Innovative Technologien haben dem Menschen erst durch Wasserdampf, dann mithilfe von Elektrizität routinierte, mechanische Arbeiten abgenommen. Die Digitaltechnik ermöglicht zudem eine Verarbeitung von Informationen, um Betriebsprozesse fortlaufend zu optimieren und neu zu erfinden. Zusammen mit sensibler Sensorik können auch Fertigungsanlagen und deren Wartungsprüfung automatisiert werden und während einer laufenden Produktion Fehler vermieden werden, was zu einer höheren Qualität der Produkte führt. Statt handwerkliche Arbeiten durchzuführen, erhält der Mensch dadurch neue Aufgabengebiete bei der Kontrolle, Steuerung, Überwachung und Verbesserung von Maschinen. Unternehmen nutzen in industriellen Fertigungsanlagen verschiedenste automatisierte Lösungen von mehreren Herstellern. In einer Wertschöpfungskette entstehen in der Logistik eines speziellen Bauteils eines Zulieferers Daten über den Status der derzeitigen Position, durch Prüfungen auf Unversehrtheit und der vollständigen Zahlung der Transaktion. Das empfangende Unternehmen kann wieder- um ein Zulieferer eines weiteren Unternehmens oder Konsortiums sein. Falls die anfallenden Daten von Maschinen unterschiedlichster Hersteller und die Transaktionsdaten von einem Unternehmenszusammenschluss nicht durch standardisierte Schnittstellen, Formate, Sprache und Maßeinheiten gleichgeschaltet sind, entsteht eine Barriere. Diese muss mit zusätzlichem Aufwand und Investitionen aller beteiligten Unternehmen überwunden werden, um zeitnahe und aussagekräftige Rückschlüsse über den Zustand einer Produktionsanlage und der entsprechenden Logistik treffen zu können. Mit modernsten Technologien der elektronischen Datenverarbeitung können akkurate Aussagen über zukünftige Zustände erschlossen werden, sodass Steuerungskomponente Anpassungen der Produktionsumgebungen selbst übernehmen.
Inhaltsverzeichnis
1. Daten
1.1. Vorteile elektronischer Datenverarbeitung
1.2. Speicherung digitaler Daten
1.3. Rechenkapazität
2. Fertigende Industrie
2.1. Volkswirtschaftliche Definition der fertigenden Industrie
2.2. Historie industrieller Revolutionen
2.3. Daten als Grundlage zur Qualitätssicherung
2.4. Industrielle Datenerfassung
2.5. Industrielles Internet der Dinge
2.6. Smart Factory System
2.7. Personalisierte Produktion
3. Analyse großer Datensätze
3.1. Datenaufbereitung
3.2. Datenschutz
3.3. Datenqualität
3.4. Datenanalyse
3.4.1. Analysewerkzeuge
3.4.2. Deskriptive Analyse
3.4.3. Prädiktive Analyse
3.4.4. Präskriptive Analyse
4. Zusammenfassung
5. Fazit
Zielsetzung & Themen
Die vorliegende Arbeit untersucht, wie große Datensätze in der fertigenden Industrie effizient analysiert und verwertet werden können, um industrielle Prozesse zu optimieren. Dabei wird der Fokus auf die technologischen Grundlagen, die Rolle der Digitalisierung sowie Methoden zur Instandhaltung und Prozessüberwachung gelegt, um die Effizienz der Produktion nachhaltig zu steigern.
- Grundlagen digitaler Datenverarbeitung und Speicherung
- Die Evolution der fertigenden Industrie im Kontext der Industrie 4.0
- Methodik der industriellen Datenerfassung durch das Internet der Dinge (IIoT)
- Analysewerkzeuge und -verfahren (deskriptiv, prädiktiv, präskriptiv)
- Herausforderungen wie Datenschutz, Datenqualität und Interoperabilität
Auszug aus dem Buch
3.4.2. Deskriptive Analyse
Nach empirischer Erfassung der NOC von Prozessen können Abweichungen detektiert werden und so Betriebsabläufe und Abweichungen beschrieben werden. Grundlegend wird dabei gefragt, was passiert. Anhand des Energie- oder Informationsflusses innerhalb eines Systems können Signale ausfindig gemacht werden, welche mögliche Faktoren für einen bevorstehenden Ausfall sein können (von Enzberg et. al., 2020).
Die Abweichungen von der Norm werden in der IPM durch statistische Methoden wie der Hauptkomponentenanalyse (PCA, Principal Component Analysis) oder der Bestimmung partiell kleinster Quadrate (PLS, Partial Least Square) eruiert. Sensordaten, welche sich schnell ändern können, werden durch einen multivariaten, exponentiell gewichteten, gleitenden Durchschnitt (MEWMA, Multivariate Exponentially Weighted Moving Average) beschrieben, sodass älteren Daten eine geringere Wichtigkeit zugeschrieben wird (Shariatzadeh et. al., 2016).
Bei jeglichen Methoden ist entscheidend wie schnell und aussagekräftig eine Detektion von Abweichungen der NOC erfolgt. Wie schnell eine Fehlerdetektion erfolgt, hängt von der durchschnittlichen Signalverarbeitung (ATS, Average Time to Signal) ab. Die Aussagekraft der Fehlerdetektion hängt von der Anzahl an Artefakten, beziehungsweise der Rate an Fehlalarmen (FPR, False Positive Rate), also statistischen Typ I Fehlern, ab. Mit dem historischen Wissen darüber, wie sich eine Maschine und deren Komponente normalerweise verhält, kann nun gefragt werden, wieso ein Ausfall stattgefunden hat (Reis & Gins, 2017).
Zusammenfassung der Kapitel
1. Daten: Dieses Kapitel erläutert die Grundlagen elektronischer Datenverarbeitung, deren Speicherung in der Industrie sowie die exponentiell wachsenden Anforderungen an IT-Rechenkapazitäten.
2. Fertigende Industrie: Beschreibt die historische Entwicklung der industriellen Fertigung bis hin zu modernen Konzepten wie Smart Factory Systemen und der personalisierten Produktion unter Einsatz von IIoT.
3. Analyse großer Datensätze: Detaillierte Betrachtung der Schritte zur Datenaufbereitung, der Wichtigkeit von Datenschutz und Datenqualität sowie der unterschiedlichen Analysearten von der deskriptiven bis zur präskriptiven Analyse.
4. Zusammenfassung: Fasst die technologischen Fortschritte und die Bedeutung der datengetriebenen Entscheidungsfindung in der Industrie zusammen.
5. Fazit: Formuliert das abschließende Resümee über die Notwendigkeit von Investitionen in ML und AI, um die industrielle Effizienz durch spezialisierte Prozessüberwachung zu revolutionieren.
Schlüsselwörter
Industrie 4.0, Big Data Analytics, Smart Factory, IIoT, Datenaufbereitung, Prädiktive Instandhaltung, Prozessoptimierung, Sensordaten, Künstliche Intelligenz, digitale Transformation, Datenschutz, Datenqualität, Machine Learning, Fertigung, industrielle Automatisierung
Häufig gestellte Fragen
Was ist das grundlegende Thema dieser Arbeit?
Die Arbeit behandelt die Analyse und Verwertung großer industrieller Datensätze innerhalb der fertigenden Industrie, um Prozesse besser zu steuern und zu optimieren.
Welche zentralen Themenfelder stehen im Vordergrund?
Zentrale Themen sind die digitale Transformation, die Rolle von Sensordaten und des industriellen Internets der Dinge, sowie die Methoden der Datenanalyse zur Fehlerdetektion.
Was ist die primäre Forschungsfrage?
Die Arbeit fokussiert sich auf die Fragestellung, wie große Datensätze in der fertigenden Industrie konkret analysiert und verwertet werden, um Betriebsprozesse zu verbessern.
Welche wissenschaftlichen Methoden werden angewendet?
Die Arbeit stützt sich auf eine Literaturanalyse sowie die Untersuchung statistischer Verfahren wie PCA, PLS und MEWMA zur Prozessüberwachung.
Worum geht es im Hauptteil der Arbeit?
Der Hauptteil gliedert sich in die technologische Basis (Kapitel 1), die Einordnung in die industrielle Landschaft (Kapitel 2) und die methodische Analyse der Datennutzung (Kapitel 3).
Welche Schlüsselbegriffe charakterisieren die Arbeit?
Wichtige Schlagworte sind neben Industrie 4.0 und Big Data vor allem Smart Factory, präskriptive Instandhaltung und Standardisierung durch Datenformate wie JSON oder Ontologien.
Warum ist die Standardisierung der Daten in der Industrie so entscheidend?
Wie im Kapitel zur Datenaufbereitung dargelegt, ist eine Standardisierung notwendig, um Daten von unterschiedlichen Herstellern innerhalb der Wertschöpfungskette überhaupt vergleichbar und verarbeitbar zu machen.
Was unterscheidet die prädiktive von der präskriptiven Analyse?
Während die prädiktive Analyse mittels Daten Ausfälle vorhersagt, ermöglicht die präskriptive Analyse das Ableiten konkreter Reparaturmaßnahmen und die Optimierung der Instandhaltung (PdM).
- Arbeit zitieren
- Constantin Sinowski (Autor:in), 2021, Analyse großer industrieller Datensätze. Wie werden große Datensätze in der fertigenden Industrie analysiert und verwertet?, München, GRIN Verlag, https://www.grin.com/document/1264676
