Maschinendaten

Maschinendaten sind digitale Informationen, die durch Computer, Mobilgeräte, eingebettete Systeme und andere vernetzten Geräte generiert werden. Diese Daten wurden in den vergangenen Jahren häufig mit Technologien wie Radio Frequency Identification (RFID) und Telematik verbreitet. In jüngerer Zeit sind Maschinendaten durch die Nutzung des Internets der Dinge, Hadoop und anderer Big-Data-Management-Technologien ins Zentrum der Aufmerksamkeit gerückt.

Bei maschinell erzeugten Daten gibt es zwei Grundtypen: Prozess- und Produktdaten. Prozessdaten umfassen die zum Betrieb einer Maschine notwendigen und durch den Betrieb direkt erzeugten Informationen. In erster Linie sind dies die Steuerungsdaten, aber zum Beispiel auch Informationen über den Stromverbrauch. Produktdaten werden an den Verarbeitungseinheiten gemessen und geben im Zusammenhang mit dem Betrieb einer Anlage wertvolle Informationen über den Produktionsverlauf.

Anwendungen, Server und Business-Prozess-Logs, Datensätze von Telefongesprächen und Sensordaten sind typische Beispiele von maschinellen Prozessdaten. Auch Internet Clickstream-Daten und Website-Aktivitätsprotokolle spielen in der Diskussion um Maschinendaten eine große Rolle. Dass Maschinendaten ständig zunehmen und deren Rolle immer wichtiger wird, liegt vor allem an der fortschreitenden Digitalisierung, die enorme Datenmengen entstehen lässt. Allein ein modernes Flugzeug generiert heute zum Beispiel in 30 Minuten bis zu zehn Terabyte Daten. Bei 25.000 Flügen pro Tag entstehen somit Petabytes an Daten.

Die Speicherung, Auswertung und Nutzbarmachung dieser maschinell generierten Datenmassen stellt eine große Herausforderung dar. Von der Kombination von Maschinendaten mit anderen Enterprise-Datentypen und deren Analyse wird erwartet, dass Entscheidungsträger neue Ansichten und Einsichten über Business-Aktivitäten und -Operationen gewinnen können.

Die Analyse von Maschinendaten ist inzwischen weit vorangeschritten. So analysieren zum Beispiel große Industriehersteller Maschinendaten, um in Echtzeit Informationen über die Leistung ihrer Geräte im praktischen Einsatz zu erhalten. Zusammen mit den historischen Leistungsdaten der Geräte sind die Hersteller in der Lage, Service-Probleme besser zu verstehen und im Rahmen von Predictive Maintanance Probleme im Voraus zu beheben, bevor sie in den Maschinen auftreten und zum Ausfall eines Geräts führen.

Weitere Beispiele für Anwendungen, bei denen Maschinendaten ausgewertet werden, sind:

• Überwachungssysteme von Öl- und Gaspipelines,
• Systeme zur Vorhersage von Naturkatastrophen, die auf RSS-Feeds aus marinen Sensoren basieren,
• Prognosesysteme, die Daten von Satelliten nutzen,
• Wetterstationen, um das Wetter in kleinen geographischen Gebieten vorherzusagen, und
• Gebäudeenergie-Management-Systeme, die HVAC- und Aufzugsdaten zur Verbesserung der Effizienz analysieren.

Weitere Anwendungsfälle werden mit großer Wahrscheinlichkeit entstehen, wenn Machine-Learning-Anwendungen ihr Reifestadium erreicht haben.