Im Rahmen dieser Fallstudie wird bei dem Unternehmen Q-Automobile AG untersucht, wie die Effizienz der Produktion gesteigert werden kann, um Kosten zu sparen und die Qualität zu erhöhen. Bei dem Unternehmen Q Automobile wurden bereits technologische Strategien der Industrie 4.0 entwickelt. Nun steht die Durchführung eines digitalen Projektes zur Analyse von Sensordaten der Fräs- und Hohnmaschinen an.
Im ersten Gliederungspunkt wird das Projekt kurz vorgestellt und Möglichkeiten zur Problemlösung aufgezeigt. Anschließend findet sich die Zieldefinition. Der zweite Punkt stellt allgemeine theoretische Grundlagen zur Fallstudie dar. Dabei wird Big Data und die Entstehung bzw. Verarbeitung der Daten erläutert. Auch wird auf Data Mining eingegangen. Im dritten Gliederungspunkt werden digitale Lösungsansätze erarbeitet und auf die Problemstellung angepasst. Darunter fällt das Konzept Machine Learning. Auch wird dieser Teil durch Predictive Maintenance ergänzt.
Das vierte Kapitel zeigt die Erweiterung der IT-Infrastruktur auf und vermittelt mit Hilfe einer neuen Architektur die gewonnen Erkenntnisse. Weiterhin wird speziell auf Data Lake und Data Warehouse eingegangen, da diese sich als geeignete Werkzeuge zur Basis der Datenanalyse entwickeln. Das fünfte Kapitel erläutert den Projektplan und stützt sich dabei auf den Projektstrukturplan. Der letzte Teil der Arbeit fasst vorausgegangene Untersuchungen abschließend zusammen und gibt einen kurzen Ausblick in die Zukunft der Big Data Verwendungen.
Inhaltsverzeichnis
1. Einleitung
1.1 Aufbau/Vorgehensweise
1.2 Projektvorstellung
1.3 Problemlösung
1.4 Zieldefinition
2. Theoretische Grundlagen
2.1 Big Data und IoT
2.2 Data Mining
3. Digitale Lösungsansätze
4. Erweiterung der IT-Infrastruktur
5. Projektplan
6. Zusammenfassung und Ausblick
Zielsetzung & Themen
Diese Arbeit untersucht die Implementierung eines digitalen Pilotprojekts zur Effizienzsteigerung in der Fertigung der Q-Automobile AG mittels Data Analytics und Big Data Technologien. Die zentrale Forschungsfrage fokussiert sich darauf, wie Sensordaten von Fräs- und Hohnmaschinen systematisch ausgewertet werden können, um durch prädiktive Instandhaltung Stillstandzeiten zu reduzieren und die Produktivität nachhaltig zu erhöhen.
- Analyse und Verarbeitung von Big Data sowie Internet of Things (IoT) Datenströmen.
- Anwendung von Data Mining Verfahren und Machine Learning Algorithmen.
- Konzeptionierung einer IT-Infrastruktur bestehend aus Data Lake und Big Data Warehouse.
- Entwicklung eines Projektstrukturplans zur schrittweisen Implementierung digitaler Wartungsmodelle.
- Optimierung der Produktionsprozesse durch Predictive Maintenance.
Auszug aus dem Buch
3. Digitale Lösungsansätze
Mit Hilfe der Daten lassen sich an den Maschinen auch mögliche Standzeiten, oder kommende Wartungen vorhersagen. „Im Kern geht es darum, den Zustand von Maschinen kontinuierlich zu überwachen und darauf aufbauend Betrieb und Wartungsintensität zu optimieren. Damit das gelingt, müssen die gesammelten Messdaten automatisch interpretiert werden“ (Mehne.09.10.2020).
Diese Technologie nennt man Predictive Maintenance und bringt viele Vorteile in Bezug auf die Effektivität in der Fertigung mit sich. Die Wartung erfolgt in Abhängigkeit der Nutzung. Somit kann Arbeitszeit verkürzt und Ersatzteilkosten minimiert werden. Folglich kann die Lebensdauer der Ersatzteile und Bauteile optimal genutzt werden. Mitarbeiter können sich auf die o.g. Standzeiten einstellen und optimal darauf vorbereiten.
Beim Condition Monitoring wird der Zustand der Anlagen ständig überwacht. Daraus ergeben sich nur schwer planbare Stillstandzeiten. Diese Probleme werden dann im Rahmen von Predictive Maintenance eliminiert. Hierbei kommen Algorithmen zum Einsatz, welche lernfähig sind und somit die Qualität der Prognosen mit der Zeit und Anzahl der Anlagen steigern. Die Machine Learning Algorithmen sollen Zusammenhänge finden, um Anforderungen zu erfüllen und Ziele zu erreichen: Diese sollen eine Zustandsdiagnose vom System und eine Vorhersage zur verbleibenden, nutzbaren Lebensdauer geben.
Zusammenfassung der Kapitel
1. Einleitung: Die Einleitung beleuchtet die steigende Bedeutung von Big Data und Data Mining in Unternehmen zur Wissensgenerierung und stellt das Fallbeispiel der Q-Automobile AG vor.
2. Theoretische Grundlagen: Dieses Kapitel erläutert die technologischen Basisbegriffe wie Big Data, IoT und Data Mining sowie deren methodische Relevanz für die Datenanalyse.
3. Digitale Lösungsansätze: Es werden Konzepte wie Predictive Maintenance und Condition Monitoring vorgestellt, um den Maschinenzustand zu überwachen und die Wartungseffizienz zu steigern.
4. Erweiterung der IT-Infrastruktur: Hier wird die Architektur für die Datenverarbeitung analysiert, wobei der Fokus auf den Unterschieden und der komplementären Nutzung von Data Lake und Big Data Warehouse liegt.
5. Projektplan: Das Kapitel beschreibt die zeitliche und inhaltliche Gliederung des Pilotprojekts in Planungs-, Entwicklungs- und Implementierungsphasen.
6. Zusammenfassung und Ausblick: Diese Sektion resümiert die Ergebnisse der Fallstudie und gibt einen Ausblick auf zukünftige Optimierungspotenziale durch analytische Verfahren in der Produktion.
Schlüsselwörter
Data Analytics, Big Data, Fallstudie, Q-Automobile AG, Industrie 4.0, Data Mining, Predictive Maintenance, Machine Learning, Data Lake, Big Data Warehouse, IT-Infrastruktur, Sensordaten, Prozessoptimierung, Wissensentdeckung, Effizienzsteigerung
Häufig gestellte Fragen
Worum geht es in dieser Fallstudie grundsätzlich?
Die Arbeit beschäftigt sich mit der Nutzung von Sensordaten in der industriellen Fertigung, um durch moderne Datenanalysetechniken die Produktion effizienter zu gestalten.
Welche zentralen Themenfelder werden abgedeckt?
Die Schwerpunkte liegen auf Big Data Technologien, der IT-Architektur zur Datenspeicherung sowie Methoden zur vorausschauenden Wartung und Analyse von Maschinendaten.
Was ist das primäre Ziel der Arbeit?
Das Hauptziel besteht darin, ein digitales Pilotprojekt zu konzipieren, das die Stillstandzeiten von Maschinen durch automatisierte Sensordatenanalyse und maschinelles Lernen reduziert.
Welche wissenschaftlichen Methoden kommen zum Einsatz?
Die Arbeit nutzt die Methode der Fallstudie in Kombination mit einer fundierten Literaturrecherche und der technischen Architekturplanung zur Wissensentdeckung in Datenbanken (KDD-Prozess).
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in theoretische Grundlagen, die Erläuterung digitaler Lösungsansätze wie Predictive Maintenance, die infrastrukturelle Planung mittels Data Lake und Warehouse sowie einen konkreten Projektplan.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die Arbeit ist maßgeblich durch Begriffe wie Data Analytics, Predictive Maintenance, Industrie 4.0 und IT-Infrastruktur charakterisiert.
Warum ist die Unterscheidung zwischen Data Lake und Data Warehouse für die Q-Automobile AG relevant?
Die Unterscheidung ist wichtig, um sowohl rohe Sensordaten effizient speichern (Data Lake) als auch strukturierte, für Analysen aufbereitete Daten für Entscheidungsträger verfügbar machen zu können (Data Warehouse).
Welche Rolle spielt Machine Learning in diesem Projekt?
Machine Learning wird eingesetzt, um aus historischen Sensordaten Muster zu erkennen und somit Prognosen über den Zustand der Maschinen sowie deren verbleibende Lebensdauer zu treffen.
- Quote paper
- Marcel Mailli (Author), 2020, Big Data und Data Analytics. Erstellung eines digitalen Pilotprojektes zur Effizienzsteigerung in der Fertigung, Munich, GRIN Verlag, https://www.grin.com/document/993002
