschinen, Anklagen und Produkte an das IoT anbinden.

Mit der Kombination von SAS und MindSphere lassen sich leistungsstarke Branchenanwendungen, digitale Services und sogar neue Geschäftsmodelle entwickeln. Prädiktive/präskriptive Wartung und optimiertes Asset Performance Management bilden die Voraussetzung für eine höhere Produktivität und geringere operative Risiken.

Aus AI und IoT wird AIoT

Leistungsstarke Advanced und Predictive Analytics bildet zudem die Basis für die Einbindung von Machine Learning und AI (Artificial Intelligence, deutsch: KI – künstliche Intelligenz) in IoT-Umgebungen – auch AIoT genannt. Advanced-Analytics-Algorithmen sammeln und analysieren beliebig große Mengen an Daten aus Kontrollsystemen und führen IT und operative Technologien (OT) zusammen, indem sie mit den gewonnenen Erkenntnissen Intelligenz in die Geschäftsprozesse bringen.

Das Potenzial von AIoT belegt auch eine aktuelle Studie des Analystenhauses IDC, die SAS unterstützt hat und für die weltweit Führungskräfte befragt wurden. Demnach sehen praktisch alle Umfrageteilnehmer (99 Prozent) ihre Erwartungen bei den Vorteilen, die der Einsatz von AI- und IoT-Lösungen bringt, erfüllt oder sogar übertroffen. 34 Prozent nannten Umsatzwachstum als wichtigste erwartete Verbesserung. Und die Befragten berichten über signifikante positive Ergebnisse nach zwölf bis 24 Monaten AIoT-Einsatz: Kostensenkung (85 Prozent), höhere Mitarbeiterproduktivität (87 Prozent) sowie verschlankte Prozesse (86 Prozent).

Die Studie zeigt zudem, dass Nordamerika noch zurückhaltender als Europa und Asien ist, wenn es um die Nutzung von künstlicher Intelligenz und IoT geht. Hürden bilden am häufigsten die Datenaktualisierungszyklen, die die Technologie erfordert, sowie existierende Geschäftsprozesse, die nicht adaptierbar sind. Dafür gibt es mehrere Gründe, zum Beispiel eine Analytik, die nicht ausreichend in die vorhandenen Systeme integriert ist, oder analytische Modelle, die nicht operationalisiert wurden. Die größten Herausforderungen, die AIoT entgegenstehen, liegen jedoch in der Unternehmenskultur/-struktur und in Bedenken im Hinblick auf die Verwendung von Daten.

Quelle: Siemens AGQuelle: Siemens AG

Ein Beispiel für Mehrwerte, die AIoT schaffen kann, sind prädiktive Wartung und optimiertes Asset Management bei Fahrzeugen. Eine intelligente Infrastruktur ist die Voraussetzung für die Automatisierung auf Straße und Schiene. 

AIoT: Handeln, bevor es zum Ausfall kommt

Die Digitalisierung mit Technologien wie KI und IoT bietet gerade der Mobilitätsbranche großes Verbesserungspotenzial, erläuterte Luc Vuilleumier von Siemens Mobility Consulting auf dem diesjährigen SAS-Forum in Bonn. Denn einerseits handelt es sich um eine Branche mit hohen Anschaffungs- und Instandhaltungskosten. Andererseits stellt die dezentrale Infrastruktur eine besondere Herausforderung dar: Da die Fahrzeuge ständig in Bewegung sind, können sie nicht jederzeit gewartet werden – im Gegensatz zu Maschinen in einer Produktionshalle. 

Bei einem Hochgeschwindigkeitszug fallen pro Monat rund ein Terabyte an Sensordaten an. Bei einer Flotte von 100 Regionalzügen sind es zirka 50 Millionen Diagnosemeldungen pro Jahr und bis zu 200 Milliarden Zeitreihendatenpunkte. Die Auswertung von IoT-Daten mittels Analytics und/oder künstlicher Intelligenz gibt Aufschluss über den Zustand des Fahrzeugs. Teile können somit ausgetauscht werden, bevor es zum Ausfall kommt.

Mehr Sicherheit und Effizienz durch intelligente Bahndaten

Wie eine intelligente Mobility-Infrastruktur funktionieren kann, zeigt ein Beispiel aus dem Bahnbetrieb. Das Siemens-System Railigent nutzt Bahndaten intelligent, um einen unterbrechungsfreien Betrieb sicherzustellen. Es reagiert unter anderem an den folgenden neuralgischen Punkten:

• Türen: Wenn sie nicht richtig schließen, kann der Zug nicht losfahren. Das macht Türen zu einem kritischen Element. Durch eine Analyse der Daten von elektromechanischen Verriegelungssystemen an Türen werden deren Ausfälle prognostiziert und damit Verzögerungen frühzeitig erkannt.

• Wayside: Mit Mikrofonen lassen sich die Geräusche an der Strecke aufnehmen und analysieren. So lässt sich anhand eines abweichenden Klangs sechs bis acht Monate im Voraus erkennen, ob sich ein Lagerschaden an einem Radsatz anbahnt.

• Stellwerke: Weichen, die nicht mehr umlaufen können, bremsen den Betrieb. Mithilfe von Data Capture Units werden Daten erhoben und analysiert, die auf eine solche Störung hinweisen könnten. Potenzielle Ausfälle lassen sich so sechs bis acht Stunden im Voraus erkennen und beheben.

Auf der „letzten Meile“ Richtung AIoT

Unternehmen investieren zwar zunehmend in Analyse und künstliche Intelligenz, es fällt ihnen jedoch oft noch schwer, die „letzte Meile“ der Implementierung, Operationalisierung und Produktivsetzung von Analytics zu bewältigen. Laut IDC fahren sich zwei von drei Analytics-Projekten fest, bevor sie überhaupt im geschäftlichen Alltag ankommen.

Der Analytics-Experte SAS hat jetzt Softwarelösungen, Dienstleistungen und Trainingsmaßnahmen in einem neuen Angebot gebündelt, das genau diese Herausforderungen der „letzten Meile“ adressiert. Denn ohne die Überführung in die IT-Produktion bleiben KI/AI & Co. nur Hypes, bringen aber keine Wettbewerbsvorteile.

Wie künstliche Intelligenz und IoT zusammenspielen, erläutert SAS auch in seiner Podcast-Serie „KI Kompakt“. Praxis­beispiele für den Einsatz von KI und IoT konnten die Besucher auch auf der SAS Analytics Experience erleben, die vom 21. bis 23. Oktober in Mailand stattgefunden hat.

Gerhard Altmann ist Senior Director Global Manufacturing Industry Practice bei SAS.