Big und Smart Data

Herausforderungen in der Prozessindustrie

  • Jens Folmer TU München
  • Iris Kirchen TU München
  • Emanuel Trunzer TU München
  • Birgit Vogel-Heuser TU München
  • Thorsten Pötter Bayer AG
  • Markus Graube TU Dresden
  • Sebastian Heinze TU Dresden
  • Leon Urbas TU Dresden
  • Martin Atzmüller Universität Kassel
  • David Arnu RapidMiner

Abstract

In der Prozessindustrie fallen eine Vielzahl unterschiedlicher, heterogener Daten an, und das Gesamtsystem kann aufgrund seiner Komplexität und Dynamik nicht komplett formal beschrieben werden. Daher untersuchen die Projekte Sidap und FEE die Eignung von Big- Data- und Smart-Data-Ansätzen in dieser Domäne. Obwohl beide Projekte unterschiedliche Ansätze verfolgen, ergeben sich gemeinsame Herausforderungen. Dieser Beitrag fasst diese zusammen und zeigt Lösungsansätze auf, beispielsweise durch die Schaffung eines gemeinsamen Datenverständnisses oder die Anreicherung der Daten mit Zusatzinformation.

References

  1. Vogel-Heuser, B., Schütz, D. und Folmer, J. (2015). Criteria-based Alarm Flood Pattern Recognition using Historical Data from Automated Production Systems (aPS). Mechatronics, 31, S. 89-100
  2. Atzmueller, M., Klöpper, B., Mawla, H. A., Jäschke, B., Hollender, M., Graube, M., Arnu, D., Schmidt, A., Heinze, S., Schorer, L., Kroll, A., Stumme, G. und Urbas, L. (2016). Big data analytics for proactive industrial decision support. atp edition, 58(9), S. 62-74
  3. Wiczorek, R. und Manzey, D. (2010). Is Operators‘ Compliance with Alarm Systems a Product of Rational Consideration? In: Proc. HFES 54, Santa Monica: Human Factors and Ergonomics Society, S. 1722-1726. Verfügbar unter: http://journals.sagepub.com/doi/ abs/10.1177/1071181311551061
  4. McAfee, A., Brynjolfsson, E., Davenport, T.H., Patil, D.J. und Barton, D. (2012). Big Data. The management Revolution. Harvard Bus Review, 90(10), S. 61-67
  5. Trunzer, E., Kirchen, I., Folmer, J. und Vogel-Heuser, B. (2017). A Flexible Architecture for Data Mining from Heterogeneous Data Sources in Automated Production Systems. In: Proceedings 18th IEEE International Conference on Industrial Technology (ICIT), IEEE
  6. Folmer, J., Schrüfer, C., Fuchs, J., Vermum, C. und Vogel-Heuser, B. (2016). Data-Driven Valve Diagnosis to Increase the Overall Equipment Effectiveness in Process Industry. In: Proceedings 14th IEEE International Conference on Industrial Informatics (INDIN), IEEE. Verfügbar unter: http://ieeexplore.ieee.org/xpl/ mostRecentIssue.jsp?punumber=7800953
  7. Nemati, H. R.; Steiger, D. M.; Iyer, L. S.; Herschel, R. T. (2002). Knowledge warehouse. An architectural integration of knowledge management, decision support, artificial intelligence and data warehousing. Decision Support Systems, 33(2), S. 143–161.
  8. DIN EN 60534-2-1 (2012).Industrial-process control valves - Part 2-1: Flow capacity - Sizing equations for fluid flow under installed conditions. http://www.beuth.de
  9. Hawkins, D. (1980). Identification of Outliers. London: Chapman and Hall
  10. Atzmueller, M., Schmidt, A., Kloepper, B. und Arnu, D. (2016). HypGraphs: An Approach for Modeling and Comparing Graph-Based and Sequential Hypotheses. In: Proc. ECML-PKDD Workshop on New Frontiers in Mining Complex Patterns (NFMCP), Springer
  11. Runde, S., Fay, A., Schmitz, S. und Epple, U. (2011). Wissensbasierte Systeme im Engineering der Automatisierungstechnik. at – Automatisierungstechnik, 59(1)
  12. Jäschke, B. und Kroll, A. (2016). Ein Nächste-Nachbarn- Ansatz zur Anomaliedetektion bei Massendaten aus kontinuierlich betriebenen Chemieanlagen. In: Proceedings 26. Workshop Computational Intelligence, KIT Scientific Publishing
  13. Pfeffer, J., Graube, M. und Urbas, L. (2014). Interaktion mit Big Data in Industriellen Wertschöpfungsnetzwerken. In: VDI-Berichte. Bd. 2222, VDI
  14. Graube, M., Pfeffer, J., Ziegler, J., und Urbas, L. (2012). Linked Data as Integrating Technology for Industrial Data. International Journal of Distributed Systems and Technologies, 3(3), S. 40–52
Veröffentlicht
2017-03-09
Zitieren
FOLMER, Jens et al. Big und Smart Data. atp magazin, [S.l.], v. 59, n. 01-02, p. 58-69, märz 2017. ISSN 2364-3137. Verfügbar unter: <http://ojs.di-verlag.de/index.php/atp_edition/article/view/623>. Date accessed: 18 dez. 2018. doi: https://doi.org/10.17560/atp.v59i01-02.623.

Am häufigsten gelesenen Artikel dieser/dieses Autor/in