Ein Füllstandsensor an einem Tank oder Silo beantwortet eine Frage gut: wie viel noch übrig ist. Sie öffnen das Dashboard, sehen 40 Prozent und machen weiter. Eine Zeit lang reicht das, weil sich jemand ans Nachschauen erinnert und jemand ans Nachbestellen.
Das Problem zeigt sich im großen Maßstab. Wenn Sie einen Tank überwachen, kann ein Mensch den Trend abschätzen. Wenn Sie Hunderte über mehrere Standorte hinweg überwachen, kann das niemand mehr, und der Messwert, auf den es ankommt, ist nicht der Füllstand, sondern das Datum. Vierzig Prozent sind entspannt, wenn der Tank langsam leerläuft und eine Nachfüllung einen Tag dauert. Vierzig Prozent sind eine Krise, wenn er schnell leerläuft und der Lieferant eine Woche braucht. Die Zahl auf dem Dashboard sagt Ihnen nicht, welcher Fall vorliegt, und ein Leerstand oder eine teuer erkaufte Notlieferung ist das, was passiert, wenn Sie falsch raten. Eine Prognose macht aus dem Füllstand ein Leerlaufdatum.
Das Signal ist einfach, das ist die gute Nachricht
Die Entleerung gehört zu den besser prognostizierbaren IoT-Signalen, weil die meisten Tanks und Silos nach einem gleichmäßigen Muster leerlaufen. Ein Kraftstofftank, der einen stetigen Prozess versorgt, ein Wasserreservoir mit täglicher Entnahme, ein Futtersilo, das dem Rhythmus einer Herde folgt: Der Verbrauch wiederholt sich meist, also hat ein Modell eine klare Struktur, aus der es lernen kann.
Bei einer stetigen Entleerung liefert schon eine als gleitender Durchschnitt fortgeschriebene Entleerungsrate ein brauchbares Leerlaufdatum. Folgt der Verbrauch einem Zyklus, höher an Wochentagen, mit saisonaler Nachfrage, erfasst ihn ein saisonales Modell. Sie brauchen selten schweres maschinelles Lernen, um einen Füllstand vorherzusagen, was diese Prognose zu einer der schnellsten macht, die sich in Produktion bringen lässt.
Was vorhergesagt werden soll: das Datum, nicht der Füllstand
Das nützliche Ergebnis ist nicht ‘vorhergesagter Füllstand am nächsten Dienstag’. Es ist ‘Tage, bis dieser Tank den Nachbestellpunkt erreicht’. Diese Formulierung ist wichtig, weil sie direkt der Entscheidung entspricht. Legen Sie den Nachbestellpunkt auf den Füllstand, der genug Puffer für Ihre tatsächliche Vorlaufzeit lässt, und prognostizieren Sie dann, wann der Tank ihn erreicht.
Stimmt die Vorlaufzeit, ergibt sich der Nachbestellpunkt fast von selbst. Wenn eine Nachfüllung von Tür zu Tür drei Tage dauert, liegt der Nachbestellpunkt bei dem Füllstand, der drei Tage typischen Verbrauchs über leer liegt, zuzüglich eines Sicherheitszuschlags für eine schlechte Woche. Die Prognose sagt Ihnen dann das Datum, an dem Sie ihn unterschreiten, und das ist das Datum, an dem Sie die Bestellung aufgeben.
Die Einflussgrößen, die die Entleerungsrate verändern
Eine reine ‘die aktuelle Rate hält an’-Prognose ist in Ordnung, bis sich die Rate ändert, und bei Tanks und Silos ändert sich die Rate meist aus bekannten Gründen. Der Produktionsplan bestimmt den industriellen Verbrauch. Das Wetter bestimmt den Heizölverbrauch und das Bewässerungswasser. Herdengröße und Futterplan bestimmen ein landwirtschaftliches Silo. Eine Prognose, die diese ignoriert, wird selbstsicher und falsch sein, genau dann, wenn sich die Nachfrage verschiebt.
Wo eine Einflussgröße als Daten verfügbar ist, speisen Sie sie in das Modell ein. Eine TagoIO Analysis kann eine Wettervorhersage für einen Heizöltank abrufen oder einen Produktionsplan auslesen und die vorhergesagte Entleerungsrate entsprechend anpassen. Wo Einflussgrößen nicht verfügbar sind, stützen Sie sich auf das saisonale Muster und erhöhen den Sicherheitszuschlag, um die Unsicherheit abzudecken.
Von der Prognose zur Nachfüllung
Der Sinn des Leerlaufdatums ist es, ohne dass ein Mensch jeden Tank überwacht, eine Aktion auszulösen. Der Ablauf: Eine geplante Analysis liest den jüngsten Füllstandsverlauf jedes Tanks, schätzt die Entleerungsrate, berechnet die Leerlauf- und Nachbestelldaten und schreibt sie als Variablen pro Gerät zurück, ausgewählt über Tags, sodass dasselbe Skript die gesamte Flotte bearbeitet. Ein Alarm wird ausgelöst, wenn das prognostizierte Nachbestelldatum eines Tanks in das Bestellfenster fällt, weitergeleitet an denjenigen, der die Bestellung aufgibt, per E-Mail, SMS oder Webhook in ein Beschaffungssystem.
Das macht aus der Nachschubversorgung statt ‘jemand hat daran gedacht nachzuschauen’ ein ‘das System kennzeichnet den Tank, der bestellt werden muss, mit genug Vorlauf, um normal statt in Panik zu bestellen’. Über eine ganze Flotte hinweg ist das der Unterschied zwischen Routinelogistik und wiederkehrenden Notfällen.
Beginnen Sie mit Ihrem schlimmsten Leerstand
Wählen Sie den Tank oder das Produkt, bei dem ein Leerlaufen am meisten schmerzt oder bei dem Sie schon einmal für eine Notlieferung bezahlt haben. Bauen Sie die Entleerungsraten-Prognose dafür, legen Sie den Nachbestellpunkt anhand Ihrer echten Vorlaufzeit fest und verdrahten Sie den Alarm mit der Person, die bestellt. Beweisen Sie es an einem, dann rollen Sie dasselbe tag-basierte Skript über die gesamte Flotte aus.
Eine Silo-Überwachung, die die Entleerung vorhersagt, statt sie nur zu melden, ist ein häufiger erster Erfolg mit Vorhersagen, weil das Signal einfach und der Nutzen konkret ist. Sehen Sie, wie TagoIO Analytics die Entleerungsprognose ausführt und den Nachfüll-Alarm steuert.
Wenn Sie das Modell für die Entleerungsrate lieber nicht selbst programmieren möchten, prognostiziert TagoIO Analytics die Entleerung für Sie. Melden Sie sich unter sight.tago.io/login mit Ihrem TagoIO-Konto an und trainieren Sie in wenigen Minuten ein Modell mit Ihren Füllstandsdaten, inklusive Prognosen und Anomalieerkennung, ganz ohne Data Scientist.
