IIoT Hourglass

Verbindung der mechanischen und digitalen Welt

Seit dem ersten Tag des Bestehens der ConSenses setzen wir uns damit auseinander, wie technische Daten erfasst, digital verarbeitet und für den Nutzen in Unternehmensstrukturen dargestellt werden müssen. Um stets den Überblick zu wahren, haben wir das IIoT Uhrglasmodell entwickelt.

Realtime and synchrony

Gründe für Trennung von Verantwortlichkeiten (SoC)

Für die effektive Beschreibung von Vorgängen in Produktionssystemen ist es meistens notwendig umfassende Daten mit Zykluszeiten unterhalb einer Millisekunde zu erfassen. Die Präzisionsanforderungen an die Synchronität mehrerer Sensoren untereinander ist typischerweise noch höher. MES und ERP-Systeme verarbeiten Daten im Allgemeinen mit größeren Zykluszeiten. Darüber hinaus sind die Dateninhalte völlig anders strukturiert. ConSenses Systeme beinhalten die notwendigen Hardware- und Software voraussetzung, um diese zentrale IoT-Aufgabe zu lösen.

Pressshop example

Bearbeitungsprozess Stanzen

In diesem Video zeigen wir konkrete Beispiele, wie das exakte Wissen über Prozessdaten Prozesseinstellungen wesentlich beeinflussen kann. Bemerkenswert ist die Diskrepanz zwischen der vordergründigen Zykluszeit 100 Pressenhübe pro Minute und die notwendige Abtastrate, um alle notwendigen Prozessdetails zu erfassen ca. 1.000 Werte pro Sekunde 1 kHz.

Pressshop example 2

Produktionsprozess Tiefziehen

Dieses Beispiel legt offen, wie wichtig das Detailwissen zu den technologischen Details der betrachteten Fertigungsprozesse ist. Hier werden Daten einer vergleichsweise langsam laufenden Maschine dargestellt. Die Prozesszykluszeit beträgt mehrere Sekunden. Der qualitätsentscheidende Moment beschränkt sich allerdings auf Bruchteile von Sekunden. Messtechnisch lässt sich dieser Zusammenhang durch das Nyquist-Shannon-Abtasttheorem natürlich beschreiben. Praktisch wird die Relevanz dieser Zusammenhänge oftmals unterschätzt. Tückisch ist, dass brutale Rechengewalt hier nicht die richtige Lösung ist. ConSenses Systeme bringen die Randbedingungen mit, um an der Maschine entsprechende Kennwerte (tech KPIs) zu berechnen mit denen die Potentiale gehoben werden können ohne riesige Datenbestände durch Firmennetzwerke zu verschieben.

Data quality assessment

Datenqualität systematisch beurteilen

Die richtige Datenqualität ist zentral für erfolgreiche IoT Umsetzungen. Schlechte, d.h. lückenhafte, verunreinigte oder sogar falsche Daten sind leider immer wieder bei Projektstart akzeptiert. Einschlägige Experten betonen daher regelmäßig wie wichtig es ist Daten zu bereinigen. Im industriellen Umfeld lässt sich regelmäßig beobachten, dass nach einer ordentlichen Bereinigung nicht mehr viel von den ursprünglich großen Datenstämmen übrigbleibt. Das führt Projektmanager allzu oft in schwierige Situationen. Aus diesem Grund betonen wir regelmäßig, dass Daten von der Entstehung bis zur Verwendung durchleuchtet werden, bevor in eine Verarbeitung eingestiegen wird. Jeder Euro, der in eine derartige Bewertung fließt zahlt sich später vielfach aus.