Moderne OR-Anwendungen im Umfeld von Industrie 4.0 und Big Data


Bachelorarbeit, 2017
57 Seiten, Note: 1,1

Leseprobe

Inhaltsverzeichnis

ABBILDUNGSVERZEICHNIS

ABKÜRZUNGSVERZEICHNIS

1 EINLEITUNG
1.1 AUSGANGSITUATION
1.2 PROBLEMSTELLUNG
1.3 ZIELSETZUNG UND FORSCHUNGSFRAGE

2 THEORETISCHE GRUNDLAGEN
2.1 OPERATIONS RESEARCH
2.1.1 Definition und Ü berblick
2.1.2 Geschichte
2.2 AKTUELLE ENTWICKLUNGEN
2.2.1 Industrie 4.0
2.2.2 Big Data
2.2.3 (Business) Analytics

3 METHODEN
3.1 QUALITATIVES EXPERTENINTERVIEW
3.1.1 Leitfaden
3.2 DURCHFÜHRUNG
3.2.1 Interviewpartner
3.3 AUSWERTUNGSMETHODE
3.3.1 Transkription
3.3.2 Inhaltsanalyse

4 ERGEBNISSE
4.1 SCHWERPUNKTE DER ANWENDUNG VON OR
4.2 IMPLEMENTIERUNG
4.3 STÄRKEN UND SCHWÄCHEN IN DER PRAKTISCHEN ANWENDUNG
4.4 ENTWICKLUNG UND ZUKUNFT VON OR
4.4.1 Allgemeine Entwicklung
4.4.2 Chancen für OR durch Industrie 4.0 und Big Data?

5 DISKUSSION
5.1 METHODENDISKUSSION
5.2 ERGEBNISDISKUSSION
5.3 FAZIT

LITERATURVERZEICHNIS

LITERATUR

INTERVIEWS

ANHANG

Abbildungsverzeichnis

Abbildung 1: Phasen der Industriellen Revolution

Abbildung 2: Gartner Hype Cycle

Abbildung 3: Dezentrale M2M-Intelligenz

Abbildung 4: Unternehmensbereiche Big Data Analyse

Abbildung 5: Generierter Nutzen vs. erwarteter Nutzen

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1 Einleitung

Diese Arbeit soll einen Überblick über aktuelle Anwendungsszenarien im Bereich Operations Research (OR) bieten und klären inwieweit sich Umwälzungen in der Industrie durch „Industrie 4.0“ und „Big Data“ daraus auswirken können. Dabei sollen die Schwerpunkte der Anwendung und die Art der Implementierung darge- stellt werden. Weiterhin werden Stärken und Schwächen in der praktischen Anwen- dung aufgeführt und basierend auf den gesammelten Informationen versucht etwas über die Zukunft von OR-Methoden zu formulieren. Es soll keine Theorie zu die- sem Thema bestätigt oder widerlegt werden, sondern lediglich ein aktuelles Bild gezeichnet werden um Informationen für Interessierte zusammenfassen.

Um dies zu erreichen wurden Experten, Anwender und Unternehmen zu diesen Themen befragt und deren Antworten ausgewertet.

1.1 Ausgangsituation

Der Begriff „Operations Research“ erfreut sich ganz im Gegensatz zu Begriffen wie „Analytics“ oder „Big Data“ keiner besonders großen Bekanntheit. Ursprüng- lich war geplant mittelständische Unternehmen aus dem Einzugsgebiet der TH- Köln zu deren OR-Anwendungen zu befragen. Dieser Ansatz musste verworfen werden weil sich nicht genug Unternehmen finden ließen, die bewusst OR-Verfah- ren einsetzen oder Kenntnis von OR haben. Auch Literatur, die sich damit beschäf- tigt war nicht mehr auf einem Stand der eine Berücksichtigung sinnvoll erscheinen ließ.

Die Rücklaufquoten von vergleichbaren quantitativen Methoden waren schon zu Zeiten in denen OR-Verfahren besser bekannt waren eher dürftig. Deshalb wurde die Entscheidung getroffen persönliche und qualitative Interviews zu dem Thema durchzuführen.

1.2 Problemstellung

Der aktuelle Anwendungsstand von OR-Verfahren, besonders in Deutschland, ist bestenfalls als „undurchsichtig“ zu beschreiben. Hochschulen und Absolventen haben allerdings besonders Interesse daran zu erfahren, wie sich diese Anwendung gestaltet und wohin die Entwicklung geht. Deswegen soll diese Arbeit dazu beitragen diese Situation zu verbessern.

1.3 Zielsetzung und Forschungsfrage

Es gilt die Frage zu klären wie der aktuelle Anwendungsstand von Operations Research in Deutschland ist und wie sich diese Anwendung gestaltet. Dabei soll wie erwähnt auch auf den Zusammenhang zu den Themen Industrie 4.0 und Big Data eingegangen werden.

2 Theoretische Grundlagen

Im Titel dieser Arbeit ist werden Begriffe wie Operations Research, Industrie 4.0 und Big Data erwähnt. Deswegen soll zunächst darauf eingegangen werden, was unter diesen Begriffen innerhalb dieser Arbeit zu verstehen ist.

2.1 Operations Research

2.1.1 Definition und Ü berblick

Es war noch nie einfach geeignete Definitionen für den Begriff „Operations Research“ zu finden, der Theoretiker und Praktiker gleichermaßen zufrieden stellt.1 Da sich diese Arbeit aber vor allem mit der Anwendung von OR befasst wurde der praktische Ansatz von Müller-Merbach gewählt:

„ OR hat die modellgestützte Vorbereitung von Entscheidungen zur Ge- staltung und Lenkung von Mensch-Maschine-Systemen zur Aufgabe “ 2

Operations Research lässt sich schwer in nur einem Satz zusammenfassen. Deswe- gen sei noch die gut gelungene Zusammenfassung des international ausgerichteten „Institute for Operations Research and the Management Sciences“ (INFORMS) er- wähnt:

„ Operations Research befasst sich mit der Anwendung von fortschrittlichen analytischen Methoden um bessere Entscheidungen zu fällen. OR ist auch bekannt unter den Begriffen „ Management science “ oder „ Unternehmensforschung “ .

Durch die Anwendung verschiedener Techniken anderer mathemati- scher Wissenschaften, wie z.B. mathematischer Modellbildung, statisti- scher Analysen und mathematischer Optimierung möchte OR optimale oder beinahe optimale Lösungen zu komplexen Entscheidungsfindungs- problemen finden. ORüberlappt dabei mit anderen Disziplinen wie etwa Produktionsmanagement oder „ Industrial Engineering “ . Oftmals soll dabei ein Maximum (Profit, Leistung, Umsatz, ...) oder ein Mini mum (Verlust, Risiko, Kosten, ...) bestimmt werden.

OR verwendet weitreichende Problemlösungstechniken und Methoden im Streben nach besseren Entscheidungen und Effizienz, wie z.B. Simu lation, mathematische Optimierung, Warteschlangentheorie, Markov Prozesse, wirtschaftliche Methoden, Datenanalyse, Statistik, neuronale Netzwerke, Expertensysteme und Entscheidungsanalysen.

Bei fast allen dieser Techniken wird ein mathematisches Modell formuliert, welches versucht das System bestmöglich zu beschreiben.

Aufgrund der „ Natur “ von OR sind die Verbindungen zur Informatik sehr groß. OR-Anwender, die mit einem neuen Problem konfrontiert sind, müssen entscheiden welche dieser Techniken am besten geeignet sind in Hinblick auf die Beschaffenheit des Systems, Ziele der Optimierung und Einschränkungen bei Zeit und Rechenpower. “ 3

Die Einsatzmöglichkeiten sind zahllos. Einige davon sind nach Lautenbacher4:

- Transport- und Versorgungsprobleme
- Energieflussprobleme
- Suche nach kürzestem Weg
- Tourenplanung
- Zuordnungsprobleme
- Investitionsprobleme
- Verschnittprobleme
- Lagerhaltungsprobleme
- Warteschlangen
- Maschinenbelegung

OR gibt optimale Antworten auf viele gängige Fragen in der Wirtschaft dazu zählen unter anderen:

- Was ist der schnellste und beste Weg für meine täglichen Auslieferungen?
- Wie investiere und verteile ich vorhandenes Kapital am besten?
- Was und in welcher Reihenfolge produziere ich am besten?
- Wie kann ich den Personaleinsatz optimal gestalten?
- Wie gestalte ich mein Netzwerk aus Zulieferern, Produktionsstätten und Distributionszentren am besten?
- Wie wäge ich Preis und Nachfrage insbesondere als Hotel oder Airline op- timal ab?

Um Probleme dieser Art zu lösen durchläuft die typische Herangehensweise des OR meist folgende Phasen5:

1. Identifizierung und Definition der Struktur des Problems und sammeln der relevanten Daten
2. Entwicklung eines mathematisch formulierten Modells, das die Wirklich- keit hinreichend genau wiederspiegelt
3. Entwicklung einer geeigneten Lösungsprozedur. Oft kommen dafür Stan- dardsolver wie z.B. CPLEX zum Einsatz. Es kann jedoch auch vorkommen, dass für hoch spezielle Probleme ein eigenes Lösungsverfahren entwickelt werden muss
4. Testen des Modells und der dazugehörigen Lösungsprozedur und eventuelle Anpassungen des Originalmodells
5. Erarbeitung eines vollständig dokumentierten Systems nach Anforderungen des Managements für den andauernden Einsatz
6. Implementierung und Überwachung

Der wahrscheinlich wichtigste Schritt ist die Modellbildung. Das zu bildende ma- thematische Modell soll die Realität des zu lösenden Problems möglichst genau abbilden. Auf der anderen Seite jedoch auch nicht zu komplex sein um eine Lösung des Problems nicht in annehmbarer Zeit herbeizuführen. Die erwähnten Modelle bestehen aus drei entscheidenden Elementen. Die Variablen sind die Werte im Sys- tem, die der Entscheider beeinflussen kann und deren Werte so bestimmt werden sollen, dass die Zielfunktion je nach Problemtyp minimal oder maximal wird. In den meisten Fällen sind die Werte, die Variablen annehmen können durch Neben- bedingungen beschränkt. Dies können unter anderem Produktionskapazitäten sein.

Je nach Beschaffenheit der genutzten Daten und Art der Modellierung können verschiedene Modelle entstehen: Lineare, nicht lineare, statische, dynamische, deterministische, stochastische und Mischmodelle aus diesen Modellarten.6

Um diese Probleme zu lösen, kommen verschiedenste Algorithmen zum Einsatz. Einer der ältesten und bekanntesten ist der 1947 von George Dantzig entwickelte Simplex Algorithmus um lineare Optimierungs-Probleme zu lösen.

Die erwähnte Literatur geht auf eine Vielzahl von verschiedenen Modellen und Lösungsalgorithmen ein. Den Bereich von der linearen Programmierung bis hin zur nicht konvexen und ganzzahligen Optimierung abzudecken würde den Umfang dieser Arbeit jedoch sprengen.

2.1.2 Geschichte

Die Ursprünge des Operations Research liegen in Großbritannien der späten 1930er Jahre. Bereits vor Ausbruch des zweiten Weltkriegs wurde eine Gruppe von Wis- senschaftlern damit beauftragt die gerade neu aufkommende Technik des Radars optimal für Kriegszwecke zu nutzen. Es sollte herausgefunden werden, wie das Ra- dar dazu benutzt werden kann feindliche Flugzeuge kontrolliert abzufangen. Daher auch der Begriff: Es soll Forschung zur Verbesserung von Operationen in militäri- schen Auseinandersetzungen geleistet werden. Patrick Blackett (1897-1974) wird als Urheber dieser Verfahren angesehen. Diese Techniken hatten großen Erfolg bei der britischen Luftwaffe und halfen dabei den Luftkampf über Großbritannien zu gewinnen. Die Methoden hielten schnell Einzug in andere Militärische Bereiche und nach dem Krieg auch in den zivilen Sektor. In den 1960er Jahren hielt OR als Disziplin Einzug in die Universitäten. Schon Mitte der 1970er Jahre wurde von OR eine Lösung für beinahe jedes Entscheidungsproblem erwartet. Einem solchen Druck kann keine praktisch angewandte Wissenschaft lange standhalten. Dies führte zu einer ersten Stagnation des bis dahin rasanten Wachstums. Maximaler Erfolg sollte nicht mehr das einzige Entscheidungskriterium unternehmerischen Handels sein. Zu dieser Zeit hielten OR Consultants noch tagelang Meetings mit den Entscheidungsträgern ab um danach in ihr Büro zu verschwinden und im nächs- ten Meeting die harten und manchmal bestimmt auch unliebsamen Fakten zu prä- sentieren. Auf diese Zeit spielt auch die OR Definition von Stafford Beer an: „OR is an expensive way of being insulted by someone half your age“. Von dieser „Krise“ hat sich OR nur langsam erholt und ist heute, unter anderem auch wegen der seit Anfang hohen Interdisziplinarität dieser Disziplin, eher unter anderen Na- men bekannt.7

2.2 Aktuelle Entwicklungen

Dieser Abschnitt befasst sich mit Themen die aufgrund Ihrer Aktualität und Nähe zu OR gerade besonders interessant erscheinen. Bereits in den ersten Interviews wurden diese Begriffe immer wieder genannt.

2.2.1 Industrie 4.0

Das Schlagwort „Industrie 4.0“ ist seit seiner ersten Verwendung auf der Hannovermesse im Jahr 2011 in aller Munde. Es ist ein einprägsamer Begriff entstanden, der sich gut vermarkten lässt. Viele Unternehmen möchten daran Teil haben und richten ihr Marketing äußerst gerne nach diesem Begriff aus.8

Der von der Bundesregierung ins Leben gerufene Arbeitskreis Industrie 4.0 versteht darunter:

„ eine Vernetzung von autonomen, sich situativ selbst steuernden, sich selbst konfigurierenden, wissensbasierten, sensorgestützten und räumlich verteilten Produktionsressourcen (Produktionsmaschinen, Roboter, Förder- und Lagersysteme, Betriebsmittel) inklusive deren Pla nungs- und Steuerungssyteme “ 9

Durch diese Ansätze soll eine intelligente Fabrik (Smart Factory) entstehen. Diese soll in der Lage sein, die immer weiter zunehmende Komplexität automatisch zu beherrschen, durch laufende Kontrollen der Betriebsdaten in Echtzeit und rechtzei- tiges Eingreifen weniger störanfällig sein und erhöhte Effektivität durch allumfas- sende Kommunikation zwischen Menschen, Maschinen und Ressourcen schaffen.10

Diese Ideen sind nicht neu. Bereits in den 1980er Jahren wurde unter dem Begriff CIM (Computer Integrated Manufacturing) ähnliches propagiert. Damals definierte der Ausschuss für wirtschaftliche Fertigung (AWF) folgendes:

„ CIM beschreibt den integrierten EDV-Einsatz in allen mit der Pro duktion zusammenhängenden Betriebsbereichen. Es umfasst das informationstechnische Zusammenwirken zwischen CAD, CAP, CAM, CAQ und PPS. Hierbei soll die Integration der technischen und organisatorischen Funktionen zur Produkterstellung erreicht werden. Dies ist bedingt die gemeinsame Nutzung einer Datenbasis. “ 11

Auch hier wurde versucht verschiedene Bereiche der Produktion zu vernetzen und umfassend Informationen auszutauschen um daraus Mehrwerte zu erzielen. Aller- dings wurde dem Faktor Mensch zu dieser Zeit noch ein wesentlich kleinerer Anteil am Produktionsprozess zugesprochen und mehr Wert auf vollständige Automation gelegt. Der Mensch sollte nur noch eine überwachende Funktion einnehmen und am Produktions- und Entscheidungsprozess nicht aktiv teilnehmen. Heutzutage ist klar, dass der Menschen nicht komplett aus Entscheidungen herausgehalten werden kann. Vielmehr muss er zum Beispiel über geeignete Mensch-Maschine-Schnitt- stellen Anteil am Produktions- und Steuerungsprozess haben.12

2.2.1.1 Die vierte industrielle Revolution

Im Zusammenhang mit dem Begriff „Industrie 4.0“ wird auch immer wieder von der daraus resultierenden vierten industriellen Revolution gesprochen. Aus diesem Grund soll hier noch einmal auf die vorausgegangen Revolutionen eingegangen werden.

Die erste industrielle Revolution begann etwa ab dem Jahr 1750. Prägend war vor allem die Erfindung der Dampfmaschine und die daraus resultierenden Arbeitser- leichterungen durch entsprechende Maschinen in der Industrie. Durch die Abkehr von den durch die Natur vorgegebenen Standorten an Wasserläufen u.ä. konnte die industrielle Produktion das erste Mal deutlich flexibilisiert werden. Ab etwa 1870 begann die zweite industrielle Revolution durch Verwendung elektrischer Energie und des Einsatzes von Fließ- und Förderbändern in der Massenproduktion, die zu- sätzlich durch das Prinzip der Arbeitsteilung effizienter gemacht wurde. Abb.1 zeigt die ersten „disassembly lines“ in den Schlachthöfen von Cincinnati, die die geschlachteten Tiere von einem Arbeitsschritt zum nächsten transportierten. Aus diesen erwuchsen dann die „assembly lines“, die u.a. zur Produktion des Ford Mo- del T eingesetzt wurden. Auch Erdöl wurde als Ressource immer wichtiger. Die durch die Massenproduktion rapide sinkenden Preise, machten viele industriell her- gestellte Produkte das erste Mal für die breite Masse erschwinglich. Seit ungefähr 1960 lässt sich die dritte industrielle Revolution erkennen. Schlüsseltechnologien waren hier die Elektronik und die Informations- und Kommunikationstechnologie (IKT). Dadurch wurde die Automatisierung der Produktion immer weiter vorange- trieben. Als wichtige Werkzeuge können der Industrieroboter und CNC-Maschinen angesehen werden. Als wichtiger Faktor gilt auch die Globalisierung, die unter an- derem durch den Fall des Eisernen Vorhangs verstärkt, in dieser Zeit immer weiter zunahm.13

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Phasen der Industriellen Revolution 14

Nun wird mit der „Industrie 4.0“ und den dazugehörigen Schlagworten wie „Cyber physical systems“ oder „Internet of Things“ erwartet die vierte industrielle Revolu- tion auszulösen. Allgemein gefasst wird unter einer Revolution ein „ nachhaltiger struktureller Wandel eines oder mehrerer Systeme “ 15 verstanden. Ob die „Industrie 4.0“ tatsächlich in der Lage ist diesen nachhaltigen Wandel herbei zu führen, lässt sich nur beurteilen wenn diese Entwicklung in der Zukunft rückwirkend betrachtet wird. So wie es auch mit den letzten drei industriellen Revolutionen gemacht wurde. Der VDI spricht im Zusammenhang mit Industrie 4.0 mittlerweile von „überzogenen Erwartungen“16. Diese seien unter anderem darauf zurückzuführen, dass eine zu hohe Flexibilität die Produktivität mindert. Man scheint also bereits wieder von dem Ideal „Losgröße 1“ abzurücken.

Es ist mittlerweile nicht mehr von einer Revolution auszugehen, sondern eher von einer Evolution. Interessant in diesem Zusammenhang ist der Hype-Cycle von Gartner

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2: Gartner Hype Cycle 17

Nach diesem Modell durchlaufen neue Technologien fünf Phasen18:

- Technologischer Auslöser
- Ein potenzieller Durchbruch in einer bestimmten Technologie taucht auf und wird massiv durch die Medien bekannt gemacht. Zu diesem Zeitpunkt müssen noch keine nutzbaren Produkte exis- tieren. Auch ist der kommerzielle Nutzen noch nicht geklärt x Gipfel der überzogenen Erwartungen
- Durch frühe Popularität werden überzogene Erwartungen ge- weckt. Es gibt noch nicht viele erfolgreiche Anwendungen. Viele Unternehmen warten zunächst ab.
- Tal der Enttäuschungen
- Das Interesse geht verloren da immer mehr kritische Stimmen auf- tauchen und die Umsetzung auf Probleme stößt.
- Pfad der Erleuchtung
- Es kristallisiert sich immer weiter heraus wie die Technologie tat- sächlich helfen kann, da nun bekannt ist was nicht funktioniert. Die Sicht auf die Dinge wird realistischer.
- Plateau der Produktivität
- Die Technologie ist im „Mainstream“ angekommen. Die Kriterien für eine sinnvolle und wirtschaftlich vernünftige Umsetzung sind klar geworden.

Zusammengefasst muss eine neue Technologie nach diesem Modell erst eine Hype Phase, die zwangsweise zu überhöhten Erwartungen führt und eine anschließende Ernüchterung durchlaufen bis klar wird, wie verschiedenen Aspekte tatsächlich umsetzbar sind oder vielleicht zu einer Revolution führen.

Aktuell wäre alles rund um das Stichwort Industrie 4.0 nach diesem Modell kurz nach dem Gipfel der überhöhten Erwartungen einzuordnen. Dies wird durch die Problematik der fehlenden Standards und die Einsicht der überzogenen Erwartungen bestätigt. In der Abbildung befindet sich das eng mit dem Thema Industrie 4.0 verwandte Thema „Internet of Things“ an ähnlicher Stelle.

2.2.1.2 Vertikale und horizontale Integration

Um die Ideen der Industrie 4.0 erfolgreich umzusetzen ist es wichtig, dass die ver- schiedenen Systeme in den Hierachieebenen im Unternehmen eine durchgängige und standardisierte Lösung zur Kommunikation entwickeln. Diese Prämisse wird als vertikale Integration der IT-Systeme verstanden. Bestenfalls kommunizieren die IT-Systeme über alle Hierachieebenen hinweg über einheitliche Standards und in Echtzeit. Die ständige Verfügbarkeit aller relevanten Daten, wie zum Beispiel die Verfügbarkeit von Werkstücken oder Betriebsdauern, ermöglicht eine ständige Optimierung der Produktionsprozesse und somit können selbst kleinste Losgrößen effizient produziert werden. Diese Steuerungs- und Planungssysteme können so ef- fizient werden, dass selbst die „Losgröße 1“ nicht mehr als zu aufwändig angesehen wird.19

Analog dazu beschreibt die Horizontale Integration die Einbindung aller Systeme entlang der Wertschöpfungskette eines Produkts. Diese muss zwingend über die Unternehmensgrenzen hinweg geschehen. Dementsprechend müssen auch Kunden, Lieferanten und externe Dienstleister mit einbezogen werden. Das schafft Transpa- renz über die gesamte Wertschöpfungskette hinweg und kann dazu dienen die Vor- teile der vorausgegangenen vertikalen Integration der Systeme noch weiter zu ver- stärken. So entstehen noch weitreichendere Möglichkeiten für das Steuerungs- und Planungssystem, die Produktionsprozesse hinsichtlich Zeit und Abfolge zu opti- mieren, da schon vor Eintreffen der Rohstoffe oder Halbzeuge im verarbeitenden Unternehmen Informationen über diese vorhanden sind und genutzt werden kön- nen.20

Die erfolgreiche Umsetzung dieser Prinzipien führt dazu, dass alle im Unternehmen und auch darüber hinaus entstehenden Daten im gesamten System genutzt und verarbeitet werden können. Dies stellt eine logische Konsequenz aus der ständig zunehmenden Verfügbarkeit verschiedenster Daten durch die Umsetzung der Bestandteile von Industrie 4.0 dar.

2.2.1.3 Dezentrale Intelligenz

Unter dezentraler Intelligenz versteht man die Möglichkeit verschiedener Produk- tionsmittel- und Anlagen untereinander, unabhängig von zentraler und ortsgebun- dener Kommunikationstechnik, wichtige Informationen auszutauschen und auf- grund dieser selbstständig Entscheidungen treffen zu können. Um den Anforderungen der Dezentralität gerecht zu werden, wird eine drahtlose Kommu- nikation zwischen den Anlagen und Produktionsmitteln benötigt. Das „Internet der Dinge“ wird auf die verschiedenen Teile der Produktion ausgeweitet. Eine wichtige Voraussetzung für die erfolgreiche Umsetzung ist die Übertragungssicherheit, da drahtlose Systeme deutlich anfälliger für Störungen und Angriffe von außen sind. Auch die Flexibilität der Produktion kann durch eigenständige Produktionseinhei- ten, die drahtlos kommunizieren und sich selbst anhand der vorhandenen Informa- tionen steuern und optimieren, verbessert werden. Dies geschieht über den gesam- ten Wertschöpfungsprozess und über alle Produktionseinheiten hinweg21 Abb. 3 zeigt diese Kommunikation zwischen Maschinen in einem Wasserwerk.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3: Dezentrale M2M-Intelligenz 22

2.2.1.4 Dezentrale Steuerung

Aufbauend auf den Ideen zur dezentralen Intelligenz wird unter der dezentralen Steuerung eine flexible und ortsunabhängige Steuerung der Produktionsprozesse verstanden. Herkömmliche zentrale Steuerungssysteme, wie die speicherprogram- mierbare Steuerung (SPS), bestehen aus einer zentralen Steuerungseinheit in der alle Informationen von Sensoren und Aktoren zusammenlaufen, ausgewertet wer- den und als Befehle zurück geschickt werden. Diese Steuerungen sind hoch kom- plex und Softwareaktualisierungen sind nur unter einem meist nicht gerechtfertig- tem Aufwand möglich, sodass diese Systeme oft für lange Zeit unberührt in Betrieb bleiben. Die oft unvermeidbare Steuerung in Echtzeit stellt die zentrale Steuerung der Systeme gerade im Kontext von steigenden Datenmengen durch immer mehr Informationsquellen in der Industrie 4.0 vor weitere Herausforderungen23

Ziel der dezentralen Steuerung ist den zentralen Steuerungsschrank und die damit verbundenen Nachteile wie Inflexibilität oder den unwirtschaftlichen Anstieg benötigter Kabelverbindugen abzuschaffen.

2.2.1.5 Durchgängiges digitales Engineering

Ein durchgängiges digitales Engineering soll das Konzept des digitalen Engineerings auf den kompletten Produktions- und Wertschöpfungsprozess anwenden. Es zielt vor allem darauf ab den Planungs- und Produktionsprozess in seiner Gesamtheit digital und bestenfalls in Echtzeit zu visualisieren. Dabei werden drei wesentliche Aspekte beschrieben.

Zunächst der Aspekt der digitalen Fabrik, welche die physische Fabrik möglichst detailgetreu digital abbilden soll. In dieser Abbildung sollten Produkte, Betriebs- mittel, Gebäudetechnik, Maschinen und Anlagen vorhanden sein. Als Werkzeuge kommen bekannte Hilfsmittel wie CAD und verschiedene Systeme zur NC- Programmierung zum Einsatz. Im Gegensatz zum Aspekt der virtuellen Fabrik ist die digitale Fabrik statisch und bringt die Zustände des Systems nur in Echtzeit zum Ausdruck. Möchte man die digitale Fabrik nutzen um auch Aussagen über die Zu- kunft treffen zu können, muss man die Dimension Zeit dazu nehmen und kann so- mit dynamische Simulationen erstellen. Durch die virtuelle Fabrik lassen sich also die Zustände der digitalen Fabrik in der Zukunft simulieren und es lässt sich her- ausfinden wie sich bestimmte Zielgrößen wie z.B. Auslastung oder Durchlaufzeit verändern wenn man entsprechende Variablen verändert. Dadurch aufgezeigtes Verbesserungspotenzial kann in der realen Fabrik von morgen verwirklicht werden. In der virtuellen Fabrik kommen zur Visualisierung der zukünftigen Fabrik Virtual Reality (VR) und Augmented Reality (AR) zum Einsatz. Während die Virtual Re- ality komplett virtuell abbildet, kommt es bei der Augmented Reality zu einer Ver- mischung aus Realität und Simulation. So lassen sich z.B. geplante Produktions- straßen vor der Realisation auf Fehler untersuchen. Der letzte wichtige Aspekt ist ein geeignetes Datenmanagementsystem. Dieses System soll eine gemeinsame und integrierte Datenbasis schaffen, die von allen Abteilungen genutzt werden kann und die benötigten Daten für die Instrumente der virtuellen Fabrik zur Verfügung stellt. Die Daten sollen nur einmalig eingepflegt werden und können auf diese Weise mehrfach bei verschiedenen Aufgaben verwendet werden.24

2.2.1.6 Cyber-physisches Produktionssystem

Kombiniert man die zuvor genannten Technologien mit den schon etwas älteren Ideen von Warnecke25 zur Fraktalen Fabrik, entsteht daraus eines der zentralen Ele- mente der Industrie 4.0: Das Cyber-physische Produktionssystem. Bereits in den frühen Neunziger Jahren empfahl Warnecke die steigende Komplexität in der Pro- duktion mit Dezentralisierung der Produktion in sogenannte „Fraktale“ zu meistern. Allerdings fehlten damals die Technologien um diese Ideen umzusetzen. Dies ist heute nicht mehr so.26

„ Cyber-physische Systeme (CPS) [ … ] sind Objekte, Geräte, Gebäude, Verkehrsmittel, aber auch Produktionsanlagen, Logistikkomponenten etc., die eingebettete Systeme enthalten, die kommunikationsfähig ge- macht werden. “ 27

Es beschreibt also eine Produktionsanlage im Industrie 4.0 Ansatz in Gänze. Durch die ununterbrochene Kommunikation der eingebetteten Systeme finden Werkstü- cke eigenständig ihren Weg durch die Fertigung.

[...]


1 Vgl. Zimmermann 2008, S. Vff.

2 Müller-Merbach 1979, S.295

3 INFORMS (o.D.) – eigene Übersetzung

4 Lauterbacher 2003, S. 30

5 Vgl. Hillier und Lieberman 2015, S. 10.

6 Vgl. Lauterbacher 2003, S. 30.

7 Vgl. Fores und Krarup 2013, S. 265ff.

8 Vgl. Sendler 2013, S. 5f.

9 Kagermann et al. 2013, S. 24

10 Vgl. Kagermann et al. 2013, S. 24f.

11 AWF 1985, S. 10

12 Vgl. Schließmann 2014 S.451.

13 Vgl. Bauernhansl 2014, S. 5ff. und Schäfer 2015, S. 2ff.

14 Kagermann et al. 2012, S. 13

15 Weiß 2005, S. 583

16 Steiger 2015, S. 1

17 Gartner Inc. 2015

18 Gartner Inc. o.D.

19 Vgl. Brossardt 2014, S. 8 f.

20 Vgl. Brossardt 2014, S. 9 ff.

21 Vgl. Wörner 2013.

22 Hoppe 2014, S. 336

23 Vgl. Hompel und Libert 2006, S. 1f.

24 Vgl. Kapp und Constaninescu 2006, S. 9f.

25 Warnecke 1992

26 Vgl. Bildstein und Seidelmann 2014, S. 582.

27 Vgl. Bauernhansel 2014, S. 15f.

Ende der Leseprobe aus 57 Seiten

Details

Titel
Moderne OR-Anwendungen im Umfeld von Industrie 4.0 und Big Data
Hochschule
Technische Hochschule Köln, ehem. Fachhochschule Köln
Note
1,1
Autor
Jahr
2017
Seiten
57
Katalognummer
V412034
ISBN (eBook)
9783668645134
ISBN (Buch)
9783668645141
Dateigröße
1090 KB
Sprache
Deutsch
Schlagworte
Operations Research, Industrie 4.0, Big Data, Analytics
Arbeit zitieren
Christian Winkler (Autor), 2017, Moderne OR-Anwendungen im Umfeld von Industrie 4.0 und Big Data, München, GRIN Verlag, https://www.grin.com/document/412034

Kommentare

  • Noch keine Kommentare.
Im eBook lesen
Titel: Moderne OR-Anwendungen im Umfeld von Industrie 4.0 und Big Data


Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden