The Doppler Quarterly (DEUTSCHE) Herbst 2017 | Page 10
In vielerlei Hinsicht
könnte man folgende
Gleichung aufstellen:
IT + OT = IoT
Rohdaten für sich genommen lassen sich an einem
Beispiel wohl am besten erklären: eine riesige Tabelle
mit Temperaturmesswerten, die jede Sekunde aufge-
zeichnet werden, und in der der Temperaturwert bei
107 Grad liegt. Diese Daten sind zunächst einmal
nicht besonders hilfreich. Zweifellos könnte eine
Markierung, die plötzlich 200 Grad anzeigt und dann
wieder auf 107 Grad abfällt, ein Problem – oder ein
falscher Alarm – sein. Aber was passiert, wenn der
Messwert 107 für ein paar Stunden auf 130 steigt oder
wenn der Trend immer weiter nach oben geht? Im
Allgemeinen erfordert die Antwort eine datenüber-
greifende Sichtweise, um zu begreifen, welche Bedeu-
tung dies hat. In anderen Worten: Aus den Daten
muss Kontext abgeleitet werden.
Die vorausschauende Wartung ist die Kunst und die
Datenwissenschaft, die mit der Verarbeitung dieser
riesigen Menge an Rohdaten verbunden ist. Mit deren
8 | THE DOPPLER | HERBST 2017
Hilfe werden Algorithmen für maschinelles Lernen
immer weiter verbessert, um Zusammenhänge abzu-
leiten und Ausfälle von Teilen mit hoher statistischer
Wahrscheinlichkeit vorwegzunehmen. Außerdem
können daraus Empfehlungen resultieren, wann Teile
proaktiv ersetzt werden sollten, bevor es zu Ausfall-
zeiten kommt.
Jetzt, wo die Barrieren zwischen den Produktions-
hallen fallen, beginnen wir, die Migration von histori-
schen Daten und Echtzeitdaten in die Cloud für Ana-
lysezwecke zu sehen – wodurch wiederum bessere
Wartungsprognosen für die Zukunft möglich sind.
Die über Jahre oder Jahrzehnte „ungenutzten Daten“,
die in der Data Historian-Datenbank im Verborgenen
lagerten, werden plötzlich in der Cloud nutzbar, in
der sie letztendlich kostengünstig zu analysieren
sind.