Jetzt anfragen!

Autor: Karl Doreth

  • Am Beispiel von VanMoof: Wie auch im Maschinen- und Anlagenbau smarte Produkte zu teurem Elektroschrott werden können

    Nach der Insolvenz von VanMoof drohen bereits gekaufte Fahrräder unbrauchbar zu werden. Der Heiseverlag weist in seinem Artikel vom 18.07.23 auf die drohende Gefahr hin: https://www.heise.de/hintergrund/VanMoof-ist-insolvent-Die-wichtigsten-Fragen-und-Antworten-9219435.html

    Solche Momente werden wir bald häufiger erleben. Durch abgeschaltete Server werden Hightechprodukte zu teurem Elektroschrott. Und dafür braucht es nicht erst eine Insolvenz.

    Es reicht aus, wenn ein Hersteller sich entscheidet ein Produkt nicht weiterzuführen oder er für ein Nachfolgeprodukt auf eine neue Technologie setzt. Dann stellt sich im Produktmanagement schnell die Frage wie lange die digitalen Dienste für die alten unliebsamen Produkte noch gepflegt werden müssen, verursachen diese doch hohe Kosten.

    Bei Kleingeräten (z. b. im Smart-Home-Bereich) mag das Abschalten für den Kunden noch verschmerzbar sein, bei einem Fahrrad für über 1.000 Euro ist das schon ärgerlicher und bei einem Auto erst recht. Bei „älteren“ BMWs funktioniert z. B. das Connected Drive nicht mehr. Der Grund: Abgeschaltete Server nach einem Architekturwechsel. Das Resultat: Keine Echtzeitstauinformationen mehr und auch keine anderen Onlinefunktionen. Zum Glück fahren die Autos noch.

    Was aber, wenn (wie bei VanMoof) die digitalen Dienste den Großteil des Funktionsumfangs ausmachen und wir über wirklich teure Produkte wie Maschinen und Anlagen sprechen? Werden diese dann zu einem „Wegwerfartikel“ so wie viele Consumer-Elektronikprodukte, die man ständig neukaufen muss, weil sie nicht mehr unterstützt werden?

    Es mag sein, dass diese Vorstellung dem ein oder anderen Vertriebler ein Glitzern in die Augen zaubert, aber so verschwenderisch darf unsere Welt nicht werden. Offengesagt habe ich für das Problem auch keine allgemeine Lösung aber zwei Dinge sind mir wichtig:

    1. Liebe Produktmanager, erinnern Sie sich daran, dass der Produktlebenszyklus nicht mit der Produkteinführung endet, sondern mit der Abkündigung, wenn der Applaus über Ihre tollen neuen Funktionen längst verstummt ist. Wie lange können Sie die digitalen Dienste, mit denen Sie Ihr Produkt heute ausstatten aufrechterhalten? Bei einer Werkzeugmaschine kann die Nutzungsdauer schon mal 20 Jahren betragen. Haben Sie eine Exitstrategie, wenn Sie Ihre Dienste vorher abschalten müssen? Können Sie vielleicht Ihre Entwicklungen offenlegen, um diese in ein Opensourceprojekt zu überführen? Und muss überhaupt wirklich immer alles an der Cloud hängen?
    2. Liebe Anwender, seien Sie sich darüber im Klaren, dass Onlinedienste nun mal laufende Kosten bei den Herstellern verursachen, die bezahlt werden müssen. Sie mögen kostenlose Updates vielleicht von Ihren Büroprogrammen gewohnt sein, aber beachten Sie das die Maschinenhersteller nicht Microsoft und Co. heißen und sich die wenigsten davon einen langjährigen unbezahlten Softwaresupport leisten können. Verteufeln Sie daher die neuen Vergütungsmodelle wie Subscription und Co. sowie Wartungsverträge nicht voreilig. Sie sind unerlässlich, wenn Sie Ihre Maschine langfristig mit digitalen Diensten ausstatten wollen.

  • Worüber ich meine Doktorarbeit geschrieben habe

    Das Video ist eigentlich entstanden, damit ich ein bisschen den Umgang mit der Videoschnittsoftware üben kann. Aber weil ich dafür etwas aufnehmen musste, habe ich die Gelegenheit genutzt um in Kurzform über den Inhalt meiner Dissertation zu sprechen.

  • Leistungskurvenanalyse – Mit einem Smartmeter das Fernsehprogramm erkennen

    Zeit für ein neues IoT-Projekt. Ich wollte mich schon immer mit der Leistungskurvenanalyse beschäftigen. Deshalb habe ich mir ein Smartmeter für die Steckdose gebaut. Es gab mal einen Datenschützer der sagte, man könnte mit smarten Stromzählern herausfinden, welches Fernsehprogramm in einem Haus gerade gesehen wird, da ein helles Fernsehbild mehr Strom braucht als ein dunkles. Genau das probiere ich in diesem Video aus. Der Fernseher steht dabei aber exemplarisch für tausende Geräte und Maschinen deren Zustand man mit einem Smartmeter überwachen kann.

  • Die Support Vector Machine – Der Versuch einer einfachen Erklärung

    Wenn es um künstliche Intelligenz oder maschinelles Lernen geht, fällt neben den neuronalen Netzen besonders oft der Begriff „Support Vector Machine“ oder kurz SVM. Doch was kann das Verfahren und wie funktioniert es? Da ich mich in meiner Doktorarbeit mit der SVM beschäftigt habe, versuche ich mich heute mal an einer sehr einfachen Erklärung.

    Ins Deutsche übersetzt bedeutet der Begriff „Support Vector Machine“ so viel wie“Stützvektormaschine“. Einen Stützvektor braucht man (neben dem oder den Richtungsvektoren) um die Lage einer Ebene im Raum zu beschreiben. Und genau diese Ebenen spielen bei der SVM eine wichtige rolle, wie wir in den zwei Beispielen sehen.

    Die Support Vector Machine zur Klassifizierung

    Die SVM wird gern für Klassifizierungsprobleme herangezogen also um Datenpunkte in Klassen oder Gruppen einzuteilen. Hierzu wird für n-dimensionale (z. B. 2-dimensionale) Punktemengen unterschiedlicher Kategorien eine Trennebene errechnet, die den maximalen Abstand zu den nächsten Punkten der zu trennenden Kategorie aufweist (Bild 1). Im dargestellten Beispiel sind in einem 1-dimensionalen Raum Punktemengen zweier Kategorien durch eine 0-dimensionale Trennebene (hier eher Trennpunkt) getrennt. Jeder neue Punkt könnte nun durch die Trennebene einer Kategorie zugeordnet werden.

    Bild1: Trennebene einer Support Vector Machine zur Klassifikation im 1-dimensionenalen Raum

    Die Besonderheit der SVM liegt jedoch nicht in der Trennebene, sondern darin, dass Punktemengen eines n-dimensionalen Raumes, die sich nicht durch eine n-1-dimensionale Ebene (Hyperebene genannt) trennen lassen, in einen höherdimensionalen Raum transformiert werden können, in dem die Punkte dann trennbar werden. Im dargestellten Beispiel in Bild 2 sind Punktemengen zweier Klassen (Raute und Quadrat) im vorliegenden 1-dimensionalen Raum nicht voneinander trennbar, da eine Punkteklasse (Quadrat) die andere (Raute) umschließt.

    Bild 2: Nicht linear trennbares Beispiel einer 1-dimensionalen Punkteverteilung

    Um die Punktemengen dennoch mithilfe linearer Ebenen zu trennen, werden diese in einen 2-dimensionalen Raum überführt (Bild 3). Die zweite Dimension wird dabei durch eine feste Bedingung in Form einer Funktion erstellt (im Beispiel Y=X²).

    Bild 3: Trennebene einer Support Vector Machine zur Klassifikation im 2-dimensionalen Raum

    Aufgrund der entstandenen Krümmung lassen sich die Punkteklassen jetzt voneinander durch eine 1-dimensionale lineare Ebene trennen. Die zu trennenden Punkte können zur Lösungsfindung in Räume beliebiger Dimensionen-Anzahl überführt werden. Diese Methode wird als Kerneltrick bezeichnet. Da die trennende Hyperebene im n-dimensionalen Raum immer durch einen Stützvektor und n-1 Richtungsvektoren beschrieben wird, ist das Verfahren sehr einfach und ressourcenarm automatisierbar und wird daher gern zum maschinellen Lernen verwendet. Die SVM ist in der Regel auch performanter als beispielsweise ein neuronales Netz .

    Die Support Vector Machine zur Regression

    Das Besondere an der SVM ist aber, dass der Kerneltrick nicht nur zur Klassifikation, sondern auch zur Regression verwendet werden kann, um den stetigen Zusammenhang zwischen Ein- und Ausgangsvariablen zu analysieren und zu modellieren. Bild 4 zeigt Messdaten mit einem polynominalen Zusammenhang zwischen der Eingangsvariablen X und der Ausgangsvariablen Y. Die beispielhafte lineare Regression liefert im 2-dimensionalen kein Modell mit akzeptabler Genauigkeit, denn hier würde einfach nur eine Gerade herauskommen.

    Bild 4: Punktemenge eines Polynoms zweiten Grades

    Mit der exemplarischen Bedingung Z = X * Y kann die Punkte-Menge jedoch, wie in Bild 5 dargestellt, in den 3-dimensionalen Raum transformiert werden.

    Bild 5: Transformierte Punktemenge und Hyperebene in einem 3-dimensionalen Raum

    Im nächsten Schritt wird eine Ebene erzeugt, auf der im Idealfall alle Punkte liegen. Analog zur Regression, z. B. mithilfe der Methode kleinster Fehlerquadrate, sind jedoch auch bei der Hyperebene Abweichungen möglich und kommen in der Realität vor. Im dargestellten Beispiel ist die vorliegende Ebene durch folgende Formel beschreibbar.

    Durch Einsetzen der Nebenbedingung Z = X * Y und Auflösen der Formel nach Y kann die Formel erzeugt werden, die den Zusammenhang zwischen den Eingangsvariablen X und den Ausgangsvariablen Y beschreibt:

    Das Modellierungsergebnis ist grafisch im letzten Bild dargestellt. Der reellen Funktion Y=X² entspricht das Modell der Support Vector Machine deutlich besser als die Regressionsgerade.

    Bild 6: Modellierungsergebnisse für Regression und Support Vector Machine

    Die Genauigkeit der Support Vector Maschine kann durch Transformation der Punkte in noch höherdimensionale Räume verbessert werden. Zudem können neben der Regression auch Modelle mithilfe von Polynom- und Radialbasisfunktionen gebildet werden, was die Flexibilität und die Genauigkeit weiter erhöht. In der Praxis sind die Nebenbedingungen allerdings etwas komplizierter als die, die ich verwendet habe. Das Prinzip bleibt aber gleich.

    Wer sich selbst einmal an der SVM versuchen möchte, dem lege ich die Software KNIME ans Herz mit der auch ich meine ersten Gehversuche in dem Thema gemacht habe. Wer lieber ein eigenes Programm schreiben möchte, kann die Bibliothek LibSVM für seine verwenden, die es eigentlich für jede Programmiersprache und auch für Matlab gibt.

  • Videotutorial: Wir programmieren uns ein BDE-Terminal!

    Ich wollte schon immer ausprobieren ob es möglich ist, mit kleinen Programmieranleitungen die Digitalisierung im Mittelstand voranzutreiben. In diesem Videotutorial programmieren wir uns deshalb ein kleines BDE-Terminal selbst, mit dem wir unsere Aufträge in der Fertigung verfolgen können.

    Ich möchte mit diesem Video zeigen, dass eine erste Auftragsverfolgung kein großer Aufwand ist. Außerdem möchte ich die Angst vorm Programmieren nehmen. Das Gestalten einer Exceltabelle ist oft aufwändiger als das Programmieren kleiner Anwendungen.

  • Was ist BDE / MDE?

    In diesem Video erkläre ich die Begriffe und den Unterschied zwischen MDE (Maschinendatenerfassung) und BDE (Betriebsdatenerfassung).

  • Der Unterschied: Digitalisierung vs. Automatisierung und Produkt- vs. Produktionsdigitalisierung

    In diesem Video widme ich mich dem Unterschied zwischen Digitalisierung und Automatisierung. Außerdem erkläre ich den Unterschied zwischen Digitalisierung in der Produktion und Digitalisierung des Produktes und warum man beides stets trennen sollte.

  • Wo fängt man mit der Digitalisierung an?

    Ich werde oft gefragt wo man mit der Digitalisierung in der Fertigung überhaupt anfangen soll. Die Frage ist pauschal schwer zu beantworten, aber in der Regel ist das Thema Datenerfassung oder „Monitoring“ ein guter Einstieg, der vom Aufwand und von den Kosten her überschaubar ist und einem eine Ahnung davon gibt, was in der eigenen Fertigung passiert.

  • Digitalisierung ist Kommunikationsautomatisierung

    In meinem ersten Beitrag über die Definition von Digitalisierung in der Fertigung schrieb ich: „Digitalisierung ist die Automatisierung der Informationsprozesse!“. In diesem Beitrag werde ich diese These etwas weiter vertiefen um zu zeigen, was ich damit meine.

    Einteilung in physikalische und informationstechnische Prozessschritte

    Schaut man auf eine Fertigung mit einem Geflecht aus Prozessketten, lassen sich die einzelnen Prozessschritte in zwei Kategorien einteilen. Die erste Kategorie sind informationstechnische Prozessschritte zur reinen Informationsverarbeitung z. B. zum Transformieren von Informationen. Innerhalb eines solchen Prozessschrittes können die Unterschritte wie im Bild dargestellt aussehen.

    Abläufe in einem Prozessschritt zur Informationsbearbeitung

    Die zweite Kategorie sind physikalische Prozessschritte, bei denen z. B. ein Bauteil physikalisch bearbeitet oder transportiert wird. Hier könnte der Ablauf der Unterschritte wie folgt aussehen.

    Abläufe in einem Prozessschritt zur physikalischen Bearbeitung

    Aufgrund der Komplexität von Tätigkeiten in der Fertigung, funktionieren auch physikalische Prozessschritte nicht ohne Informationsverarbeitung. Der Bearbeitende muss erkennen und verstehen, was zu tun ist. Somit finden wir Unterschritte zur Informationsverarbeitung in beiden Kategorien.

    Verschwendung im Informationsprozess erkennen und eliminieren

    In meinem ersten Beitrag erwähnte ich, dass es neben den sieben Arten der Verschwendung in der Leanliteratur auch die Verschwendungsarten nach (Katakana Muda) gibt, die als sofort eliminierbar gelten. Diese sind: Warten, Suchen, Ablegen, Nachdenken, Doppelarbeit und das Stapeln von Teilen. Wendet man Katakana Muda auf die Unterschritte der Prozessschrittkategorie an, sind mindestens zwei Unterschritte eine offensichtliche Verschwendung: „Informationen suchen“ und „Informationen verstehen“. Aber auch beim „Aufnehmen von Informationen“ kann das Warten auf Informationen auftreten, so dass auch hier eine Verschwendung möglich ist. Diese drei identifizierten Verschwendungen können durch Digitalisierung eliminiert oder automatisiert werden um die Effizienz des Prozessschritts zu steigern.

    Unnötige Schritte vollautomatisieren

    Sieht man sich nur die informationstechnischen Prozessschritte an, stellt sich schnell die Frage, ob Arbeitsschritte zur Informationsverarbeitung überhaupt von Menschen durchgeführt werden müssen und nicht durch Automatisierung beschleunigt oder eliminiert werden können. Um unnötiges Nachdenken zu eliminieren sollten Informationen so aufbereitet sein, dass jemand, der mit Informationen arbeitet, diese sofort versteht. Wenn das gelingt, kann man aber gleich darüber nachdenken den Folgeschritt, das Verändern der Informationen (z. B. durch Entscheidung), zu automatisieren. Dies wird nicht überall gelingen, denn es braucht zum Verstehen mancher Informationen viel Erfahrung, die nicht immer automatisiert werden kann. Funktionieren kann eine Automatisierung vor allem dann, wenn es z. B. nur darum geht Informationen so zu verändern, dass diese von der nächsten Station verstanden werden kann. Immer noch werden zu viele digitale Informationen ausgedruckt und wieder abgetippt. Hier bietet sich ein einfacher Einstieg in die Digitalisierung an. Bei der physikalischen Automatisierung sind es auch immer erst die einfachen Schritte die automatisiert werden.

    Die Idee, die Informationsverarbeitung zu automatisieren, ist nicht neu. Die Fertigungsbranche ist nur etwas spät dran. In der Medizinbranche ist automatisierte Kommunikation etabliert. Im Bürobereich sowieso. Hier fasst man die Themen unter anderem mit dem Begriff Kommunikationsautomatisierung zusammen.

    Die Prozessschritte als Bewertungsgrundlage

    Was an dem Thema interessant ist, ist die Frage, wie sich die skizzierten Unterschritte zeitlich auf realexistierende Prozessschritte verteilen. Es gibt physikalische Tätigkeiten bei denen Mitarbeiter länger mit der Informationsverarbeitung als mit der eigentlichen Handlung beschäftigt sind. Die Frage ist, in welchen Unterschritten sie sich besonders lange aufhalten. Das Schema kann dann Grundlage für ein Benchmark zur Effizienzsteigerung und auch Grundlage einer ROI-Rechnung sein.

  • Sind Digitalisierungsfunktionen einer Maschine bald wichtiger als ihre Kernfunktionen?

    Vor einiger Zeit nahm ich an einer Veranstaltung des Production Innovations Network (PIN) teil. In einer Vortragssession kam es dabei zu einer Diskussion zwischen meinem damaligen Professor und einem Veranstaltungsteilnehmer aus Palo Alto. Mein Professor war der Meinung, dass es unabhängig der Digitalisierung immer noch darauf ankomme, dass die Maschine ordentlich fertigt. Der Veranstaltungsteilnehmer sah das anders. Er vertrat die Ansicht, dass irgendwann, auch bei der Maschine, die Digitalisierungsfunktionen DAS Kaufargument für den Kunden darstellen würden. Die Auseinandersetzung ist mir im Kopf geblieben und verleitet mich dazu, der Frage nachzugehen. Kann es wirklich soweit kommen, dass ein Kunde eine Maschine nur noch wegen seiner Software kauft, selbst wenn sie Kernfunktionen, wie das eigentliche Fertigen, nicht mehr hinreichend erfüllt?  Tatsächlich gibt es eine Produktgruppe, bei der ein solcher Wandel stattgefunden hat. Und wir alle haben diesen Wandel mitgemacht.

    Messagingdienste ersetzen das Telefonieren beim Handy

    Wann hatte Ihr Handy das letzte Mal keinen Empfang? Heute? Gestern? Die Empfangs- und Sendeleistung unserer Smartphones lässt oft zu wünschen übrig und kann in Randgebieten lästig sein. Von meinem alten Nokia 6110 (von dem mir viele Menschen sagen, es sei das beste Handy aller Zeiten gewesen), kannte ich so häufige Netzausfälle nicht und dass, obwohl zur damaligen Zeit die Netzdichte der Provider geringer war. Dazu hielt der Akku wesentlich länger. Ein bis zwei Wochen waren Standard. Heute bin ich froh, wenn ich mit dem Akku über den Tag komme. Die Sprachqualität war auch besser (bilde ich mir jedenfalls ein). Empfangsstärke, Akkulaufzeit und Sprachqualität galten damals als Kernmerkmale für Handys.

    Und heute? Wenn ich den damaligen Bewertungsstandard auf mein Smartphone anwende müsste, würde ich sagen: Ich habe mir ein schlechtes Telefon gekauft, das nicht mal die grundlegenden Kriterien erfüllt. Aber Kameraqualität und Speichergröße sind mir heute wichtiger. Sind die fehlenden Grundfunktionen schlimm? Nicht zwingend. Mein Handy kann ich heute überall laden. Wenn ich kein Netz habe, ist das nächste WLAN nicht weit. Aber am Wichtigsten ist: Messagingdienste haben an vielen Stellen den Telefonanruf ersetzt. Die Digitalisierung macht damit DIE Kernfunktion eines klassischen Handys ein Stück weit obsolet.

    Kann das bei der Werkzeugmaschine auch passieren? Durch Digitalisierung allein fällt schließlich noch kein Span vom Rohteil ab. Vermutlich werden daher in unserer Branche die Kernfunktionen einer Maschine weiterhin eine wichtige Rolle spielen – allerdings im Einklang mit den Digitalisierungsfunktionen. Auch dafür gibt es ein gutes Beispiel.

    Infotainment ist ein entscheidendes Kriterium beim Autokauf

    Ein Produkt, bei dem sich das Kaufverhalten durch Digitalisierung ebenfalls verändert hat, ist das Auto. Nachfolgend blenden wir einmal aus, dass beim Autokauf auch die Emotion eine große Rolle spielt. Das Infotainment ist, als Entscheidungskriterium, heute gleichwertig gegenüber den Kernkriterien eines Autos, wie Leistung oder Verbrauch. Das Gesamtpaket bildet die Entscheidungsgrundlage. Allerdings können Digitalisierungsfunktionen ein K.O.-Kriterium darstellen. Es gibt Kunden, die ein bestimmtes Modell, das in seinen Kernfunktionen völlig solide ist, aufgrund schlechter oder sogar fehlender Infotainmentfunktionen nicht kaufen. Dass aber die Digitalisierungsfunktionen allein als Entscheidungsgrundlage dienen ist unwahrscheinlich. Am Ende braucht es immer noch einen Motor, der die Räder dreht.

    Eine gleiche Entwicklung sehe ich für die Produkte im Maschinenbau. Kernfunktionen spielen weiter eine wichtige Rolle. Sind beim Maschinenkauf zwei Produkte in ihren Kernfunktionen gleichwertig, kann Digitalisierung zunächst das Zünglein an der Waage sein. Insgesamt entscheidet aber das Gesamtpaket. Dass alle Hersteller in den Kernfunktionen gleich gut sind und ich nur noch auf Digitalisierung achten muss, ist noch lange nicht in Sicht. Dazu gibt es im Maschinenbau zu viele Spezialisierungsrichtungen. Digitalisierungsfunktionen als K.O.-Kriterium sehe ich bereits heute, z. B. bei Maschinen die keine Möglichkeiten zur Konnektivität bieten.