Machine Learning gilt bei Weidmüller als konkreter Ansatz für Digitalisierung

Industrial Analytics steht bei Weidmüller für applikationsgerechte KI und Machine Learning-Anwendungen, mit denen man Anomalien erkennen und klassifizieren und so Stillstandzeiten effektiv reduzieren kann.
Industrial Analytics steht bei Weidmüller für applikationsgerechte KI und Machine Learning-Anwendungen, mit denen man Anomalien erkennen und klassifizieren und so Stillstandzeiten effektiv reduzieren kann.

Dr.-Ing. Rolf Sohrmann, BDM Industrial Analytics & IoT bei Weidmüller, sieht keinen Weg an Machine Learning und den sich daraus ergebenen Mehrwerten vorbei. Er empfiehlt aber die passenden Use Cases auszuwählen und Digitalisierung nicht zum Selbstzweck werden zu lassen.

IoT4 Industry & Business: Auf der Internetseite von Weidmüller steht: Digitalisierung ist kein Selbstzweck. Was meinen Sie damit?

Dr.-Ing. Rolf Sohrmann: Für uns steht immer der Mehrwert in der Anwendung im Vordergrund. Wir haben technisch heute deutlich mehr Möglichkeiten, als man wirtschaftlich sinnvoll umsetzen kann. Im Gespräch mit unseren Kunden fallen uns in zwei, drei Stunden sicher 25 Use Cases ein. Im Bereich Machine Learning können wir technisch 80 bis 90 Prozent realisieren. Aber ob das nachher wirtschaftlich Sinn macht, das ist eine ganz andere Frage. Das ist die Kernidee hinter dem Thema „Digitalisierung ist kein Selbstzweck“.

Überall wird über Digitalisierung gesprochen. Möchte jetzt jeder digitalisieren – oder doch nicht?

Sohrmann: Bei uns ist es in der Tat so, dass die Kunden eher zu uns kommen, weil sie konkrete Aufgabenstellungen mit Machine Learning angehen wollen und nicht einfach nur wegen dem übergreifenden Thema Digitalisierung. Unsere Kunden sind schon so weit, dass sie den Begriff Digitalisierung für sich heruntergebrochen haben. Nur bei Themen wie Condition Monitoring und Machine Learning muss manchmal noch auseinanderdividiert werden. Hier denken Anwender oftmals, dass man auf die Zustandsüberwachung der
Maschine, wie wir sie heute in der Steuerung und Regelungstechnik haben, irgendwie einfach Machine Learning drüber packen kann. Dafür ist aber eine ganz andere  Herangehensweise notwendig. Keine regelbasierte Grenzwertbetrachtung, sondern eine modellbasierte Herangehensweise, die man oft nicht mehr mit den vertrauten Regeln erfassen kann.

Smarte Fabrik, Industrie 4.0, IoT – jeder versteht etwas anderes darunter, die Begriffe werden vermischt, ohne die Unterscheidungskriterien zu kennen.

Sohrmann: Ja, das ist etwas, das auch wir in unseren Gesprächen feststellen. Wenn wir zehn Leute fragen, werden wir zehn verschiedene Antworten bekommen. Aus Weidmüller-Sicht geht es um die Operationalisierung von Industrie 4.0 und IoT. Konkret braucht es dafür Use Cases, um die Mehrwerte in der Fabrik umzusetzen. Und da können sie sowohl mit Hard- als auch Softwarelösungen ansetzen. Um wieder auf das Thema Machine
Learning zu kommen. Für unsere Kunden ist es wichtig, einen Partner zu haben, der auf drei Beinen steht. Zum einen haben wir ein ganzes Hardware-Portfolio, um Daten zu akquirieren und sie vom Feld bis in die Cloud zu bringen. Zum anderen haben wir ein Team aus Experten, die das Thema Industrial Analytics operativ umsetzen können. Und dann sind wir ja auch selber Maschinenbetreiber mit einer großen eigenen Fertigung und der
entsprechenden praktischen Erfahrung.

Was muss eine smarte Fabrik können?

Sohrmann: Das ist ein breites Feld. Wenn wir von unserer Produktseite kommen, ist es sicherlich so, dass die Komponenten kommunikationsfähig sein müssen. Also dass Maschinen und Komponenten miteinander verbunden sind. Dass sich Standards in der Industrie entwickeln ist auch sehr wichtig. Vor allem, dass sie akzeptiert werden, dass Schnittstellen von den Herstellern zur Verfügung gestellt werden und man so alles miteinander vernetzen kann. Das ist ein wesentlicher Punkt von „smart“. Wobei klar ist, dass man nicht nur aus Selbstzweck die Dinge miteinander vernetzt.

Sie haben schon Industrial Analytics angesprochen. Was versteht Weidmüller darunter?

Sohrmann: Es geht darum den Zustand der Maschine zu analysieren und mit den Möglichkeiten des Machine Learnings Anomalien zu erkennen sowie Klassifizierungen, Predictive Maintenance, Predictive Quality-Themen oder die Realisierung neuer Geschäftsmodelle anzubieten. Weil die optimale Nutzung und Auswertung von Maschinen- und Prozessdaten der Schlüssel zu mehr Effizienz und Kostenkontrolle über den gesamten Lebenszyklus ist. Und das ist es, was wir von A bis Z mit unseren Kunden machen. Vor zirka fünf Jahren sind wir mit Analytics-Projekten in der eigenen Fertigung gestartet. Vor drei Jahren haben wir eine eigene Business Unit für das Thema gegründet und gesehen, dass es eine Dienstleistung ist, die wir erfolgreich am Markt anbieten können.

Gehen die Kunden in Sachen Digitalisierung mit, weil sie sich ökonomische Vorteile versprechen oder weil es einfach ein natürliches Fortschreiten der Arbeitswelt ist?

Sohrmann: Was ich bei den Maschinenbauern wahrnehme, ist die Steigerung von Output, das Erzielen von mehr Umsatz aufgrund von neuen Produktfeatures und weniger auf dem Einsparen von Ressourcen. Das Denken geht hier ganz klar in Richtung Mehrwert zum Markt. Bei den Maschinenbetreibern geht es dagegen überwiegend um Effizienzsteigerung und Kostensenkung. Die Möglichkeiten, die wir heute beim Machine Learning oft erst noch auf dem Papier vor Augen haben, die werden kommen. Es gibt aus meiner Sicht keinen Weg drum herum. Und ich würde sagen, wer in den nächsten Jahren diese Features und Mehrwerte nicht mit anbietet, wird nicht mehr über Wachstum sprechen. Der wird einfach Marktanteile verlieren. Ich glaube, dass ist vielen Firmen schon klar.

Glauben Sie, dass Entwickler und Hersteller wie Weidmüller den Kunden Zeit geben sich in den nächsten Jahren mit dem Status quo zurechtzufinden. Oder werden immer neue Angebote geschaffen, ohne die Chance zu haben mit den vorhandenen zurechtzukommen?

Sohrmann: Es stimmt. Wir sind Getriebene und wir müssen treiben. Was wir aus dem Consumer-Bereich kennen, das ist in der Industrie bisher nur sehr partiell angekommen. Aber diese Durchdringung wird uns das nächste Jahrzehnt intensiv beschäftigen. Vielleicht nicht mit dieser ganzen Aggressivität des Consumer-Bereichs, aber annähernd vergleichbar. Es ist für die Industrie heute noch verhältnismäßig schwer herauszufinden, auf welchen Zug man aufspringen soll. In der Industrie gibt es hier ganz andere Zeitspannen als im Consumer-Bereich – Maschinen und Anlagen müssen über zehn bis 15 Jahre oder gar
länger in den Fabriken funktionieren. Mein Lieferant soll also auch in fünf Jahren noch da sein und diese Lösungen mit mir weiterentwickeln. Also wer ist da der richtige Partner. Das umzusetzen, glaube ich, ist zukünftig sehr schwer. Viele Startups kommen mit ganz tollen Ideen. Aber welche Bedeutung hat das in der Industrie? Können wir das integrieren? Ist das nachhaltig? Und da ist es dann wichtig, sich an offenen Standards zu orientieren. Also zu hinterfragen, auf welcher Umgebung arbeiten die Anbieter, mit welchem Selbstverständnis arbeiten sie, und mit welcher Wahrscheinlichkeit haben wir sie auch in drei Jahren noch zur Hand. Das ist natürlich schwer zu beurteilen, aber man sollte es zu mindestens hinterfragen. Das wäre ein Punkt, den ich einfach nur empfehlen kann.

Weitere aktuelle IoT Meldungen