analytics@2x

ADAMOS Advanced Streaming Analytics

Moderne Maschinen liefern über Sensoren große Datenmengen, die es schnell zu analysieren gilt. Die dadurch mögliche Erkennung von Anomalien erlaubt es, Fehler frühzeitig zu erkennen, zu melden und zu verhindern. Entsprechend lassen sich Anwendungsfälle, wie beispielsweise Condition Monitoring oder Predicitve Maintenance, elegant umsetzen.

Bei der Streaming-Analyse geht es darum, in Echtzeit Erkenntnisse und entsprechende Mehrwerte aus hochfrequenten Datenströmen zu gewinnen. Dabei werden kontinuierlich Analyselogiken und statistische Algorithmen auf Datenströme unterschiedlicher Quellen, wie z.B. Maschinen, Geräte, Sensoren und Systeme, angewendet.

ADAMOS Advanced Streaming Analytics enthält eine marktführende Streaming Analytics Engine, mit der sich entsprechende Algorithmen in Echtzeit gegen die relevanten Datenströme anwenden lassen. Dabei ermöglicht die patentierte HyperTree-Technologie sehr hohe Datendurchsatzraten bei sehr geringer Latenz. Auf diese Weise kann sichergestellt werden, dass zeitkritische Entscheidungen umgehend getroffen werden können. Durch die schlanke Bauweise der Engine, kann diese sowohl in größeren Cloud-Installationen als auch auf kleinen Edge-Geräten zum Einsatz kommen.

Erstellung von Analyselogiken

Advanced Streaming Analytics logics

Advanced Streaming Analytics - Event Processing Language (EPL) Editor

Die ADAMOS Streaming Analytics Engine bietet Entwicklern mit der nativen Event Processing Language (EPL) eine leicht zu erlernende Programmiersprache. Mit Hilfe der EPL können Algorithmen für die Analyse von Datenströmen sowie diskreter Ereignisse auf einfache Weise erstellt werden. Zu den unterstützten Verarbeitungsmodellen für Bewegungsdaten zählen beispielsweise zeit- und ortsbezogene Analysefenster sowie Kennzahlberechnungen, Ereignisbezüge, und Anomalieerkennungen. Ebenso können Informationen über mehrere Datenströme hinweg in Korrelation gebracht und ausgewertet werden. Des Weiteren können Echtzeitdatenströme mit historischen Daten aus Drittsystemen angereichert werden, um die Genauigkeit der automatisierten Entscheidungen zu verbessern.

Modellierung von Analysemodellen

Advanced Streaming Analytics Builder

Advanced Streaming Analytics - Graphical Analytics Builder

Neben der Möglichkeit der Programmierung auf Basis der Event Processing Language erlaubt der Analytics Builder Analyselogiken mittels eines graphischen Modellierungswerkzeugs zu erstellen. Die modellhafte Beschreibung der Logik eignet sich insbesondere für Power User, die ein hohes fachliches Wissen vorweisen und dabei nicht notwendiger Weise Programmierkenntnisse mitbringen müssen. Der Analytics Builder stellt vordefinierte Analysebausteine zur Verfügung, die die Konfiguration von Analysemodellen um ein Vielfaches vereinfachen und die Erstellung der Analysen erheblich beschleunigen.

Machine Learning Execution

Das Advanced Streaming Analytics Modul erlaubt es, Machine Learning Modelle auf Echtzeitdatenströme anzuwenden. Die Modelle basieren dabei auf dem herstellerunabhängigen PMML Standard der Data Mining Group. Die PMML Modelle können aus den marktüblichen Anwendungen wie beispielsweise SAS, SPSS und KNIME sowie Open Source Umgebungen wie beispielsweise Python und R exportiert werden. Die unterstützten Algorithmen reichen dabei von einfachen Regressionsmodellen bis zu komplexen Modelle wie zum Beispiel neuronalen Netzwerken.

Alarm Management Integration

ADAMOS Data Visualization & Analytics

Data Visualization & Analytics - Alarms

Das Advanced Streaming Analytics Modul ist nahtlos mit dem ADAMOS Core Modul integriert, sodass beispielsweise Verletzungen von Analyse- und Überwachungsregeln Alarme auslösen, die wiederum Steuerungsbefehle an Maschinen und Benachrichtigungen an Betriebsleiter senden sowie Integrationen zu Drittsystem herstellen können, um beispielsweise ein Support Ticket zu öffnen.

Advanced Streaming Analytics - Good to know

Im Kontext von Advanced Streaming Analytics sind Condition Monitoring und Predictive Maintenance häufig verwendete Schlagwörter in der Industrie.

Als Beispiel kann die Produktionslinie eines Automobilherstellers dienen, in der Fahrzeugkarossen lackiert werden. Die mit Hilfe eines Algorithmus kombinierte Echtzeit-Überwachung des Drucks, mit dem der Lack auf die Karosse aufgetragen wird, der Viskosität des Lacks und der Raumtemperatur der Lackierzelle, erlaubt es Anomalien zu erkennen, die Rückschlüsse über die Lackierqualität liefern. In Folge lassen sich zum einen entsprechende Korrekturmaßnahmen einleiten, um Mängel in der Lackierung frühzeitig zu vermeiden und die sogenannte First Run Rate zu erhöhen. Zum anderen besteht die Möglichkeit kostenintensive Qualitätsmess- und Korrekturstationen zu vermeiden.