Refine
Document Type
- Contribution to a Periodical (6)
- Conference Proceeding (5)
- Part of a Book (3)
- Report (1)
Is part of the Bibliography
- no (15)
Keywords
- Big Data (5)
- BigPro (3)
- CPS (3)
- Complex Event Processing (1)
- Digitalisierung (2)
- Industrie 4.0 (4)
- Informationsflussmodell (1)
- Informationslogistik (1)
- Internet der Dinge (1)
- IoT (1)
Institute
„Daten sind das Öl des 21. Jahrhunderts.“ Dieser Satz impliziert die große Bedeutung, die Daten heutzutage zugerechnet wird. Während die technischen Systeme immer ausgereifter werden und die Erzeugungsrate von Daten unaufhaltsam steigt, stehen viele Unternehmen, gerade im Produktionsumfeld, vor der Herausforderung, diese Daten zu nutzenbringenden Informationen zu verarbeiten.
In BigPro haben Experten aus dem Informations- und Kommunikationstechnik-Umfeld mit Anwendungspartnern aus der Fertigungsbranche zusammengearbeitet, um dieses Problem zu adressieren. Ziel des gemeinsamen Vorhabens war es, das Reaktionsmanagement von Störungen in fertigenden Unternehmen mittels Big-Data-Technologien zu verbessern und so die durch Produktionsausfälle entstehenden hohen Kosten zu reduzieren. Hierzu wurde eine Big-Data-Plattform entwickelt, die in der Lage ist, heterogene Daten aus unterschiedlichsten Quellen des Produktionsumfelds aufzunehmen, zu verarbeiten und in einen Kontext miteinander zu setzen. Neben den klassischen Datenquellen im Produktionsumfeld wurde die Datenbasis in BigPro um den „Sensor“ Mensch erweitert, um das digitale Abbild der Produktionsumgebung durch die Wahrnehmung, Stimmung und Sprache der Mitarbeiter noch transparenter darzustellen.
Durch den Einsatz der im Projektverlauf entwickelten Mustererkennung ist die BigPro-Plattform in der Lage, die generierten und gesammelten Daten expliziten Störungsmustern zuzuordnen. Diese bilden die Grundlage, aufgezeichnete Datenkonstellationen in Echtzeit mit bekannten Störungsmustern im Produktionsumfeld abzugleichen und bei sich anbahnender Übereinstimmung geeignete Maßnahmen einzuleiten, um den Störungen proaktiv entgegenzuwirken. Hierzu wurde ein Katalog mit störungsbehebenden Maßnahmen methodisch aufgebaut, aus welchem, je nach Anwendungsfall, manuell oder automatisch geeignete Maßnahmen initiiert werden. Eine Methodik, welche die Effektivität der Maßnahmen analysiert und bewertet, stellt sicher, dass etwa fehlgeschlagene Maßnahmen erkannt und überprüft werden können. Sollte für eine Störung keine geeignete Maßnahme hinterlegt sein, wird der Maßnahmenkatalog dynamisch durch situationsabhängig neu generierte Maßnahmen erweitert. Die Informationsbereitstellung sowie -rückführung des Reaktionsmanagements erfolgt in Form einer skalierbaren Visualisierung bedarfsgerecht für die unterschiedlichen Nutzergruppen. Durch ein hinterlegtes Eskalationsmodell werden den Mitarbeitern alle nötigen Informationen entsprechend der Maßnahme direkt und vor allem nutzerspezifisch (z. B. aggregiert für die Produktionsleitung, detailliert für den Analysten, etc.) zur Verfügung gestellt.
Die entwickelte BigPro-Plattform trägt durch die technologische Integration einer Störungsfrüherkennung, einem dynamischen Maßnahmenkatalog sowie einer bedarfsgerechten Informationsbereitstellung essentiell dazu bei, die von zunehmender Dynamik geprägte Produktion durch ein proaktives Reaktionsmanagement robuster gegenüber Abweichungen zu machen, um kostspielige Produktionsausfälle zu vermeiden.
With big data-technologies on the rise, new fields of application appear in terms of analyzing data to find new relationships for improving process under-standing and stability. Manufacturing companies oftentimes cope with a high number of deviations but struggle to solve them with less effort. The research project BigPro aims to develop a methodology for implementing counter measures to disturbances and deviations derived from big data. This paper proposes a methodology for practitioners to assess predefined counter measures. It consists of a morphology with several criterions that can have a certain characteristic. Those are then combined with a weighting factor to assess the feasibility of the counter measure for prioritization.
Failure management in the production area has been intensely analyzed in the research community. Although several efficient methods have been developed and partially successfully implemented, producing companies still face a lot of challenges. The resulting main question is how manufacturers can be assisted by a sustainable approach enabling them to proactively detect and prevent failures before they occur. A high-resolution production system based on analyzed real-time data enables manufacturers to find an answer to the main question. In this context, Big Data technologies have gained importance since the critical success factor is not only to collect real-time data in the production but also to structure the data. Therefore, we present in this paper the implementation of Big Data technologies in the production area using the example of an actual research project. After the literature review, we describe a Big Data based approach to prevent failures in the production area. This approach mainly includes a real-time capable platform including complex event processing algorithms to define appropriate improvement measures.
Cyberphysische Systeme von kleinen und mittleren Unternehmen für kleine und mittlere Unternehmen
(2017)
Bisherige Ergebnisse der Plattformentwicklung beziehen sich auf die Referenzanwendungsfälle der Konsortialpartner des zugrundeliegenden Forschungsprojekts. Um mit dem CPS-Matchmaker eine mögl ichst große Anzahl von Anwendungsfällen und Technologien akkurat abzubilden, gilt es im nächsten Schritt, die Zuordnungen von Technologiemerkmalen zu den Anforderungen vollständig zu realisieren sowie den Fragenkatalog unter Hinzunahme weiterer Anwendungsfälle auszubauen. Des Weiteren sollen neben technischen Merkmalen ebenfalls wirtschaftliche Fragestellungen, wie beispielsweise das vom Werkzeugmaschinenlabor WZL der RWTH Aachen entwickelte Return-on-
Investment-Modell zur Betrachtung der Wirtschaftlichkeit des Technologieeinsatzes, in die Bewertung der Matchingqualität einer Technologie zu einem Anwendungsfall einbezogen werden.
Ein erster Demonstrator wurde dieses Jahr auf der 8. Aachener Informationsmanagement-Tagung im November 2017 vorgestellt. Dieser veranschaulicht das Funktionsprinzip der Plattform. Die Fertigstellung der Plattform soll zum Projektende Mitte 2019 erfolgen.
Derzeit prägen viele unterschiedliche Begriffe die Zukunftsdiskussionen in den Tages- und Fachzeitungen. Bislang gelingt es wenigen Unternehmen, diese Visionen auf ihre Problemstellungen und Herausforderungen zu übertragen und für sich zu nutzen. Dem können wir abhelfen - mit unserem Rapid-CPS-Workshop, speziell für interessierte Fachkräfte und Unternehmen entwickelt.
Produzierende Unternehmen sehen sich jeher den weitreichenden Konsequenzen von Produktionsausfällen und störungsbedingten Stillständen ausgesetzt. Als Lösung hierauf gilt Industrie 4.0 mit dem systematischen Lernen aus Daten für schnellere sowie bessere Entscheidungs- und Anpassungsprozesse. Neben kulturellen und organisationalen Anforderungen zur Umsetzung von Industrie 4.0 stellt der richtige Umgang mit Daten und insbesondere Big Data im zunehmend digital vernetzten Produktionsumfeld Unternehmen derzeit vor große Herausforderungen.
Im Forschungsprojekt BigPro wird die Frage beantwortet, wie Big Data aus der Produktion genutzt werden können, um das Störungsmanagement zu unterstützen. Dazu wurde ein Vorgehen entwickelt, das sicherstellt, dass die erforderlichen Informationen in der richtigen Form zu Verfügung stehen und das System zielgerichtet auf- und eingesetzt werden kann. Das Projekt „BigPro“ wird
über das Bundesministerium für Bildung und Forschung (BMBF) im Rahmen des Förderprogramms IKT 2020 – Forschung für Innovationen mit dem Förderkennzeichen 01IS14011 gefördert
Das Forschungsprojekt cyberKMU² am FIR widmet sich der plattformgestützten, anforderungsgerechten Auswahl von cyberphysischen Systemen. Dazu wird eine Matching-Logik entwickelt, die gemäß den vorliegenden Anforderungen an die Funktionalität eines CPS ein geeignetes cyberphysisches System vorschlägt. Gleichzeitig stellt die Plattform mit dem Return-on-CPS Informationen über den wirtschaftlichen Nutzen und eine Gegenüberstellung der erwarteten Kosten der jeweiligen Lösung bereit. Die Projektergebnisse werden in Form von physischen Demonstratoren bei den Anwendungspartnern und als öffentlich verfügbare Matching-Plattform validiert.
BigPro: Störungsfreie Produktionssysteme durch die Integration innovativer Big-Data-Technologien
(2016)
Das Forschungsprojekt BigPro hat die Entwicklung einer echtzeitfähigen Big-Data-Plattform zum Ziel, die die Anforderung einer konkreten industriellen Anwendbarkeit einschließt. Die Big-Data-Plattform ermöglicht die reaktionsfähige Gestaltung des Produktionssystems und die Realisierung eines proaktiven Störungsmanagements in der Wertschöpfungskette. Sie dient dazu, Störungen noch vor deren Auftreten zu prognostizieren und durch adäquate Reaktionsmaßnahmen zu verhindern. Aufgetretene Störungen sollen durch die Durchführung situationsgerechter Maßnahmen teil- und vollautomatisiert sowie reaktionsschnell behoben werden.
Manufacturing companies face the challenge of selecting digitalization measures that fit their strategy. Measures that are initiated and not aligned with the company’s strategy carry the risk of failing due to lack of relevance. This leads to an ineffective use of scarce human and financial resources. This paper presents a target system to help companies select relevant digitalization measures compliant with their strategy for IT-OT-integration projects. The target system was developed based on literature research and expert interviews, and later validated in two use cases. The target system considers the goals of production companies and combines them with digitalization measures. The measures are classified by different maturity levels required for their realization. Thus, the target system enables manufacturing companies to evaluate digitalization measures with regards to their strategic relevance and the required Industrie 4.0 maturity level for their realization. This ensures an effective use of resources.