Rückblickend gab es bisher drei industrielle Revolutionen. Die Industrialisierung begann um 1750 nach der Entwicklung der Dampfmaschine. Man spricht heute von der ersten industriellen Revolution. Mit der zweiten Revolution etwa im Jahre 1870 begann die Massenproduktion mit Hilfe von elektrischer Energie. Während dieser Zeit wurden elektrische Antriebe und Verbrennungsmotoren entwickelt. Hervorzuheben ist das Fließband von Henry Ford, das kennzeichnend für diese Entwicklung steht. Die dritte Revolution begann in den 60er Jahren. Zu dieser Zeit wurde durch Elektronik und Information- und Kommunikationstechnologien die Produktivität in den Fabriken erhöht.
Industrie 4.0 wurde als Zukunftsprojekt und strategischem Leuchtturm von der deutschen Innovationspolitik vorgeschlagen und entwickelt. Der Anteil der industriellen Produktion wird inzwischen als einer der bedeutenden Faktoren von Volkswirtschaften gesehen. Um den Standort Deutschlands in der Weltspitze zu verteidigen, versucht man diese industrielle Revolution zu verstehen und zu beschleunigen.
Gerade in Einzel- und Kleinserienfertig steigen die Anforderungen an die Produktion. Um dieser und der zunehmenden Komplexität zu begegnen, gehen immer mehr Unternehmen in ihren Datenbergen auf Schatzsuche. Die Möglichkeiten sind immens. Wer Rohdaten in Wissen verwandelt und richtig nutzt, kann sich einen großen Wettbewerbsvorteil verschaffen. Doch was bringen die Daten für die einzelnen Fachbereiche und welche Herausforderungen müssen gemeistert werden? Man sucht in den Daten nach Mustern, Abhängigkeiten und Zusammenhängen, mit denen man Prognosen treffen kann. Beispielsweise möchte man das Verhaltensmuster eines Kunden vorhersagen.
Die Informationen in den Datenbanken der Unternehmen steigen mit der Zeit immer weiter an. Die Komplexität der vielfältigen Daten aus Produktion und Prozessen müssen soweit reduziert werden, dass sie echte Entscheidungshilfen oder andere Services bieten können. Zusätzlich sollen die Daten auch mobil abrufbar sein, ohne dass man die IT-Sicherheit vernachlässigen sollte. IT-Sicherheit und das Ownership of Data sind die großen Herausforderungen zu denen Lösungen erarbeitet werden müssen. Es bestehen die Chancen auf neue Geschäftsmodelle in diesen Bereichen.
Auf einen Blick
- Note: 1,3
- 36 Quellen im Literaturverzeichnis
- 3 Abbildungen
Inhaltsverzeichnis
1. Einführung
2.Hauptteil
2.1 Grundlagen
2.1.1 Internet der Dinge und Dienste
2.1.2 Das Konzept der digitalen Fabrik
2.1.3 Umsetzung Industrie 4.0
2.1.4 Big Data
2.1.5 Data Mining
2.2 Verbindung zwischen Data Mining und Industrie 4.0
2.2.1 Big Data wird zu Smart Data
2.2.2 Digitale Echtzeitabbildungen
2.2.3 Mobile Computing
2.2.4 Cyber-physische Systeme
2.2.5 Interaktion Mensch-Maschine
2.2.6 Intelligente Produktion
3. Ausblick
Zielsetzung und Themen
Die Arbeit untersucht den Zusammenhang zwischen Data Mining und Industrie 4.0. Im Mittelpunkt steht die Frage, welchen Nutzen die Auswertung großer Datenmengen für industrielle Prozesse und einzelne Fachbereiche bieten kann und welche Herausforderungen dabei zu bewältigen sind.
- Grundlagen des Internets der Dinge und der digitalen Fabrik
- Große Datenmengen und Verfahren zur Mustererkennung
- Vernetzung und Integration industrieller Systeme
- Echtzeitabbildungen und vorbeugende Instandhaltung
- Cyber-physische Systeme und Mensch-Maschine-Interaktion
- Intelligente Produktion und Herausforderungen für die Arbeitswelt
Auszug aus dem Buch
2.1.5 Data Mining
Data Mining ist dem Business Intelligence unterzuordnen. „Der Begriff Data Mining beschreibt allgemein die Analyse umfangreicher Datenbestände (Big Data) zur Aufdeckung nicht-trivialer, geschäftsrelevanter und verständlicher Muster in Daten.“ Die Daten liegen in einem Data Warehouse oder in verteilten Datenbanken vor. Es werden bereinigte und vorverarbeitete Daten verwendet um dann mit geeigneten Algorithmen Datenmuster zu gewinnen. Die Anwendungsbereiche sind dabei vor allem Klassifikation, Clustern von Daten und Aufdecken von Abhängigkeiten. Dies geschieht überwiegend mit Clusterverfahren, Visualisierungstechniken zur Aufbereitung der Daten, Entscheidungsbaumverfahren, Zeitreihenanalysen und Assoziationsanalyse. Data Mining überprüft nicht nur manuell aufgestellte Hypothesen sondern erstellt auch eigene Hypothesen.
Data Mining-Verfahren agieren weitgehend selbstständig. Data Mining-Verfahren stellen Hypothesen über Zusammenhänge in Daten her, welche sich durch einen höheren Automatisierungsgrad auszeichnen. Das heißt, es ist keine intensive Interaktion mit dem Benutzer mehr notwendig. Nach der Hypothesenerzeugung erfolgt eine Hypothesenvalidierung. Im Anschluss daran werden die als gültig erkannten Ergebnisse zurückgegeben. Es gibt viele verschiedene Data Mining-Verfahren. Um die Analyse effizient zu gestalten, laufen die Verfahren oft auf Grundlage von bereits gewonnen Informationen ab. Es wird diverses Hintergrundwissen genutzt und früher errechnete Hypothesen verwendet, um den Rechenaufwand zu minimieren. Errechnete Hypothesen haben den Vorteil, dass man nicht die kompletten alten Daten benötigt. Bei der Hypothesenvalidierung kommt es zu einfachen Ja/Nein Entscheidungen oder auch zu Berechnungen von umfangreichen komplexeren Sachverhalten. Zum Schluss wird das errechnete Ergebnis zurückgegeben. So können durch Data-Mining-Verfahren mit Hilfe von Korrelationskoeffizienten verschiedene Abhängigkeiten im Big Data aufgedeckt werden. Je nach Verfahren werden die Ergebnisse dann mit gewissen Zuverlässigkeitsgraden hinterlegt. Beispielsweise kann man diese Informationen benutzen, um Kundenbestellverhalten zu analysieren und vorherzusagen. Es ist aber auch möglich, Fehler in Daten zu erkennen.
Ein Vorteil der Nutzung von Data Mining besteht zudem darin, dass in einem Unternehmen bereits große Datenbestände in den Datenbanken liegen und man diese nur noch sinnvoll nutzen muss. Die Nutzung der Daten ist die logische Konsequenz der stetig steigenden Informationsfülle in einem Unternehmen. Das Internet der Dinge sorgt dafür, dass Datenmengen immer rasanter ansteigen, während sie gleichzeitig auch immer komplexer werden. Mit Data Mining kann man dieser Herausforderung begegnen. So ist es in Zukunft auch denkbar, dass neue Prozesse entstehen werden, die ausschließlich vorhandene Daten auswerten. So entsteht ein maschinelles Lernen, das in Zukunft unter anderem anhand verschiedener künstlicher neuronalen Netzwerken möglich sein wird.
Zusammenfassung der Kapitel
1. Einführung: Die Einführung ordnet Industrie 4.0 in die Entwicklung industrieller Revolutionen ein und beschreibt steigende Anforderungen an Flexibilität und Datenverarbeitung. Sie fragt nach dem Nutzen großer Datenbestände und den damit verbundenen Herausforderungen.
2.Hauptteil: Der Hauptteil erläutert die Grundlagen von Industrie 4.0 und Data Mining. Anschließend behandelt er ihre Verbindung anhand digitaler Echtzeitabbildungen, mobiler Anwendungen, cyber-physischer Systeme, der Mensch-Maschine-Interaktion und intelligenter Produktion.
3. Ausblick: Der Ausblick betrachtet die Umsetzung von Industrie 4.0 im Zusammenhang mit Sicherheit, Arbeitswelt, Qualifizierung und betrieblichen Veränderungen. Er thematisiert zudem die Integration und Kommunikation verschiedener Informationssysteme.
Schlüsselwörter
Industrie 4.0, Data Mining, große Datenmengen, intelligente Daten, Internet der Dinge, digitale Fabrik, cyber-physische Systeme, Echtzeitanalyse, intelligente Produktion, Mensch-Maschine-Interaktion, Datenintegration, IT-Sicherheit
Häufig gestellte Fragen
Worum geht es in der Arbeit?
Die Arbeit befasst sich mit der Verbindung von Data Mining und Industrie 4.0 und mit möglichen Anwendungen der Datenanalyse in der vernetzten Produktion.
Welche Themenfelder stehen im Mittelpunkt?
Behandelt werden unter anderem das Internet der Dinge, die digitale Fabrik, große Datenmengen, Echtzeitabbildungen, cyber-physische Systeme und intelligente Produktion.
Welche Frage verfolgt die Arbeit?
Sie fragt danach, welchen Nutzen Daten für verschiedene Fachbereiche bieten können und welche Herausforderungen bei ihrer Nutzung zu bewältigen sind.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit stellt Fachliteratur und weitere Quellen dar und verknüpft deren Aussagen zu Data Mining und Industrie 4.0.
Was behandelt der Hauptteil?
Er führt zunächst in grundlegende Begriffe und Technologien ein und betrachtet anschließend konkrete Zusammenhänge zwischen Datenanalyse und vernetzter Industrie.
Welche Schlüsselwörter charakterisieren die Arbeit?
Zu den zentralen Begriffen zählen Industrie 4.0, Data Mining, Internet der Dinge, digitale Fabrik, cyber-physische Systeme und intelligente Produktion.
Welche Rolle spielen digitale Echtzeitabbildungen?
Sie ermöglichen es, Produktionszyklen digital abzubilden und zu berechnen. Die Arbeit erörtert in diesem Zusammenhang auch Echtzeitanalyse und vorbeugende Instandhaltung.
Wie wird die Zusammenarbeit von Mensch und Maschine behandelt?
Die Arbeit beschreibt unter anderem Roboter, die mithilfe intelligenter Sensoren auf Menschen und veränderte Bedingungen reagieren, sowie die Verarbeitung von Sprache und Sensordaten.
Welche Bedeutung hat IT-Sicherheit für die vernetzte Produktion?
Vernetzte Systeme müssen gegen unbefugte Zugriffe und Wirtschaftsspionage geschützt werden. Die Arbeit behandelt Sicherheit auch im Zusammenhang mit mobilen Anwendungen und Cloud-Diensten.
- Quote paper
- Simon Hemmrich (Author), 2015, Data Mining und Industrie 4.0. Moderne Verfahren der Datenanalyse, Munich, GRIN Verlag, https://www.grin.com/document/309891
