Stefan MüllerDirector Business Intelligence & Big Data

Referenten:

Alexander KeidelSenior Consultant Business Intelligence & Big Data

IoT Use Case für Industrie 4.0Predictive Analytics & Maintenance am Beispiel eines webbasierten Flottenmanagements

Definition und Abgrenzung Predictive Analytics

Vorstellung

Referenten

Prof. Dr. Peter Gluchowski www.TDWI.eu5. Oktober 2017

Prof. Dr. Peter GluchowskiMitglied des Vorstands TDWI e.V.

Stefan MüllerDirector Business Intelligence & Big Data / it-novum

Alexander KeidelConsultant Business Intelligence & Big Data / it-novum

Vorstellung TDWI e. V.

Prof. Dr. Peter Gluchowski

Advancing all things data.

Starke Community

Anwenderforen

Roundtable

Konferenzen

BI-SPEKTRUM

Fachbücher

Online Wissensportal

Seminare

www.TDWI.eu

Neutral und unabhängig.

5. Oktober 2017

Predictive Analytics

Definition und Abgrenzung

REPORTING

Was ist

passiert?

ANALYSE

Warum ist es

passiert?

MONITORING

Was passiert

gerade?

VORHERSAGE

Was könnte

passieren?

Geschäftlicher Nutzen

Kom

plex

ität

niedrig hoch

hoch

Predictive AnalyticsDashboards, ScorecardsOLAP und VisualisierungAbfrage- und Berichtswerkzeuge

Prof. Dr. Peter Gluchowski www.TDWI.eu5. Oktober 2017

Predictive Maintenance Historische Entwicklung

Prof. Dr. Peter Gluchowski www.TDWI.eu 5. Oktober 2017

Ge

sc

hä

ftlic

her

Nu

tze

n

niedrig

hoch

Emergency Maintenance

Zeit

Corrective Maintenance

Preventive Maintenance

Predictive Maintenance

Reaktive notfallgetrie-bene Instandhaltungs-aktivitäten, die sofort

unternommen werden, um weitere

gravierende Folgen zu vermeiden.

Reaktive fehlergetriebene Instandhaltungsaktivitäten, die durchgeführt werden, um die Funktionsfähigkeit

von Objekten wiederherzustellen.

Proaktive zeitgetriebene Instandhaltungsaktivitäten zu regelmäßigen Zeitab-ständen, um die Ausfall-wahrscheinlichkeit oder

den Leistungsabfall einer Betriebsanlage zu

verringern.

Proaktive zustandsgetrie-bene Instandhaltungs-aktivitäten zur voraus-

schauenden Erhaltung der Funktionsfähigkeit von

Objekten und Systemen.

Quelle: TDWI: IT-basierte Maintenance Konzepte, Infografik, Troisdorf 2017.

Telefon

Maschinenakte

Instandhaltungs-systeme

Vorhersage- modelle

Vorstellung & Einordnung Anwendungsfall

7

International führende OS-Technologien

InternationaleTechnologiepartnerschaften

Langjähriger akkreditierter Partner von führenden OS-Softwareher-stellern aus den USA und Europa

Bestätigte Qualitätssicherung durch ISO Zertifizierung

Unternehmen

Kunden und Projekte Produkt-entwicklungen

Gegründet in 2001 als eigenständige Konzerntochter der börsennotierten KAP-AG

IT-Beratungshaus mit technischer Spezialisierung im Business Open Source-Bereich

75 Mitarbeiter

Hauptsitz in Fulda, Niederlassungen in Berlin, Dortmund und Wien

Etablierte Produktentwicklungen

ITSM Analytics Platform

Alfresco Caching & Hosting

Monitoring Software

Kunden und Projekte

15+ Jahre Business Open Source-Erfahrung

Über 750 umgesetzte Projekte in großen mittelständischen Unternehmen und Konzernen

Wer wir sind

openLIGHTHOUSE

8

Business Intelligence & Big Data

Business Analytics Advanced AnalyticsBig Data Analytics

9

PentahoEnabler für das Data-Driven-Business

Moderne Datenintegrations- und Businessanalyse-Plattform

─ Volles Spektrum von fortgeschrittenen Analysen für verschiedene Rollen

─ Big Data Blending für Analysen in Echtzeitumgebungen

─ Big Data Integration – auch nativ

Innovation durch Open Source

− Offen, erweiterbar und auf zukünftige Anforderungen abgestimmt

− Durch technische Innovationen schon von Anfang an in der Führungsrolle im Bereich Big Data

Marktpräsenz

─ Über 1.500 kommerzielle Kunden

─ Über 10.000 produktive Installationen

10

Von Daten zu Analysen in einer integrierten Plattform

Data PrepData Engineering Analytics

Ingestion Processing Blending Data Delivery Data Discovery/ Analysis

Analysis& Dashboards

Administration Security LifecycleManagement

Data Provenance

Dynamic DataPipeline Monitoring Automation

11

IoT AnalyticsUnterschiedliche Datenquellen von Sensoren mit Kontext versehen, sinnvoll miteinander verknüpfen und auswerten. Muster aufdecken und visualisieren.

Rohwaren Equipment Temperatur/ Druck

Equipmentvibrationen

Lagermaschinenauslastung Versanddistanz Kundenverhalten

Termingenaue Lieferung

Wareneingangszeit Schlechtwetter

12

Equipment-vibrationen

Equipment-temperatur

Kunden-verhalten

Equipment-druck

Geschwin-digkeit

Equipment-auslastung

Versand-distanz

GROßE VIELFALT AN SENSORDATEN

GRO

ßED

ATEN

MEN

GEN

PRO

TA

G (

> M

IO)

IoT ist ein Big Data-Problem

13

Mit Pentaho komplexe IoT-Szenarien analysieren

ERP

CRMAsset

Management

STRUKTURIERTE DATEN

Sensor-daten

Geo-Location DatenMachinendatenBilddaten

Video- oderSprachdateien

SEMI-STRUKTURIERTE DATENUNSTRUKTURIERTE DATEN

Wie sieht die Lösung aus?Wie fügt man all diesen Daten Kontext hinzu?

14

Mit Pentaho komplexe IoT-Szenarien analysieren

STRUKTURIERTE DATENSEMISTRUKTURIERTE DATENUNSTRUKTURIERTE DATEN

SCHNELLES ANLEGEN VON DATEN-PIPELINES

Beladen Model-lieren

Ver-knüpfen

Vorbe-reiten

Handeln

MaschinellesLernen

ERP

CRM

Asset Management

Sensor-daten

GeografischeDaten

MachinendatenBilddaten

Video- oderSprachdateien

15

IoT Analytics Kernmodule

3

Erfassen Integrieren Auswerten

1 2

16

IoT Analytics KernmoduleAsset Management

1

Erfassen

1

Asset Management Sensoren registrieren

Assets modellieren

Sensordaten speichern

Sensordaten streamen

17

IoT Analytics KernmoduleData Refinery

2

Integrieren

2

Data RefineryValidieren & Bereinigen

Verarbeiten & Anreichern

Weiterverarbeitung

Rules Engine

18

IoT Analytics KernmoduleAnalytics

3

Auswerten

3

AnalyticsMachine Learning

Report & Alert

Workflow Integration

Handlungsempfehlung

19

Analysieren Sie mit Pentaho komplexe IoT-Szenarien Mithilfe von 3 IoT-Kernmodulen

1

Asset Management Sensoren registrieren

Assets modellieren

Sensordaten speichern

Sensordaten streamen

2

Data RefineryValidieren & Bereinigen

Verarbeiten & Anreichern

Weiterverarbeitung

Rules Engine

3

AnalyticsMachine Learning

Reports & Alerts

Workflow Integration

Handlungsempfehlung

Erfassen Integrieren Auswerten

IoT Platform Demo Scenario

21

Big FleetEin Unternehmen mit 222 Fahrzeugen

24

46

152

Web-basierte Flottenmangement-Plattform

22

Asset Management-Modul

23

Darstellung der unterschiedlichen Fahrzeugtypen als Avatare

24

Hierarchische Asset-Modellierung

Modell- und Sensordaten speichern

Asset ModelSensordatenNutzfahrzeug

Luftdruck

Achsen-vibration

Lichter

Ladegewicht

Bewegung

Temperatur

SensordatenFlow

StreamenVerknüpfen

Muster aufdecken

SenseAbleiten

Einspeisen & Integrieren

Speichern

25

Sensordaten mit Kontext versehen

Fahrzeugstandort

• GPS• Längen-/ Breitengrad

• Mapping• Bewegung

Fahrzeugprofil

• Hersteller• Modell• Kilometerstand

Betriebssysteme

• Wartungshistorie• Wartungsplan• Servicezentren• Teilebestellung• Teile-inventarisierung

Sensordaten Kontextdaten

Geschäfts-nutzen

• Real-Time Flottenstatus/ -zustand• Reparaturempfehlungen• Optimiertes Wartungsplanung• Automatiserte Teilebestellung

IoT Data Refinery

SensordatenFlow

StreamenVerknüpfen

Muster aufdecken

SenseAbleiten

Einspeisen & Integrieren

Speichern

26

IoT-Demo anhand eines fiktivenFlottenmanagement Use Case

1. Flottenstatus & -zustand: Standort und Zustand der gesamten Flotte auf einer Karte

2. Fahrzeugprofil: Hersteller, Modell, Alter, Kilometerstand und Status

3. Streaming Sensordaten: Sensoren für Bewegung, Luftdruck, Motortemparatur, Ladegewicht, Lichter, Achsenvibration

4. Alarm: real-time Alert entsprechend Fahrzeug, Sensor and Schweregrad

5. Machine Learning: Algorithmen für Predictive Maintenance

6. Operative Workflow-Integration: Identifikation des nächstem Wartungscenters und Fahrzeugleitung dorthin

7. Interaktive Flottenanalyse: historische Flottendaten analysieren

8. Data Refinery: unterschiedliche Datenquellen miteinander verknüpfen

9. Fahrzeugvorhaltung: Datenmodellierung, Serialisierung, sichereSensordatenkommunikation

10. Fahrzeugmanagement: Zugriffsverwaltung von IoT-Endpunkten, Gateways und zugehörigen Metadaten

AssetMgmt

DataRefinery

Analytics

27

Pentahos IoT Analytics WorkflowSchnelles Anlegen von Daten-Pipelines

Pentaho Daten-

integration

IOT Data Refinery

Analytics-Datenbank

Pentaho Analyzer

Sensor

TraditionelleDaten

Pentaho Daten-

integration

Pentaho Reporting

MSG QueueKafkaJMS

MQTT

MaschinellesLernen

R, Python or Weka

StreamFeedback-schleife

LOB Applika-tionen

Pentaho Daten-

integration

Embedded

28

Pentaho sorgt dafür, dass auch Datenströme auskomplexen IoT-Szenarien analysiert werden können

Industrial IoTmit Hitachi

Expertise in Machine Learning

Big Data Lösungen

für IoT

29

Die konkrete “Datenproblematik” und die gefordertenLösungen, um sich Wettbewerbsvorteile zu verschaffen

Herausforderungen

• Viele Datenquellen• Maschinendaten mit

anderen Datenverknüpfen

• Multi-Tenant Dashboards

Lösungen

• Verbindungen zuallen Datenquellen

• Verarbeitung hoherDatenmengen

• Vorhersageoperativer Events

• Schnelleres Time-to-Market

Vorteile

• Wartungskostensenken

• Pünktliches und akkurates Reporting

• IndividuelleAngebote

• Umsätze steigern• Kundenerlebnis

verbessern

30

Use Case “Predictive Maintenance”

Herausforderungen

• 3,6 Millionen Datenpunkte pro Sekunde

• Korrelationverschiedenster Datenpunkte

• Visualisierung inMulti-TenantDashboards

Lösungen

• End-to-end Big Data Plattform

• Skalierbarkeit beisteigendenDatenmengen

• Vorhersageoperativer Events

Vorteile

• Wartungskostensenken

• HöhereZuverlässigkeit beigeringeren Kosten

• Bessere Service-erbringung

31

Use Case “Telematics Analytics”

Herausforderungen

• Integration von Sensordaten mitanderen Daten

• Datenintegrität• Entwicklung von

Dashboards

Lösungen

• Verbindungen zuallen Datenquellen

• Verarbeitung und Kombination allerDatenquellen

• Verarbeitung hoherDatenmengen

• Schnelleres Time-to-Market

Vorteile

• Verbesserung der Energieeffizienz

• Vermeidung von Ausfällen

• Optimierung der Wartungsaktivitäten

• Verbesserung imBetriebsablauf

32

Diese Themen könnten Sie auch interessieren…

WhitepaperDie 10 wichtigsten Big Data Technologienhttps://it-novum.com/whitepaper-success-story/10-big-data-technologien-die-sie-kennen-sollten/

WebseiteIoT Analytics: Real-time Berechnungen für das IoThttps://it-novum.com/business-intelligence-big-data/stream-analytics/

GastkommentarWael Elrifai / Pentaho: Beginn der prädiktiven Ärahttps://it-novum.com/blog/gastkommentar-beginn-der-praediktiven-aera/

it-novum GmbH GermanyHeadquarters Fulda: Edelzeller Straße 44 ● 36043 Fulda Phone: +49 (0) 661 103 333Branch office Berlin: Siemensdamm 50 ● 13629 Berlin

it-novum AustriaOffice Park 1 / Top B02, 1300 Vienna-Airport Phone: +43 (0) 1 227 87 139

Stefan MüllerDirector Business Intelligence & Big Datastefan.mueller@it-novum.com+49 (0) 661 103-942

Andreas KuhnSales ManagerAndreas.kuhn@it-novum.com+49 (0) 661 103-363

Ihre Ansprechpartner

Peter LippSales Manager AT peter.lipp@it-novum.com +43 (1) 22787-139