Big Data trifft Produktion

Neun Pfeiler der industriellen Smart-Data-Analyse

  • Emanuel Trunzer TU München
  • Iris Weiß TU München
  • Thorsten Pötter Bayer
  • Christian Vermum Evonik Technology & Infrastructure
  • Matthias Odenweller Evonik Technology & Infrastructure
  • Stefan Unland Samson AG
  • Daniel Schütz Gefasoft
  • Birgit Vogel-Heuser TU München

Abstract

Durch die zunehmende Digitalisierung von Maschinen werden in der Produktion immer größere Mengen an Daten aufgezeichnet. Um diese Daten sinnvoll nutzen zu können, bieten sich datengetriebene Verfahren an, die aber durch die spezifischen Randbedingungen in der Produktion oft scheitern. Hier liegt die Lösung in der
Kombination datengetriebener Verfahren mit vorhandenem Expertenwissen. Dieser Artikel beschreibt die Voraussetzungen für eine erfolgreiche Datenanalyse im Produktionsumfeld und einen industriellen Datenanalyseprozess am Beispiel des SIDAP-Projekts.

References

  1. [1] TU München, Lehrstuhl für Automatisierung und Informationstechnik. (2018). SIDAP: Skalierbares Integrationskonzept zur Datenaggregation, -analyse, -aufbereitung von großen Datenmengen in der Prozessindustrie. Abgerufen von: www.sidap.de.
  2. [2] Trunzer, E., Weiß, I., Folmer, J., Schrüfer, C., Vogel-Heuser, B., Erben, S., ... & Vermum, C. (2017, December). Failure mode classification for control valves for supporting data-driven fault detection. In Industrial Engineering and Engineering Management (IEEM), 2017 IEEE International Conference on (pp. 2346-2350). IEEE.
  3. [3] Temmen, H., Argast, U., Welke, R., Theissen, M., & Wiedau, M. (2016). Intelligenter R&I-Austausch. atp magazin, 58(03), 54-65.
  4. [4] Trunzer, E., Kirchen, I., Folmer, J., Koltun, G., & Vogel-Heuser, B. (2017, March). A flexible architecture for data mining from heterogeneous data sources in automated production systems. In Industrial technology (ICIT), 2017 IEEE international conference on (pp. 1106-1111). IEEE.
  5. [5] Klettner, C., Tauchnitz, T., Epple, U., Nothdurft, L., Diedrich, C., Schröder, T., ... & Urbas, L. (2017). Namur Open Architecture. atp magazin, 59(01-02), 20-37.
  6. [6] Weiß, I., & Vogel-Heuser, B. (2018). Assessment of variance & distribution in data for effective use of statistical methods for product quality prediction. at-Automatisierungstechnik, 66(4), 344-355.
  7. [7] Trunzer, E., Wu, C., Guo, K., Vermum, C., & Vogel-Heuser, B. (2018, October). Data-Driven Approach to Support Experts in the Identification of Operational States in Industrial Process Plants. In IECON 2018-44th Annual Conference of the IEEE Industrial Electronics Society (pp. 3096-3101). IEEE.
  8. [8] Vogel-Heuser, B., Karaseva, V., Folmer, J., & Kirchen, I. (2017). Operator knowledge inclusion in data-mining approaches for product quality assurance using cause-effect graphs. IFAC-PapersOnLine, 50(1), 1358-1365.
  9. [9] Vermum, C., Unland, S. (2018). Schadensfallklassifikation von Ventilen und Retrofitting von bestehenden Anlagen: Anwendung für die Ventilfehlerdiagnose. In Produktions- und Verfügbarkeitsoptimierung mit Smart Data Ansätzen: Automation Symposium 2018, B. Vogel-Heuser, Ed., Göttingen: Sierke VERLAG, 2018, pp. 29–37.
  10. [10] Folmer, J., Kirchen, I., Trunzer, E., Vogel-Heuser, B., Pötter, T., Graube, M., ... & Arnu, D. (2017). Big und Smart Data-Herausforderungen in der Prozessindustrie. Automatisierungstechnische Praxis (atp), 1(59), 58-69.
  11. [11] Schleinitz, P., Steffen, M. (2018). Das SIDAP-Cloud-Konzept für Smart Data-Anwendungen in der Prozessindustrie. In Produktions- und Verfügbarkeitsoptimierung mit Smart Data Ansätzen: Automation Symposium 2018, B. Vogel-Heuser, Ed., Göttingen: Sierke VERLAG, 2018, pp. 93–107.
  12. [12] Venables, W.N., Smith, D.M. (2018). An Introduction to R: Notes on R: A Programming Environment for Data Analysis and Graphics, Version 3.5.1. Abgerufen von: https://cran.r-project.org/doc/manuals/r-release/R-intro.pdf
  13. [13] Shearer, C. (2000). The CRISP-DM model: the new blueprint for data mining. Journal of data warehousing, 5(4), 13-22.
  14. [14] Kirchen, I., Schütz, D., Folmer, J., & Vogel-Heuser, B. (2017, July). Metrics for the evaluation of data quality of signal data in industrial processes. In Industrial Informatics (INDIN), 2017 IEEE 15th International Conference on (pp. 819-826). IEEE.
Veröffentlicht
2019-02-13
Zitieren
TRUNZER, Emanuel et al. Big Data trifft Produktion. atp magazin, [S.l.], v. 61, n. 1-2, p. 90-98, feb. 2019. ISSN 2364-3137. Verfügbar unter: <http://ojs.di-verlag.de/index.php/atp_edition/article/view/2394>. Date accessed: 21 mai 2019. doi: https://doi.org/10.17560/atp.v61i1-2.2394.
Rubrik
Hauptbeitrag / Peer-Review

Am häufigsten gelesenen Artikel dieser/dieses Autor/in