analytics@2x

ADAMOS Advanced Streaming Analytics

Moderne Maschinen liefern über Sensoren große Datenmengen, die es möglichst schnell auszuwerten gilt. Die frühzeitige Erkennung von Anomalien erlaubt es Fehler rechtzeitig zu erkennen, zu melden und möglichst zu verhindern. Entsprechend können mit ADAMOS Streaming Analytics typische Anwendungsfälle wie Condition Monitoring oder Predictive Maintenance elegant umgesetzt werden.

Bei der Streaming-Analyse geht es darum, in Echtzeit Erkenntnisse und entsprechende Mehrwerte aus hochfrequenten Datenströmen zu gewinnen. Dabei werden kontinuierlich Analysenlogiken und statistische Algorithmen auf Datenströme unterschiedlichster 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

Die ADAMOS Streaming Analytics Engine bietet Entwicklern mit der nativen Event Processing Language (EPL) eine leicht zu erlernende Programmiersprache mit der Algorithmen für die Analyse von Datenströmen sowie diskreter Ereignisse auf einfache Weise erstellt werden können. Dabei werden unterschiedlichste Verarbeitungsmodelle für Bewegungsdaten unterstützt. Hierzu 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

Neben der zuvor beschriebenen Möglichkeit der Programmierung auf Basis der Event Processing Language erlaubt der sogenannte Analytics Builder Analyselogiken mittels eines graphischen Modellierungswerkzeugs zu erstellen. Die Modellierung, die der Erstellung von Prozessmodellen ähnelt, eignet sich insbesondere für Power User, die ein hohes fachliches Wissen vorweisen und dabei kein technisches Verständnis für Programmierung mitbringen müssen. Der Analytics Builder stellt vordefinierte Analysebausteine zur Verfügung, die die Konfiguration von Analysemodellen erheblich 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

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

Condition Monitoring und Predictive Maintenance sind in diesem Kontext häufig verwendete Schlagwörter in der Industrie.

Als Beispiel kann die Produktionslinie eines Automobilherstellers, in der Fahrzeugkarossen lackiert werden, dienen. Die mit Hilfe eines Algorithmus kombinierte 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 beispielsweise die Möglichkeit kostenintensive Qualitätsmess- und Korrekturstationen zu vermeiden.