Das Interesse am Thema Predictive Maintenance ist groß, wir zeigen Ihnen einen Business Case in diesem zukunftsträchtigen Bereich, den wir für einen Kunden mit Hilfe von Automated Analytics optimieren konnten. Wie lassen sich Wartungsintervalle rechtzeitig prognostizieren, welche Analysemethoden können zur frühzeitigen Erkennung von Maschinenausfällen genutzt werden und somit Maintenance Kosten reduzieren. Wir geben Ihnen Einblick in die methodische und technische Umsetzung und machen auf einige typische Probleme in Projekten aufmerksam.

1. Predictive Maintenance
mit Automated Analytics
Berlin, 12.06.2018
Webinar
Aliaksandra Astashonak und Denis Titho

2. Seite 2
Sprecher
CONOGY GmbH
Denis Titho
E-Mail: Titho@conogy.de
Tel: 030 - 488 289 801
CONOGY GmbH
Aliaksandra Astashonak
E-Mail: info@conogy.de
Tel: 030 - 488 289 801

3. Nr. Thema
1 Kurzvorstellung CONOGY
2 Vorstellung Business Case
3 Technische / methodische Umsetzung
4 Herausforderungen
5 Fragen & Antworten
Seite 3
Agenda

4. Seite 4
Kurzvorstellung CONOGY
Key Facts
>10 Jahre
etablierter und geschätzter
SAP Beratungspartner
70+
leidenschaftliche
Mitarbeiter
90%
Weiterempfehlung
bei Kununu
50+
Zertifikate
ISO 9001
Projektmanagement
SAP (Mitarbeiter / Firma)
100+
Erfolgreiche Projekte
50+
Zufriedene Kunden
20+
Direktkunden in 2017
2
Standorte
Berlin
Düsseldorf

5. Seite 5
Kurzvorstellung CONOGY
Kompetenzfelder
Toolauswahl
Architektur
Schulungen
Governance
BI Strategie
Embedded Planning
S/4HANA Analytics
S/4HANA Migration
Fiori
S/4HANA
Datenmodellierung
HANA
(BW/4HANA, Native, …)
Dynamic Tiering
Basis Administration
Data Warehousing
2nd & 3rd Level
Support
Hotline /
Service Desk
Monitoring
Pflege / Wartung
Application
Management
Data Science
Methodologie
Predictive Analytics
Big Data Szenarien
Datengetriebene
Planung
Data Science
UI5 / Web Dynpro
BusinessObjects
Planung
SAP Analytics Cloud /
Mobile Analytics
Reporting &
Planung

6. Nr. Thema
1 Kurzvorstellung CONOGY
2 Vorstellung Business Case
3 Technische / methodische Umsetzung
4 Herausforderungen
5 Fragen & Antworten
Seite 6
Agenda

7. Vorstellung Business Case
Seite 7
Ausgangssituation
▪ Daten von 100 Motoren liegen vor
▪ 21 KPIs von verschiedenen Motoren wurden gemessen:
➢ Temperatur, Geschwindigkeit, Profiltiefe, etc.
➢ Daten sind anonymisiert
Problem
▪ Motoren funktionieren nach n Zyklen nicht mehr – Warum?
Ziel
▪ Historische Daten mit Data Mining Algorithmen analysieren
▪ Zusammenhänge zwischen KPIs und Lebensdauer finden
▪ Vorhersage, ob der Motor im nächsten Zyklus noch funktioniert
▪ Gewährleistung einer möglichst hohen technischen Verfügbarkeit der
Motoren
?

8. Vorstellung Business Case
Seite 8
Datenbeschreibung
▪ Historische Daten von 100 Motoren
▪ 21 Sensor-Indikatoren (S1 – S21) pro Motor
▪ Messung der KPIs in jedem Lebenszyklus (pro Sensor)
▪ Setting1 und Setting2 werden in jedem Zyklus angepasst
Temperatur Geschwindigkeit Profiltiefe

9. Nr. Thema
1 Kurzvorstellung CONOGY
2 Vorstellung Business Case
3 Technische / methodische Umsetzung
4 Herausforderungen
5 Fragen & Antworten
Seite 9
Agenda

10. Technische/ methodische Umsetzung
Auswahl der Algorithmen
Seite 10
▪ Zeitreihenanalyse: Analyse der historischen Daten, um
zeitabhängige Muster, wie Trend, Konjunktur, periodische und
saisonale Schwankungen zu ermitteln
▪ Klassifikationsanalyse: basierend auf historischen Daten wird ein
Modell abgeleitet, mit dessen Hilfe neue Daten vordefinierten
Klassen zugewiesen werden können
▪ Regressionsanalyse: approximiert die funktionale Beziehung
zwischen dem Ziel und den erklärenden Variablen und ermöglicht
die Ableitung der Variablenbeiträge für die Prognose der Zielvariable

11. Technische/ methodische Umsetzung
Datenvorbereitung
Seite 11
Neue Spalten für bessere Analyse und
Visualisierung:
▪ Brake: letzte Zyklus des Motors -> Brake = 1
▪ Last Period: Letzte vorhandene Periode in den
Daten = 1
▪ ad-Spalten -> Absolute Differenz zwischen
dem aktuellen und ersten Zyklus
▪ n-Spalten -> Transformierte Daten
-> (Xi-min) / (max – min)

12. Technische/ methodische Umsetzung
Modellaufbau
Page 12
Modellaufbau
Historische Daten
Testdaten
Trainingsdaten
Test
Anwendung des Modells
80 Motoren
70
10
10
70
20 Motoren
Neue Daten
20

13. Technische/ methodische Umsetzung
Modellaufbau
Seite 13
Modellierungsprozess:
▪ Algorithmus auswählen (Klassifikation, Regression)
▪ Daten auswählen (Database, TXT, CSV)
▪ Cutting Strategie
▪ Daten beschreiben (Datentypen, fehlende Werte)
▪ Variablen definieren (Zielvariable, erklärende Variablen)
▪ Modell generieren
▪ Modell beurteilen (Qualitätsindikatoren KI, KR)
▪ Grafiken anschauen
▪ Variablenbeiträge analysieren
▪ Statistische Berichte analysieren
▪ Modell verbessern, weiter trainieren
▪ Simulation, Prognose erstellen
▪ Modell auf dem neuen Dataset anwenden
▪ Modell speichern, Source Code extrahieren (HTML, SQL)
Aufbau des Modells
Analyse des Modells
Anwendung des Modells

14. System-DEMO
SAP Predictive Analytics
Modus Automated Analytics
Seite 14
Technische/ methodische Umsetzung
Demo

15. Engine is
working good
Engine is
getting worse
Engine breaks
Technische/ methodische Umsetzung
Anwendung des Klassifikationsmodells
Page 15
Engine 81 will
break soon
Engine 82 is
getting worse
Engine 92 is
working good
Trainingsdaten Neue Daten (5 letzten Zyklen)
Kritischer Zustand
Motor
funktioniert
gut
Leistung
nimmt ab
Motor fällt
aus
Motor 82 wird
zunehmend
schlechter
Motor
funktioniert gut.
Motor 81
wird bald
ausfallen

16. Technische/ methodische Umsetzung
Zeitreihenanalyse
Motor 81 Motor 92
Page 16
Sensor 4
Sensor 17
Sensor 12
Sensor 20
Sensor 15

17. Technische/ methodische Umsetzung
Ergebnisse
Page 17
83
81
94
100
85
90
93 97
87
99
9695
9289
Wird bald ausfallen
Funktioniert gut
Kritischer Zustand

18. Nr. Thema
1 Kurzvorstellung CONOGY
2 Vorstellung Business Case
3 Technische / methodische Umsetzung
4 Herausforderungen
5 Fragen & Antworten
Seite 18
Agenda

19. Seite 19
Herausforderungen
▪ Sensordaten sammeln
▪ Verständnis der Sensordaten
▪ Kombination geeigneter
Algorithmen
▪ Interpretation der Ergebnisse
▪ Deployment des Modells zur
unternehmensweiten Anwendung

20. Nr. Thema
1 Kurzvorstellung CONOGY
2 Vorstellung Business Case
3 Technische / methodische Umsetzung
4 Herausforderungen
5 Fragen & Antworten
Seite 20
Agenda

21. Fragen & Antworten
Seite 21

22. Übersicht zum Buch
▪ Unser SAPPRESS-Buch zum Thema Predictive Analytics
▪ Mit diesem Buch lernen Sie, wie Sie Ihre Daten mit SAP Predictive
Analytics analysieren, um bisher unentdeckte Zusammenhänge
aufzuspüren und Trends vorhersagen zu können.
Inhalte
▪ Einführung und Mehrwerte von SAP Predictive Analytics
▪ Einführung in SAP Predictive Analytics
▪ Automated vs. Expert Analytics Mode
▪ Daten vorbereiten, auswerten und visualisieren
▪ Integration mit SAP Predictive Analysis Library, SAP HANA und
R
SAP Predictive Analytics Buchdaten
▪ 440 Seiten, gebunden, erschienen Juli 2017
▪ Buch | E-Book | Bundle
▪ ISBN 978-3-8362-4415-2
▪ Buchansicht und Leseprobe beim Rheinwerk Verlag
▪ Buchansicht und Leseprobe bei Amazon
SAP Predictive Analytics
Buchvorstellung

23. Seite 24
Ausblick Webinare
Die nächsten IBsolution Webinare
▪ 21.06.2018: Integrierte Personalprozesse durch die
Anbindung von SAP SuccessFactors an SAP IdM
▪ 29.06.2018: Experten Panel zum optimalen Service-
Prozess
Folgende Webinare sind in der Zusammenarbeit
zwischen CONOGY und IBsolution geplant
▪ 19.07.2018: S/4HANA Extraktion (Details folgen)
▪ 30.08.2018: Operationalisierung von Predictive Cases
▪ 11.10.2018: t.b.d.
▪ 20.11.2018: t.b.d.
Bitte entnehmen Sie den Veröffentlichungen vorab die
detaillierten Inhalte.
Wir freuen uns, wenn Sie auch hier teilnehmen!

24. Seite 25
Ihr Ansprechpartner
CONOGY GmbH
Denis Titho
E-Mail: Titho@conogy.de
Telefon: 030 - 488 289 801
Die Unterlagen finden Sie nach dem Webinar unter:
https://www.youtube.com/CONOGYGmbH
https://www.slideshare.net/CONOGY

25. Vielen Dank für Ihre Aufmerksamkeit!

26. Die in dieser Publikation enthaltene Information ist Eigentum der CONOGY GmbH. Weitergabe und Vervielfältigung dieser Publikation oder von Teilen daraus sind – zu
welchem Zweck und in welcher Form auch immer – nur mit ausdrücklicher schriftlicher Genehmigung durch die CONOGY GmbH gestattet.
Die Angaben im Text sind unverbindlich und dienen lediglich zu Informationszwecken. CONOGY übernimmt keine Haftung für Fehler oder Auslassungen in dieser
Publikation. Des Weiteren übernimmt CONOGY keine Garantie für die Exaktheit oder Vollständigkeit der Informationen, Texte, Grafiken, Links und sonstigen in dieser
Publikation enthaltenen Elementen. Diese Publikation wird ohne jegliche Gewähr, weder ausdrücklich noch stillschweigend, bereitgestellt. Dies gilt u. a., aber nicht
ausschließlich, hinsichtlich der Gewährleistung der Marktgängigkeit und der Eignung für einen bestimmten Zweck sowie für die Gewährleistung der Nichtverletzung
geltenden Rechts.
CONOGY haftet nicht für entstandene Schäden. Dies gilt u. a. und uneingeschränkt für konkrete, besondere und mittelbare Schäden oder Folgeschäden, die aus der
Nutzung dieser Materialien entstehen können. Diese Einschränkung gilt nicht bei Vorsatz oder grober Fahrlässigkeit.
Die gesetzliche Haftung bei Personenschäden oder Produkthaftung bleibt unberührt. Die Informationen, auf die Sie möglicherweise über die in diesem Material
enthaltenen Links zugreifen, unterliegen nicht dem Einfluss von CONOGY, und CONOGY unterstützt nicht die Nutzung von Internetseiten Dritter durch Sie und gibt
keinerlei Gewährleistungen oder Zusagen über Internetseiten Dritter ab.
Microsoft®, WINDOWS®, NT®, EXCEL®, Word®, PowerPoint® und SQL Server® sind eingetragene Marken der Microsoft Corporation.
IBM, DB2, DB2 Universal Database, Informix und PowerPC sind Marken oder eingetragene Marken der IBM Corporation.
Adobe, das Adobe Logo, Acrobat, PostScript und Reader sind Marken oder eingetragene Marken von Adobe Systems Inc. in den USA und/oder anderen Ländern.
ORACLE® ist eine eingetragene Marke der ORACLE Corporation.
UNIX®, X/Open®, OSF/1® und Motif® sind eingetragene Marken der Open Group.
Citrix®, das Citrix-Logo, ICA®, Program Neighborhood®, MetaFrame®, WinFrame®, VideoFrame®, MultiWin® und andere hier erwähnte Namen von Citrix-
Produkten sind Marken von Citrix Systems, Inc.
HTML, DHTML, XML, XHTML sind Marken oder eingetragene Marken des W3C®, World WideWeb Consortium, Massachusetts Institute of Technology.
JAVA® ist eine eingetragene Marke der Sun Microsystems, Inc.
JAVASCRIPT® ist eine eingetragene Marke der Sun Microsystems, Inc., verwendet unter der Lizenz der von Netscape entwickelten und implementierten Technologie.
MaxDB ist eine Marke von MySQL AB, Schweden.
SAP, HANA, BusinessObjects, R/3, mySAP, mySAP.com, xApps, xApp, SAP NetWeaver, und weitere im Text erwähnte SAP-Produkte und -Dienstleistungen sowie die
entsprechenden Logos sind Marken oder eingetragene Marken der SAP AG in Deutschland und anderen Ländern weltweit. Alle anderen Namen von Produkten und
Dienstleistungen sind Marken der jeweiligen Firmen.
Copyright 2018 CONOGY GmbH
Alle Rechte vorbehalten
Seite 27