PDF vom Vortrag hier downloaden

Internet of Things für die
produzierende Industrie?
Praktische Beispiele und Problemlösungen
Dr Michael Missbach
About the Speaker
Global HANA & Hadoop Architect, author of:
the strategy behind HAssos New Architecture:
one database to store them all
S/4 = Suite on HANA
simplification
in-Memory
SRM on HANA
ERP on
HANA
SOA
NetWeaver
Business Suite
BI 7
SCM on
HANA
BI on
HANA
PO
LVM
SMP3
EP 7
BWA
ERP 6.x
SSM on
HANA
CRM on
HANA
SCM 7
MDM
SRM 7
MI
PI
ACC
XI
SSM
CRM 7
MSA
mySAP
R/3 4.7
mySAP.com
R/3 4.6
Enjoy
new dimension
integration
BI 3.x
SCM 4
EBP
CRM 4
EP 4.0
TREX
APO
R/3 4.5
R/3 4.0
BBP
ITS
Online
Store
lifeCache
BW
B2B
R/3
SFA
BC
CCMS
WP
the Future: somewhat foggy
IBP
Cloud
simplification
concur
hybris
C4C
BOC
BW/4 (EDW)
S/4 (SoH)
UI FS
HCI
PO
MDG
Solman on
HANA
LaMa
in-Memory
ERP on
HANA
SOA
NetWeaver
Business Suite
BI 7
R/3 4.7
mySAP.com
R/3 4.6
new dimension
integration
SCM on
HANA
EP 7
BWA
ERP 6.x
mySAP
Enjoy
BI on
HANA
SRM on
HANA
BI 3.x
CRM on
HANA
Afaria
SCM 7
SRM 7
SCM 4
EBP
LVM
MDM
MI
CRM 7
CRM 4
PI
XI
ACC
SolMan
EP 4.0
TREX
APO
R/3 4.5
R/3 4.0
BBP
ITS
Online
Store
lifeCache
BW
B2B
R/3
SFA
BC
CCMS
WP
die Freudenberg Gruppe - typisch Mittelstand
Innovationsführer auf dem jeweiligen Gebiet
Filters
Household
products
Mechatronic
products
Medical
technology
Nonwovens
Release agents
R&D services
Seals
Specialty
lubricants
Surface
treatment
products
IT Services
Vibration control
technology
components
VAR Gold Status
Fast Growing
Company Award
SAP develops
DB MM module for
R/2 in FIT data
center
1977
1981
1995
FIT beomes
SAP certified in
hosting services
2007
2008
SAP Pinnacle Award
Infrastructure
expansion
• New data center
• New offices
2009
2010
SAP certified
in RUN SAP
implementation
I Infrastructure
expansions
• New data center
• New offices
2011
2012
Start of HANA test
drive service
Freudenberg
becomes SAP’s 7th
customer
Freudenberg IT spinoff founded
Setup of COEs for
SAP HANA, Sybase
ASE and Mobility
SAP Pinnacle
Award finalist
FIT becomes SAP
certified in cloud
services
FIT is worldwide one
of the first SAP
HANA and Mobile
Operations Partner
Global
implementation
of In-MemorySoftware by FIT
2013
2014
2016
FIT becomes
Application Development
Partner ofSAP
FIT becomes first certified
hosting partner in China for
SAP HANA Enterprise Cloud
Opening of 4th FIT
data center –US
location
6
>2.000 installierte Systeme, davon HANA:
65+
1%
30+
5+
1%
5%
27%
21%
50%
52%
15%
20%
8%
Linux
AIX
Windows
other
Oracle
MaxDB
DB2
7
“Big data analytics is like teenage sex:
everyone talks about it,
nobody really knows how to do it,
everyone thinks everyone else is doing it,
so everyone claims they are doing it.”
Dan Ariely
Professor of psychology and behavioral economics
Data to Actionable Insights
(but avoid information overkill)
B.I. + A.I. =
Analytical
reasoning facilitated
by
visual interactive
interfaces
A balanced interface between the offline data analytics
and the online interactive analysis processes
Was ist den nun eigentlich neu bei Industrie 4.0?
Automatisierte Auswertung von
Sensordaten ist im Prinzip nichts neues.
Stand der Technik sind:
• Geschlossene Regelkreise
• statistische Prozesskontrolle
• Vorbeugende Wartung bei
Erreichen bekannter Grenzwerte
Aber nur für bekannte UrsacheWirkungs-Zusammenhänge!
Was ist wirklich neu?
1. Die Anzahl der Sensoren hat sich dramatisch erhöht – heute sind in einem
Smartphone mehr Sensoren verbaut als früher in einem ganzen Maschinenanlage
2. Neue Datenquellen:
• Ortung aufgrund von GPS Koordinaten oder Triangulation von WLAN Access
Points ……
• Automatische Bilderkennung , Auswertung von Videostreams, …
3. On-line Connectivity und real-time Auswertung großer Datenmengen
Dies alles ermöglicht:
• Adaptive Regelkreise
• Korrelationsstudien für die Suche nach unbekannten Ursache – WirkungsBeziehungen
• Vorbeugende Wartung aufgrund einer Kombination von Sensorwerten mit
externen Einflussfaktoren
Beispiel für neue Datenquellen
Kundenrating auf Amazon
Sentiment Analyse: was sagen Kunden über meine Produkte?
neue Datenquellen: Dichtung mit eingebautem Drehwinkel Encoder
Magnetisierbare Elastomere werden bei der
Fertigung mit einem helixförmigen Magnetfeld
„bespielt“.
•
Stellung einer Welle wird gemessen, ohne
erst – wie üblich - einen Referenzpunkt
•
Hohe Präzision (< 1Grad)
•
Hohe Drehzahl (bis zu 8000 rpm)
© Freudenberg Sealing Technologies
anzufahren zu müssen
Innovative Sealing Solutions | March 2014 | 14
Beispiel für neue Datenquellen
WLAN Access points triangulieren die
Position jedes Kunden, der ein WLAN fähiges
Gerät mit sich trägt
•
Basierend auf bestehenden WLANZugangspunkten
•
Add-hoc-Analyse der Passagierbewegungen
•
Verkehrsmusteranalyse
•
Stauerkennung
•
Optimierung des „Einkaufs Erlebnisses“
•
mit “Hyperlocation” auf 1 m genau
Beispiel für Real-Time Auswertung
Real-time „Strassenzustandsbericht“ in einer Goldmine durch Messung des
Drehmoments an der Hinterachse
Durch rechtzeitiges Planieren
der Wellblechpisten:
•
Signifikante Einsparung bei
Treibstoff und Reifen
•
Höhere Lebensdauer von
Motor und Antriebstrang
•
Mehr Fördervolumen
durch höhere
Fahrgeschwindigkeit
Beispiel für neue Auswertungsmethoden
KSB Sonolyzer App „hört“ das Einsparpotential
Die App analysiert das Audiosignal des
Motorlüfters und ermittelt auf Basis von
passenden Pumpenkennlinien ob das
Aggregat im optimalen Lastbereich läuft
oder ob Einsparpotential vorhanden ist.
Die App funktioniert nicht nur mit KSBPumpen, sondern lässt sich auch auf das
Rotating Equipment vieler anderer Hersteller
anwenden.
Beispiel für neue Services
Freudenberg Filtration Products: Clean Air as a Service
•
•
Saubere Luft für Lackieranlagen und
Reinräume (jetzt auch mit
Gasphasenfiltration)
Kontinuierliche Fernüberwachung
ermöglicht Wechsel der Filterkartuschen
exakt vorzuplanen
Aber nicht alle Maschinen sind Internetfähig
•
•
Viele Unternehmen haben einen großen
Maschinenpark oder einzelne Anlagen
deren Messtechnik nicht „internet
enabled“ ist
Eine Um- und Aufrüstung mit neuen
Sensoren und Steuerungssystemen ist
• Teuer
• Benötigt spezielles know how
• Bedingt lange down-time
Lösung für “nicht” IoT fähige Maschinen
1.
2.
„Ablesung“ durch Webcam
IoT Service von Freudenberg-IT extrahiert den
Messwert aus dem Videostream
Vorteil
• Berührungsfrei
• Montage im laufenden Betrieb
• Minimale Investitions- und
Betriebskosten
• Kunde muss sich nicht mit den Feinheiten
der Bilderkennungssoftware beschäftigen
Industry 4.0 = Big Data?
Ganz so „big“ ist „Data“ meist gar nicht
•
Sentiment Analyse aus einigen zehntausend web
Kommentaren = 0 MB
•
Gleisanalyse mit 35.0000 Datensätzen/Stunde =
2,5MB (auf der 16GB MicroSD eines Raspberry Pi währe
Platz für 95.200.000 Datensätze - genug für 113 Tage)
•
Conti-Produktion von Medikamentenfläschchen:
60 Datensätze mit 150 Messpunkten /Minute
(1.5 - 2KB) = 147 MB /Tag = 52 GB /Jahr
•
Bei 100 Produktionslinien wären das in 10
Jahren (FDI!) aber dann doch 51TB
Big Data = Hadoop?
was ist Hadoop?
•
•
•
•
•
Der Name des Spielzeugelefanten des 2-jährigem
Sohn‘s von Doug Cutting, einfach auszusprechen
und zu googeln
Ein open source framework zum verteilten
Speichern und Rechnen auf commodity hardware
mit internen Platten
Daten werden immer auf 3 Knoten verteilt
Wie bei open source üblich gibt es einen ganzen
Zoo von Unterprojekten (Hbase, Hive, Pig, Impala,
Kudu, Spark, YARN, Sqoop, Kafka …..Zookeeper)
Wie bei Linux gibt es Distributoren die den Support
gewährleisten (Cloudera, MapR, Hortonworks….
Amazon (EMR) & Azure (HDInsight))
Big Data = Hadoop?
was man über Hadoop wissen sollte
•
•
•
Kein „natives“ Frontend -> braucht andere Tools als GUI für User (SAP, Tableau, qlik…)
Keine „nativen“ Auswertungen -> hat die Sprache R an Bord (wie auch HANA oder Business
Objects), aber die Auswertung muss man selber programmieren (oder andere tools nutzen)
Keine Transaktionale Konsistenz, Redo-Logs etc. -> keine „Buchhaltung auf Hadoop“
Sizing
•
•
•
•
•
•
Eine Datei wird immer auf drei Worker nodes repliziert (unabhängig von der node
Anzahl), zusätzlich sollte man noch 30-40% Puffer für temporäre Dateien lassen
Daher benötigt man bei x TB Rohdaten 3x soviel disk Speicher.
Datensätze werden meist komprimiert um die SQL Performance zu verbessern.
Dabei erreicht man Kompressionsraten von 2 – 10.
Anfangspackung ~ 19 TB (2 Master, 3 Worker); mit MapR genügen dafür 3 Server
MapR Multi-Mandantenfähigkeit ermöglicht Nutzung durch verschiedene Kunden.
Unter 10TB reichen meist klassische Datenbanken mit column store aus
Big Data ist mehr als eine Server Farm
Data management
Data acquisition
Data analysis
Customer
Data visualization
On-site service
Consulting
Data Collection
Data Storage
Data Analytics
FIT - Innovation IoT Platform
Visualization
Automation
Advanced Analytics
FIT IoT Platform
HANA, Hadoop, Vora, DB2blue, NoSQL,
…..
Data Connection
Azure
HDInsight etc
Big & Fast Data
hadoop & HANA kombinieren
Fiori, Lumira,
Design Studio…
1. Daten liegen auf hadoop
2. HANA schickt Anfragen an hadoop über
Any DB
–
die Smart Data Access (SDA) Schnittstelle an Hive
–
die Virtual User Defined Functions (vUDF) direkt an HDFS um Map
Reduce Jobs zu starten
3. hadoop berechnet das Ergebnis und gibt dieses an HANA
–
Daten müssen nicht kopiert werden
–
HANA Footprint bleibt klein
4. HANA integriert mit ERP Daten und stellt Methoden zur
Verfügung für predictive Maintenance, Mustererkennung……
5. User können die gewohnten SAP Frontend tools einsetzen
HANA
Smart
Data
Access
Big & Fast Data
SAP Vora = in memory query engine
Fiori, Lumira,
Design Studio…
1. Datenhaltung in-Memory auf hadoop Spark
2. HANA schickt Anfragen an hadoop über
–
HANA
HANA Spark Controller
3. Vora berechnet das Ergebnis und gibt dieses an HANA
+
Für HANA entwickelte Algorithmen für predictive Maintenance,
Mustererkennung etc. laufen direkt auf Hadoop Spark
+
Abfragen werden in C++ compiliert
–
SAP berechnet Lizenzgebühren pro Hadoop Knoten
4. User können die gewohnten SAP Frontend tools einsetzen
HANA Spark
Controller
Fragen?