Digitalisierung

Von Data Science bis zum Digitalen Zwilling.

Digitalisierung

Von Data Science bis zum Digitalen Zwilling.

Die Digitalisierung hat längst Einzug in die industrielle Wertschöpfungskette gehalten – und mit ihr neue Möglichkeiten für Effizienz, Optimierung, automatisierte Prozesse und smarte Systeme. Bertrandt unterstützt die digitale Transformation in der Fertigung und darüber hinaus.

Wir sind in unterschiedlichsten Branchen tätig, von der Automobilindustrie über die Medizintechnik bis zum Maschinen- und Anlagenbau. Ob Data Science, Digitaler Zwilling, künstliche Intelligenz oder Predictive Maintenance: Unseren Kunden bieten wir den kompletten Digitalisierungsprozess aus einer Hand, von der Beratung über die Entwicklung und Implementierung bis zum Support.


Data Science eröffnet vielfältige Möglichkeiten, neues Wissen aus Daten zu ziehen, bestehende Systeme und Prozesse zu optimieren und sogar neue Geschäftsfelder zu entwickeln. Wir beraten und unterstützen Unternehmen dabei, Data Science für ihre Ziele zu nutzen und den nächsten Schritt in der Digitalisierung zu gehen: Ob es um den nächsten Digitalisierungsschritt geht, um den richtigen Machine-Learning-Ansatz, Optimierungspotenziale in Prozessen, gewinnbringende Datenauswertung oder das Treffen datengetriebener Entscheidungen.

Erfolgreiche Data-Science-Projekte erfordern neben der technischen Expertise auch fachliche bzw. Branchenkenntnisse und ein tiefes Verständnis in Entwicklung, Konstruktion, Produktion und Support. Das 40-jähriges Branchen-Know-how von Bertrandt ist deshalb ein gewichtiger Vorteil gegenüber reinen Big-Data-Dienstleistern. Unsere Data-Science-Lösungen kommen insbesondere in den Bereichen Fertigung, autonomes Fahren, Medizintechnik, Industrie 4.0 und Business Analytics zum Einsatz.

Einige Leistungen aus unserem Data-Science-Portfolio

  • Ernennen und Nutzen von Optimierungspotenzialen
  • Effiziente Verwaltung und Strukturierung großer Datenmengen
  • Training künstlicher Intelligenzen für die Automatisierung
  • Mustererkennung und Vorhersage von Abweichungen in Systemen
  • Übersichtliche Darstellung von Parametern (Dashboards)
  • Performante Fehlersuche bei Systemausfällen

 

Beispiele für Data-Science-Projekte

Anomalie-Erkennung im Fahrzeug-Antriebssystem

Beim Gangwechsel tritt ein unangenehmer Ruck unbekannter Herkunft auf. Der Ruck wird mit anderen Systemparametern in Korrelation gesetzt. Die Stärke der Korrelation gibt Aufschluss über die Ursache. Zentraler Zusatznutzen: Die automatische Anomalie-Erkennung führt in künftigen Fahrzeugreihen zu mehr Kosteneffizienz.

Absicherung der Datenqualität

Während Testfahrten werden korrupte Kamerabilder aufgezeichnet. Für die Fehlerdetektion werden (laufzeit-) optimierte Bildanalysen genutzt. Die dadurch erzielten Verbesserungen liegen in einem frühen Erkennen von Qualitätsproblemen in den Erprobungsdaten, (zeit-) optimierten Testabläufen, Vermeiden unnötiger Testfahrten und Kosteneffizienz durch das Herausfiltern schlechter Daten.

Management Scoring

Die Führungsqualität im Unternehmen kann nur subjektiv bewertet werden. Für die messbare Bewertung der Führungsqualität wird mittels mathematischer Optimierung ein robuster Score entwickelt. Folgewirkungen der Score-Einführung sind eine datengetriebene Ableitung notwendiger Präventivmaßnahmen sowie prädiktive Berechnungen.

Der Einsatz virtueller Abbildungen von Objekten und Systemen eröffnet neue Erkenntnisse und Möglichkeiten für die Prozessgestaltung:

  • Verbesserungspotenziale: In der Entwicklung und Konstruktion können mit einem digitalen Zwilling Schwachstellen schnell erkannt und Verbesserungspotenziale genutzt werden.
  • Umsetzung neuer Serviceprozesse: Maschinenbauer, die einen virtuellen Zwilling einsetzen, können ihre Maschinen beim Kunden permanent kontrollieren, deren Betrieb optimieren und mittels intelligenter Algorithmen auch vorausschauende Wartung (Predictive Maintenance) vornehmen. Alles anhand der Daten, die von der Maschine an ihren Digitalen Zwilling übermittelt werden.
  • Nutzung für Simulationen: Virtuelle Bauraumprüfungen zeigen, wie sich neue Komponenten einfügen lassen. Kritische Bauteile können bereits in einem frühen Entwicklungsstadium thermisch belastet werden.

Für die Abbildung digitaler Wertschöpfungsketten hat Bertrandt sowohl das notwendige Know-how als auch umfangreiche Erfahrungen aus erfolgreichen Projekten. Dazu gehören u.a. die Maschinendatenerfassung, Datenspeicherung, Analyse großer Datenmengen sowie die Entwicklung virtueller Modelle und deren Visualisierung.

Mixed Reality, also Virtual- und Augmented-Reality-Anwendungen, wandeln sich vom Hype zu effektiv nutzbaren Technologien und finden sich in allen Kundenbereichen von Bertrandt.
Unter dem Slogan „Creating Next Reality“ arbeiten die nationalen und internationalen Standorte im Unternehmen zusammen und bieten ihren Kunden bedarfsorientierte Lösungen auch für komplexe Anwendungsfälle.

Mehr erfahren

Maschinen werden mit der Zeit störungsanfälliger und müssen häufiger gewartet werden. Mit einer integrierten, automatisierten Überwachung eröffnen sich neue Möglichkeiten, wie die Predictive Maintenance. Bertrandt rüstet Maschinen und Anlagen ohne Schnittstellen mit einem IoT-Device für die Maschinendatenerfassung aus:

  • Das IoT-Device umfasst Sensor, Sendeeinheit sowie Software und Rechenkapazität zur Vorverarbeitung der Daten.
  • Parameter wie Temperatur, Druck, Schwingung oder Maschinenkennwerte werden so wie Durchsatz kontinuierlich erfasst.
  • Die Maschinendaten werden lokal in einem Data-Storage-System gespeichert oder in die Cloud übertragen.

Bertrandt entwickelt die Software für alle Prozessschritte. Insbesondere für die Verarbeitung der Daten in der Cloud haben wir zahlreiche Projekte umgesetzt.

Welche Daten werden benötigt und woran bemisst sich die Datenqualität? Wie erkennt man Zusammenhänge in den Daten und welcher Mehrwert kann mit ihrer Analyse erzielt werden? Bertrandt berät Unternehmen, wie sie aus Sensordaten von Maschinen Rückschlüsse auf Fehlerursachen, Leistungsoptimierungen oder Konstruktionsverbesserungen ziehen können. 

Mit der Bertrandt Industry Cloud (BIC) bieten wir einen eigenen Grundbaukasten für das Erfassen und Analysieren von Maschinendaten, der an jede Aufgabenstellung des Kunden angepasst werden kann. Mit unserem Branchen-Know-how und Verständnis für Fragen der Entwicklung, Konstruktion, Produktion und dem Support können wir nutzbare Daten zuverlässiger von nicht relevanten Daten (White Noise raus) unterscheiden als reine Big-Data-Dienstleister.

Services aus unserem Leistungsportfolio

  • Produktionsanalysen und Fehlervisualisierung
  • Einsatz von Machine Learning und neuronalen Netzen
  • Auswahl, Konfiguration und Datenmodellierung
  • Microsoft Azure Cloud Services (IOT Suite), Microsoft Gold Partnerschaft für Cloud Services
  • SQL, noSQL, Hadoop, Datalake-Technologien
  • Kafka
  • MQTT-Datenübertragung

Die Fortschritte in der Entwicklung des autonomen Fahrens sind unmittelbar mit der Entwicklung virtueller Testmethoden verbunden. Bertrandt hat seine Expertise in der Absicherung von Fahrfunktionen für den Aufbau virtueller Testumgebungen genutzt. Wir verwenden virtuelle Testverfahren für einzelne Komponenten, integrierte Systeme sowie für das Zusammenwirken einer Vielzahl komplexer Systeme beim automatisierten Fahren.

Zu unseren virtuellen Testverfahren gehören

  • Fahrdynamik-Simulatoren
  • Szenarienbasiertes Testen
  • Hardware-in-the-Loop (HiL-Testing) z. B. für virtuelle Crashtests
  • Model-in-the-Loop (MiL-Testing) z. B. für Fahrfunktionen
  • Software-in-the-Loop (SiL-Testing) z. B. für klassische Funktionen


Beispielprojekte für datenbasierte Services

Automatisiertes Labeling von Bilddaten
Für ein Projekt zum autonomen Fahren sollte ein neuronales Netz trainiert werden, um die Umfelderkennung durch Kameras zu verbessern. Über 50 Mio. Bilder von Straßenszenen mussten dafür automatisiert mit maschinenlesbaren Beschreibungen versehen werden. Wir entwickelten leistungsfähige Algorithmen und ein Toolset für das automatische Labeling von Bilddaten.

Gezielte Datenanalyse für die Fehlerermittlung
Im Betrieb eines Fahrzeug-Bauteils traten ohne ersichtliche Ursache reproduzierbar Risse auf. In einer Analyse setzten wir die Schwingungsdaten des Bauteils in Korrelation zur Quer- und Längsbeschleunigung des Fahrzeugs. So ermittelten wir die falsch dimensionierte Materialstärke des Bauteils als Ursache für die materialzerstörenden Schwingungen.

Mit Branchen-Know-how und spezifischen Algorithmen zu belastbaren Erkenntnissen
Aus dem Verhalten von Fahrzeugdämpfern sollten Erkenntnisse zur Straßengüte abgeleitet werden. Ein externer Spezialist für Datenanalyse konnte trotz Machine Learning und neuronalen Netzen keine plausiblen Ergebnisse liefern – mangels Branchenwissen und Verständnis der Fahrdynamik. Unseren Datenanalysten gelang es, mit mathematisch-statistischen Methoden und anwendungsspezifischen Algorithmen aussagekräftige Rückschlüsse auf die Straßengüte herstellen.