Data & Process Mining

Unternehmen und Organisationen vieler Industrie- und Dienstleistungszweige haben in den vergangenen Jahren in Punkto Digitalisierung ihre Hausaufgaben gemacht. Die stetig zunehmende digitale Überwachung und Teilautomatisierung von Prozessen sowie Ausstattung der Betriebsmittel mit Sensorik und Aktorik sowie immer umfassendere Systemintegrationen führen dazu, dass heute große Mengen von Prozess- sowie Maschinendaten existieren – sowohl auf
der Maschinenhersteller- als auch auf der Anwenderseite. Gerade die Maschinenhersteller haben diese Entwicklung als Chance begriffen, ihre Wettbewerbspositionen durch zusätzliche, digitale Leistungsangebote auszubauen. Zielsetzungen dabei sind vornehmlich, die Prozessbeherrschung auf Anwenderseite zu optimieren und gleichzeitig mittels Condition Monitoring Einsparpotenziale durch zustandsorientierte Instandhaltungsstrategien zu heben. Darüber hinaus birgt die Auswertung der gewonnenen (Feld-) Daten aber auch enormes Potenzial für die eigene Organisation. Die Entwicklung und Konstruktion erhält dabei einen viel besseren Kenntnisstand über die genauen Einsatzbedingungen und das Nutzungsverhalten der Maschinen – valide Datenreihen statt Multimomentaufnahmen gepaart mit proprietärem Erfahrungswissen von Mitarbeitern. Leistungsmerkmale und Funktionalitäten von Maschinen lassen sich auf dieser Basis viel zielgerichteter anpassen und optimieren und ermöglichen es, die Bevorratungs- und Wartungsstrategie kunden- bzw. maschinenspezifisch auszulegen. Die Wirtschaft hat verstanden, dass die nachhaltige Stärkung der eigenen Wettbewerbsposition – sowohl in der Produktion als auch bei den Betriebsmittelherstellern – im Bereich der Datenanalyse liegt – und zwar über die eigenen Systemgrenzen hinaus mit Schnittstellen hinein in die peripheren Systeme. Doch das tatsächliche Anforderungsspektrum ist heute noch sehr diffus: Den einen reicht die bloße Visualisierung von Sensordaten mit einem Fokus auf Verlässlichkeit und Validität der Daten, andere sehen hier den Schlüssel dazu, Prozessstabilität und Reproduzierbarkeit unabhängig von der tatsächlichen Kenntnis der Wirkzusammenhänge in komplexen Systemen zu erzielen. Gemein ist hierbei zumeist die Zielsetzung, über die heuristischen Ansätze der Lean-Paradigmen hinausgehend zu evidenzbasierten Prozessverbesserungen auf Basis von Datenauswertungen und hierauf fußenden statistischen und selbstlernenden Modellen zu gelangen.