Predictive Analytics und Industrie 4.0

Dr. Michael Winterstein, Dipl. Physiker

Industrie 4.0 – ein von der Bundesregierung als Zukunftsprojekt im Rahmen der High-Tech-Strategie formuliertes Projekt ist in aller Munde. Ziel ist die Erhaltung der Wettbewerbsfähigkeit Deutschlands in der sich aufgrund der zunehmenden Digitalisierung rasant verändernden Welt. Die Digitalisierung mit den daraus erwachsenden neuen Möglichkeiten wird nicht nur die Wirtschaft, sondern die gesamte Gesellschaft revolutionär verändern. Den Kerngedanken von Industrie 4.0 findet man in der Definition des Bundesministeriums für Bildung und Forschung (BMBF): „Die Produktion wird mit hochwertigen Dienstleistungen verbunden. Mit intelligenten Monitoring- und Entscheidungsprozessen sollen Unternehmen und ganze Wertschöpfungsnetzwerke in nahezu Echtzeit gesteuert und optimiert werden“.

Unternehmen die nicht abwarten, schnell reagieren und die Möglichkeiten der Digitalisierung nutzen, entfernen sich schnell von ihren Mitbewerbern. Dass sich dieses Thema nicht ungestraft aussitzen lässt, ist inzwischen allen Unternehmen klar. Da diese Thematik bezüglich der Anwendungsmöglichkeiten sehr vielschichtig und daher für manche Entscheider zu abstrakt ist, fehlt die Entschlusskraft, konzentriert zu beginnen. Dabei verfügen fast alle Unternehmen über große Datenvolumina und diese wachsen und verändern sich immer schneller. Warum also warten, bis andere es tun und nicht in kleinen Schritten beginnen? Die Schlagworte Big Data und Data Mining flößen Respekt ein und so bezieht man die Thematik nicht auf den Bereich seiner Verantwortung, ganz nach dem Motto: „So viele Daten haben wir nun auch nicht.“ Gegen einen Einsatz spricht auch die Erfahrung, dass auch Bauchgefühl und einige Kennziffern genügen, um einen Prozess, die Qualität oder das Unternehmen gut zu führen.

Warum sollte man den Prozess der Entscheidungsfindung nicht automatisieren und sein ganzes Wissen in diesen Schritt einbringen? Wenn die Datenmengen immer größer und eine Vielzahl von Parametern/Prozessgrößen gleichzeitig gemessen werden, erschwert dies in erheblichem Maße das Erkennen der wesentlichen Zusammenhänge – oft ist es ohne Hilfsmittel gar nicht mehr möglich.

Dabei kann man nicht auf Standards warten, sondern muss selbst beginnen die hohe Komplexität zu managen. Digitalisierung ist nicht nur ein Wandel der Technologien – sie beginnt in erster Linie in den Köpfen. Die Studie der Commerzbank in 2016 [1] gibt nun dem Mittelstand gute Noten, deutlich optimistischer als die aus dem Vorjahr. So wird festgestellt:

Vom Jobkiller zum Jobmotor: Unternehmen sehen Digitalisierung immer positiver.  Zwei Drittel aller Unternehmen schaffen Mitarbeiterinnen und Mitarbeitern Freiräume für innovative, digitale Projekte.  Bei einem Fünftel der Mittelständler prägt Digitalisierung bereits maßgeblich die gesamte Geschäftstätigkeit.

Predictive Analytics – wo ist sie schon heute einsetzbar?

Eine starke, schon heute angewendete Technik hierfür ist Predictive Analytics. Predictive Analytics sucht mit einer Vielzahl mathematischer-statistischer Methoden nach Zusammenhängen in Datenbeständen, egal ob es kleine oder unübersichtlich viele sind. Das aus Daten extrahierte Wissen, kombiniert mit dem Sachverstand von Unternehmensexperten, muss in Regeln umgesetzt und direkt in den Prozess eingebunden werden. Damit wird der Prozess „predicted“, also aus aktuellen Daten vorhergesagt und richtig hierauf reagiert.

Sehr weit fortgeschritten sind derzeit Arbeiten zur intelligenten Textauswertung. Wenn es schon jetzt möglich ist, innerhalb von nur circa 30 Sekunden über sieben Millionen aktuelle Textdokumente weltweit auszuwerten und beispielweise die 70 häufigsten Begriffe aufzuspüren, dann dokumentiert dies in beeindruckender Weise die neuen Möglichkeiten für Recherchen sowohl fachlich als auch marktforschungsunterstützend, ganz nach dem Motto: „Wenn andere noch suchen, entscheiden wir schon!“ oder „Verbringe mehr Zeit mit strategischen Entscheidungen, während andere noch suchen“ [2].

Bei diesen Textauswertungen muss der gesamte Text in Zahlen, zumeist 0 oder 1, umgewandelt werden, je nachdem ob ein Wort im Text vorkommt oder nicht. Dieser Schritt lässt sich in vielen Bereichen der industriellen Fertigung einsparen, da die Daten schon in metrischer Form (quantitative Daten) vorliegen.

Die Weitergabe von Firmendaten an externe Firmen ist für einige Unternehmen durchaus problembehaftet, da Firmenwissen unkontrolliert abfließen könnte. Hier kann ein Anonymisierungsschritt der Messdaten helfen. Keine Lösung auf Dauer ist das Nichtnutzen des eigenen Datenpotentials.

Wo liegen also Anwendungsmöglichkeiten für die Lebensmittelindustrie?

Wie auch in anderen Branchen sehen wir zwei verschiedene Kategorien des Einsatzes der Data Mining-Techniken.

A) Data Mining Beispiele zur Ursachenaufklärung/Identifizierung

Beispiel 1:
Die angelieferten Rohstoffe/Einsatzstoffe verschiedener Zulieferer werden hinsichtlich ihrer Qualität überwacht. Jede Charge oder Probe ist charakterisiert durch die Messergebnisse an mehreren Analysenparametern. Eine gefundene Störung (z.B. eine störende Anbackung in einer Rohrleitung, störende Körnungen im Vorratsbehälter) soll auf den Zulieferer zurückgeführt werden. Die Datenanalyse hilft dabei, durch Vergleich der verschiedenen Muster aller Zulieferer über eine multivariate Ähnlichkeitsbetrachtung den Störungsverursacher zu ermitteln.

Beispiel 2:
Es werden verschiedene Einsatzstoffe verwendet. Sicherheit soll geschaffen werden, dass es die vereinbarten sind (zum Beispiel verschiedene Öle). Aus genügend Analysen daten für jede Sorte lässt sich ein Modell erstellen, so dass sich später anhand weniger Daten die typgerechte Verwendung zuverlässig überwachen lässt. Auch Fälschungen lassen sich erkennen.

Beispiel 3:
In Lebensmittelprodukten werden unerwünschte MOSH/MOAH [4] gefunden. Woher kommen sie, was ist die Ursache? Aus MOSH/MOAH-Chromatogrammen (Abbildung 1) bekannter Ursache kann über die Datenanalyse ein Modell erstellt werden, welches das unbekannte Muster der ähnlichsten Herkunftsklasse zuordnet.




Abbildung 1: Neuronales Netz zur Vorhersage der Ölsorte aus Analysendaten [3]






Abbildung 2: Beispiel eines MOSH-Chromatogramm-Datenfiles



B) Data Mining zur Optimierung von Produktion und Qualität

Beispiel 4:
Eine vereinbarte Qualität ist zu produzieren. Es kommt immer wieder zu Störungen in der Qualität. Trotz oder gerade wegen der vielen unübersichtlichen Messdaten vom Prozess wird die Ursache nicht gefunden. Die Datenanalyse sucht nach Zusammenhängen im Datenmaterial und erarbeitet einem Steuerungsvorschlag, der in Echtzeit umgesetzt werden kann.

Beispiel 5:
Im Produktionsprozess werden, oftmals historisch bedingt („Das machen wir schon immer so!“), viele Parameter gemessen. Dies verursacht Kosten und kann zeitaufwändig sein. Die Datenanalyse findet für die Zielstellung redundante, also überflüssige Parameter, auf die man verzichten kann und zeigt die entscheidenden Parameter für die zukünftige Überwachung auf. Weshalb beschäftigt sich WESSLING mit dieser Thematik? Als breit aufgestelltes Dienstleistungsunternehmen mit einem großen Kundenstamm erfahren unsere Experten sehr oft von Problemstellungen unserer Kunden, sei es aufgrund größerer, ungewöhnlicher Analysenaufträge oder durch Gespräche vor Ort. Schon oft konnten unsere Fachleute helfen, nicht nur Daten zu produzieren, sondern auch aus vorliegenden Daten das notwendige Wissen zu extrahieren. Leider ist das Problembewusstsein auf dem Markt für Data Mining noch nicht so geschärft, als dass sich jeder schon des immensen Schatzes seiner eigenen Daten bewusst ist.

Quellen:
[1] „Fachkräftemangel und fehlende Qualifikation bremsen digitale Transformation“;
     https://www.commerzbank.de/de/hauptnavigation/press /pressemitteilungen/archiv1/ 2016/
     quartal_16_02/presse_archiv_detail_16_02_58570.html
[2] Vortrag CID GmbH; Workshop Big Data in Business, ScaDS Leipzig, 13.11.2015
[3] M. Winterstein, J. Ungewiß: Klassifizierung von Fetten und Ölen mittels multivariater Datenanalyse,
     Deutsche Lebensmittel-Rundschau, 98. Jahrgang, Heft 6, 2002
[4] A. Hänske, T. Flick: Lebensmittelkontaktmaterialien,
    Der Lebensmittelbrief – ernährung aktuell, Juli/August 2016

Kontakt:
WESSLING GmbH
Oststr. 7, 48341 Altenberge
Tel.: 02505 89-0
E-Mail: food@wessling.de, www.wessling.de

Ausgabe März/April 2017 „Der Lebensmittelbrief/ernährung aktuell”