Diese Arbeit behandelt ein digitales Pilotprojekt, bei dem es vor allem um die Optimierung und Effizienzsteigerung der Maschinen in der Feinbearbeitung geht. Zuerst müssen Ziele festgelegt werden, was sich durch die Veränderung positiv auswirken wird. Des Weiteren bestimmt man einen Bereichsrahmen, damit das Projekt nicht zu komplex wird. Auch ein Zeitraum sollte festgelegt und genügend Zeit eingeplant werden, sodass alle Mitarbeiter sich an die Erneuerung gewöhnen können. Das zuständige Team für das Projekt sollte bestimmt sein sowie die einzusetzenden Ressourcen. Wichtig ist auch die Planung der Weiterbildung der Mitarbeiter, außerdem müssen Kommunikationsstrategien festgelegt und Feedback organisiert werden. Zu guter Letzt sollen die Messwerte ermittelt und dokumentiert werden.
Inhaltsverzeichnis
1. Einleitung
2. Digitale Lösungsansätze
3. Möglichkeiten zur Erweiterung der IT-Infrastruktur
3.1 IT-Architekturen
3.2 Datenspeicherung, -analyse und -auswertung
4. Geeignete Werkzeuge
5. Der Projektplan (Gantt-Diagramm, Zeitplan)
6. Fazit
Zielsetzung & Themen
Die Arbeit verfolgt das Ziel, ein digitales Pilotprojekt zur Effizienzsteigerung in der Fertigung der „Q-Automobile AG“ zu konzipieren, um insbesondere hohe Stillstandzeiten durch ungeplante Maschinenausfälle zu minimieren. Dabei wird untersucht, wie eine bestehende IT-Infrastruktur erweitert werden kann, um mittels Data Analytics und Big-Data-Technologien eine datengestützte Prozessoptimierung zu ermöglichen.
- Analyse der IT-Infrastruktur und Möglichkeiten zur Erweiterung.
- Einsatz von Big-Data-Technologien (z.B. Hadoop, MapReduce) und Machine Learning zur Fehlererkennung.
- Bedeutung der Digitalen Fabrik für moderne Fertigungsprozesse.
- Anforderungen an Datenmanagement und Systemintegration.
- Erstellung eines strukturierten Projektplans zur Implementierung.
Auszug aus dem Buch
3.2 Datenspeicherung, -analyse und -auswertung
Um diese großen Daten (Big Data) erstmal speichern zu können, werden verschiedene Technologien eingesetzt. Die Daten sind zwischen strukturierten, semistrukturierten und unstrukturierten zu unterscheiden. Ungefähr 85% der Daten sind unstrukturiert oder semistrukturiert und nur ca. 15% sind strukturierte Daten.
Die meisten Datenbankanwendungen, also die klassischen Datentypen, bauen auf dem rationalen Datenbanksystem auf, und damit ist es einer der meist verwendeten Alternativen. Hier können strukturierte Daten gespeichert werden.
Darüber hinaus gibt es neue Datentypen, wie zum Beispiel geographische Daten, Graphen, Dokumente und Spaltendatentypen. Diese werden den NoSQL-Datenbanken zugeordnet. NoSQL-Datenbanken sind besonders für große Datenmengen, die in unstrukturierter Form vorliegen, geeignet. Hierzu zählen beispielsweise spaltenorientierte Datenbanken, die geschaffen sind, um Kennzahlen in Data-Warehouse- bzw. Business-Intelligence-Anwendungen zu aggregieren.
Die eben genannten Datenbanken können entweder von dem Cloud-Anbieter zur Verfügung gestellt oder auf dem eigenen Server gespeichert werden.
Wenn die Daten schon in strukturierter Form vorliegen, kann eine Microsoft SQL-Datenbank verwendet werden. Der Vorteil bei dieser Datenbank ist, dass das gesamte Back-up vom Anbieter heruntergeladen und lokal verwendet werden kann.
Zusammenfassung der Kapitel
1. Einleitung: Beschreibt die Ausgangslage in der Fertigung der Q-Automobile AG und das Ziel, ein digitales Pilotprojekt zur Reduzierung von Stillstandzeiten durch Sensordatenanalyse zu starten.
2. Digitale Lösungsansätze: Erläutert die Grundlagen von IoT und cyberphysischen Systemen sowie die Bedeutung von Data Analytics und Big Data für die industrielle Transformation.
3. Möglichkeiten zur Erweiterung der IT-Infrastruktur: Analysiert Anforderungen an die IT-Struktur und Datenverwaltung, um moderne Fertigungsprozesse wie die digitale Fabrik zu unterstützen.
3.1 IT-Architekturen: Definiert die IT-Architektur als Leitlinie für Planung und Betrieb und betont die Notwendigkeit von Rechenleistung und Systembreite für Echtzeit-Analysen.
3.2 Datenspeicherung, -analyse und -auswertung: Stellt Technologien für den Umgang mit Big Data vor, darunter SQL- und NoSQL-Datenbanken, MapReduce sowie Hadoop zur Verarbeitung großer Datenmengen.
4. Geeignete Werkzeuge: Identifiziert zentrale Werkzeuge wie Standardisierung, Datenmanagement, Systemintegration und Workflowmanagement für die Umsetzung einer digitalen Fabrik.
5. Der Projektplan (Gantt-Diagramm, Zeitplan): Skizziert den zeitlichen Ablauf eines solchen Pilotprojekts in Phasen, von der Analyse bis hin zur Schulung der Mitarbeiter.
6. Fazit: Führt aus, dass der Erfolg eines Big-Data-Projekts von der Kombination aus technischer Infrastruktur, effizientem Datenmanagement und dem gezielten Einsatz von Analytics-Werkzeugen abhängt.
Schlüsselwörter
Big Data, Data Analytics, Internet of Things, Fertigung, IT-Infrastruktur, Digitale Fabrik, Machine Learning, Hadoop, NoSQL, Prozessoptimierung, Sensordaten, Predictive Maintenance, Wissensmanagement, Industrie 4.0, Echtzeitanalyse
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit befasst sich mit der Planung und Umsetzung eines digitalen Pilotprojekts bei der Q-Automobile AG, um die Effizienz der Fertigung durch den Einsatz moderner Datenanalysetechnologien zu steigern.
Was sind die zentralen Themenfelder?
Zentrale Themen sind Big Data, industrielle Digitalisierung (Industrie 4.0), Datenmanagement, IT-Architektur und die Anwendung von Machine Learning in der Produktion.
Was ist das primäre Ziel oder die Forschungsfrage?
Das Hauptziel ist die Vermeidung von ungeplanten Maschinenausfällen in der Feinbearbeitung durch ein besseres Verständnis und die Analyse von hochfrequenten Sensordaten.
Welche wissenschaftliche Methode wird verwendet?
Es wird ein fallstudienbasierter Ansatz gewählt, der Interviews mit Verantwortlichen, eine Analyse technischer Rahmenbedingungen und die Erstellung eines Projektplans umfasst.
Was wird im Hauptteil behandelt?
Der Hauptteil widmet sich der Auswahl geeigneter IT-Infrastrukturen und Datenbanktechnologien sowie der Darstellung von Werkzeugen zur Implementierung einer digitalen Fabrik.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die Arbeit wird maßgeblich durch Begriffe wie Big Data, IoT, Digitale Fabrik, Predictive Maintenance und Datenintegration geprägt.
Wie unterscheidet die Arbeit zwischen Datenmanagement und Systemintegration?
Während das Datenmanagement sich mit der systematischen Pflege und Bereinigung von Bestandsdaten befasst, zielt die Systemintegration darauf ab, Insellösungen zu verbinden und eine durchgängige Datenkommunikation zu ermöglichen.
Welche Rolle spielen IoT-Sensoren für die Q-Automobile AG?
Die Sensoren sind entscheidend, da sie die Schwingungsdaten der Maschinen liefern, welche nach einer Analyse durch Algorithmen zur Vorhersage von Maschinenausfällen dienen können.
- Arbeit zitieren
- Gianna Griesbaum (Autor:in), 2020, Data Analytics und Big Data. Ein Pilotprojekt zur Effizienzsteigerung in der Fertigung, München, GRIN Verlag, https://www.grin.com/document/998571
