Maschine Learning ist eines der bewährtesten Mittel, wenn es um die Erstellung von zukunftssicheren Prognosen geht. Auch unsere Kunden möchten die Vorteile, die uns das technische Zeitalter bieten kann, gewinnbringend einsetzen und Five1 unterstützt dabei. Im Folgenden geben wir Ihnen Einblick in einen Projektablauf bei dem durch Machine Learning Lagerkosten gesenkt und Wartungszyklen in der Produktion optimiert werden können. 

Ausgangssituation
Ein Kunde aus der Metallverarbeitung stellt in großem Umfang Zahnräder her. Aufgrund des Dauerbetriebs findet in den Maschinen eine starke Abnutzung der inneren Bauteile statt. Die Lagerung von Ersatzteilen ist jedoch teuer und bedeutet gebundenes Kapital. Aus diesen Gründen wird nach einer Möglichkeit gesucht, die Lagerkosten so gering wie möglich zu halten, jedoch ohne einen Produktionsstraßenstillstand zu riskieren. Innerhalb der Firma findet die Buchhaltungssoftware von SAP ihren Einsatz. Die Produktionsdaten der Maschinen hingegen werden aus Kostengründen in PostgrSQL Datenbanken abgespeichert. 

Um die Anforderung in der Flut an Produktionsdaten zu bewältigen, hat sich das Unternehmen an die Five1 gewandt.

 

Anforderungsanalyse und Status Quo
In einem ersten Schritt wird mit dem Kunde eine genaue Anforderungsanalyse durchgeführt als auch der aktuelle Status Quo, hinsichtlich der bestehenden Datenarchitektur, ermittelt. Dadurch ist es möglich, einen Überblick über die einzusetzenden Tools zu bekommen, die zum schnellen Erreichen des Kundenwunsches notwendig sein werden, und zu überlegen, wie eine zielführende Datenarchitektur für den konkreten Use Case aussehen kann.

Grafik DES AWS

Es existieren zwei Quellsysteme, welche Daten für Prognosen bereitstellen können:

  • SAP S/4 HANA (Buchhaltung)

  • PostgreSQL (Produktionsdaten der Maschinen)

Als Ziel wurden vom Kunde folgende Vorgaben genannt:

  • Einfache Skalierbarkeit der Lösung

  • Datendarstellung in endnutzerfreundlichen Reporting Tools

  • Vermeidung von Kosten durch Stand-by-Betrieb

  • Einfache Wartbarkeit der Lösung

 

Projektdurchführung
Der erste Schritt besteht in der Analyse der Daten, die durch den Kunden für Prognosen zur Verfügung gestellt werden. So sind in den Daten der Buchhaltung z.B. aktuelle Ersatzteilpreise hinterlegt, in den Produktionsdaten befinden sich Selbstdiagnosedaten der einzelnen Maschinen.

Um den Kundenwünschen gerecht zu werden, wurde gemeinsam mit dem Kunde beschlossen, auf eine cloudbasierte Lösung zurückzugreifen und sämtliche Daten Operationen in der AWS zu realisieren. Um sinnvolle Prognosen erstellen zu können müssen dabei zunächst die Daten aus dem SAP-System mit den Produktionsdaten der PostgreSQL Datenbank zusammengeführt werden. Die Anbindung der Produktionsdaten aus der PostgreSQL Datenbank ist über Amazon Redshift mit wenigen Schritten schnell erledigt.

Für SAP-Daten bietet AWS jedoch standardmäßig keine Schnittstelle, mit der diese verarbeitet werden können. Aus diesem Grund kommt hier die Schnittstellen Software Five1 DES zum Einsatz. Dieses Tool hat Five1 gemeinsam mit Kunden entwickelt, um eine Brücke zwischen Cloud und SAP-Systemen zu bauen, denn diese ermöglicht es Daten aus SAP-Systemen in die Hyperscaler AWS, Google Cloud Plattform und zukünftig auch Azure einzubinden. In diesem Fall werden die Daten in AWS für die spätere Verarbeitung in einen Amazon S3 Bucket zwischengespeichert. Mehr über Five1 DES erfahren.  

Abschließend kommt Amazon Sagemaker zum Einsatz worin das eigentlich Machine Learning stattfindet und mit nur wenigen Klicks die Erstellung von Prognosen ermöglicht wird. Diese können dann gemeinsam mit den ursprünglichen Daten in Reporting Tools wie Power BI und Amazon QuickSight Endanwendern auf einem eigens dafür entwickelten Dashboard angezeigt werden, sodass künftige Entscheidungen auf einer soliden Datenlage getroffen werden können.

 

Projektergebnis
Durch die erfolgreiche Anbindung der SAP Daten an die AWS Cloud durch Five1 DES können verlässliche Prognosen erstellt werden. Diese lassen sich über das von uns konzipierte und umgesetzte Dashboard ablesen und geben Auskunft darüber, wann welche Ersatzteile für die Maschinen bestellt werden müssen. Dadurch werden Ausfallzeiten in der Produktion vermieden und Lagerkosten erfolgreich minimiert.

Veröffentlich am 14.9.2022

Thema: AWS, Machine Learning, Industrie 4.0, Advanced Analytics, Predictive Analytics, Ersatzteilmanagement