In der zweiten Helsinki data science meetup des Jahres 2018 reisten Datenenthusiasten nach Hyvinkää, um zu erfahren, wie unser Gastgeber Konecranes Datenwissenschaft und Analytik einsetzt, um die Leistung in den Bereichen Vertrieb, Wartung, Sicherheit und Servicequalität zu optimieren.
Ulla Kruhse-Lehtonen, CEO und Mitbegründerin von DAIN Studios, eröffnete die Veranstaltung zusammen mit Juha Pankakoski, Executive Vice President bei Konecranes, gefolgt von vier fesselnden und zum Nachdenken anregenden Vorträgen der internen Experten von Konecranes. Hier ist eine Zusammenfassung dessen, was wir gelernt haben...
Juha Pankakoski, Executive Vice-President bei Konecranes, stellte uns Konecranes vor und hob die Erfolgsbilanz der branchenprägenden Innovationen der letzten 100 Jahre hervor. Da die Zahl der vernetzten Krane und Ausrüstungen exponentiell zunimmt, verfügt Konecranes über den größten Datenspeicher in der Hebebranche. Die Data-Science-Community von Helsinki war begeistert von der iPAD-Anwendung von Konecranes, die durch das Manövrieren eines an der Decke befestigten virtuellen Krans das Erlebnis einer erweiterten Realität vermittelt. Die Kernaussage der Präsentation war, dass datengesteuerte Technologien die industriellen Systeme neu gestalten.
Timo Harjunen, Director, Digital Platform Development, stellte TruConnect als Teil der digitalen Reise von Konecranes vor. TruConnect nutzt Sensoren, um Daten wie sicherheitsrelevante Vorfälle, Betriebsstatistiken - wie Betriebsstunden, Überlastungen, Notstopps und Lastspektren - zu sammeln. Diese Daten werden verwendet, um zum Beispiel die verbleibende Betriebsdauer ausgewählter Komponenten von Ausrüstungen und/oder Kranen abzuschätzen und den vorausschauenden Wartungsbedarf zu ermitteln.
Mikael Björkbom, Senior Chief Engineer, setzte den Fokus auf die vorausschauende Wartung fort und stellte das Beispiel von Agilon vor. Ziel war es, die Fähigkeit zur Vorhersage von Ausfällen im Voraus zu untersuchen, um den Wartungsplan zu informieren, die Produktivität zu steigern und die Sicherheit durch die Verwendung von Motordaten zu verbessern. Die Präsentation sprach die Sprache des typischen Datenwissenschaftlers mit der Extraktion von etwa 100 Merkmalen, dem maschinellen Lernen sowie dem Training und Testen von Modellen. Die größte Herausforderung für die vorausschauende Instandhaltung bestand darin, dass Konecranes mit einer Stichprobe von nur 20 Fällen nicht über genügend "Ausfalldaten" verfügte, um Ergebnisse zu erzielen. Auf der anderen Seite war es ziemlich überzeugend, dass prädiktive Modellierung und Analytik Zeit, Mühe und Geld sparen können. Der Erfolg liegt in den Funktionen.
Alun Jones, Data Scientist, präsentierte Umsatzprognosen auf der Grundlage von Wartungsaktivitäten. Die Präsentation war ein Plädoyer für die Umwandlung von Daten in Informationen und dann in Intelligenz. Alun gab einige Beispiele für die Nutzung interner, externer, strukturierter oder unstrukturierter Daten. Am Beispiel von Konecranes präsentierte Alun einen Fall, in dem durch die Analyse von Wartungsaktivitäten Umsatzprognosen erstellt werden können, was letztendlich zu effizienten Geschäftsprozessen sowohl innerhalb von Konecranes als auch für deren Kunden führt.