Smart Production Lab

Vertikale Integration

Vom Shopfloor bis ins ERP-System

 
Das Lab 1

Ein weiteres wichtiges Element von Industrie 4.0 ist die vertikale Integration, bei der verschiedene Systeme auf unterschiedlichen Ebenen eines Produktionssystems durchgängig miteinander kommunizieren können – gemäß der Automatisierungspyramide von der Aktor- und Sensorebene im Shopfloor über die Steuerungsebene zur Prozess- und Betriebsleitebene bis hin zur Unternehmensleitebene.

Vertikale Integration im Smart Production Lab

Auch im Smart Production Lab erfolgt die vertikale Integration entsprechend der Automatisierungspyramide, wobei der Fokus aktuell auf den Stationen der Smart Production, der Produktionsplanung sowie dem ERP-Bereich liegt.

Produktionsplanung

Als Bindeglied zwischen Unternehmensleitebene und Automatisierungsebene stellt die Produktionsplanung die zentrale Kommunikationsdrehscheibe in der vertikalen Integration dar.

  • Vertikale Integration
  • Fertigungsplanung
  • Fertigungsoptimierung

Angewandte Forschung & Entwicklung

  • Kontextbezogene Maschinensteuerung (DNC Programme)
  • Lean Setup Management: KPI-Generator für Durchlaufzeit- und OEE-Analysen
  • Interaktive Feinplanung und Simulation von Planungsszenarien
  • Realisierung von Advanced Planning und Scheduling durch digitale Integration von Bestand und Bestellwesen
  • Vertikale Integration: Produktionscockpit zur Echtzeit-Darstellung der Produktion
  • Smartes Energiemanagement

Lean Setup Management

Die Anbindung der Fertigungsprozesse an digitale Tools in der Produktion (OEE-Portale) führt zu Effizienzsteigerung, Reduktion der Rüstzeit in operativen Prozessen, Echtzeit-Datenverfügbarkeit sowie Lean-Prozessoptimierung. Kombiniert mit autonomen Fertigungsrobotern bis hin zur industriellen Einzelfertigung wird das Ideal der kundenindividuellen Massenproduktion mit Losgröße Eins angestrebt.

  • 3D-Druck, 3D-Scan, Technik TV
  • Montageoptimierung mit GUNT-Bausätzen
  • Inbetriebnahme SPL
  • Autonome Auftragsabwicklung
  • Digitales Value Management
  • Simulation der optimalen Fertigungssteuerung

Use Case Advanced – Digitales Rüsten (Lean 4.0)

Durch effizientes Rüsten, unter dem Blickwinkel der digitalen Integration der Anlagen, wird die Durchlaufzeit optimiert. Dies ist durch eine konsequente Ausrichtung mit Lean-Methoden möglich.

Forschungsfragen

  1. Wie können die Gestaltungsmöglichkeiten des Rüstens im Kontext zu Industrie 4.0 optimiert werden?
  2. Welchen Einfluss hat Digitalisierung auf die Optimierung der OEE – kurz für Overall Equipment Effectiveness?
  3. Welche Möglichkeiten bietet Echtzeit-Datenverfügbarkeit, um Vorteile aus der I4.0-induzierten Rüstoptimierung abzubilden?

Ziele

  1. Variantenreduktion bei Lieferantinnen, Lieferanten und Produkten
  2. Reduktion von Prozesszeiten und -kosten
  3. Vereinfachte Abwicklung der Wiederbeschaffung ohne Zwischenlagerung

Unser Beitrag Im Fokus stehen die Voraussetzungen für die Einführung von „Lean 4.0“-Konzepten, um schlanke Prozesse durch Digitalisierung zu erreichen. Zudem wird die Evaluierung und Auswahl von Maschinen-Materialien-Kombinationen für das Lean Setup Management erforscht.

Use Case Research – Digitale Optimierung 4.0

Durch die Produktionssteuerung in Echtzeit von autonomen Fertigungsrobotern zur Herstellung von Mustern bis hin zur industriellen Einzelfertigung wird das Ideal der kundenindividuellen Massenproduktion mit der Losgröße Eins angestrebt.

Forschungsfragen

  1. Wie können die Optimierungsmöglichkeiten im Kontext zu Industrie 4.0 maximiert werden?
  2. Welchen Einfluss hat Digitalisierung auf Optimierung des OEE-Werts?
  3. Welche Möglichkeiten bietet Echtzeit-Datenverfügbarkeit, um Vorteile aus der I4.0-induzierten Prozessoptimierung darstellen zu können?

Ziele

  1. Variantenoptimierung durch proaktive Bedarfsanalyse
  2. Reduktion von Prozesszeiten und -kosten durch Digitalisierung
  3. Vereinfachte digitale Abwicklung der Produktionsaufträge

Unser Beitrag

Die Forschungsaktivitäten in diesem Bereich fokussieren auf die Ermittlung der organisatorischen und strukturellen Voraussetzungen zur Einführung von Lean 4.0 – schlank durch Digitalisierung. Zudem unterstützt die Fokusgruppe die Evaluierung und die Auswahl von Lean-4.0-geeigneten Materialien.

Vertikale Integration

Unter Vertikaler Integration werden ineinandergreifende IT-Systeme verstanden, die mittels industrieller Schnittstellen die Funktionen von der Auftragsannahme über die Grob-und Feinplanung bis hin zur Maschinensteuerung sowie von der Sensorik über Gateways zu Produktionsanalysen abdecken.

  • Konzeption klassischer vertikaler Integration
  • Erste Systeme und Schnittstellen implementiert
  • Realisierung der digitalen Produktion
  • Echtzeitanalyse von Produktionsdaten und Aufbau von Datenbypässen
  • Entwicklung von neuen Systemarchitekturen inklusive IoT-Ansätzen

Use Case Advanced – Vertikale Integration

Vertikale Integration State-of-the-Art zeigt eine papierlose Fertigung durch durchgängige, bidirektionale Datenintegration gemäß der Automatisierungspyramide (Level 1 bis 4 und Shopfloor). Dazu werden alle IT-Systeme von ERP über MES zur Steuerung und Fertigung integriert.

Forschungsfragen

  1. Wie funktioniert eine papierlose Produktion?
  2. Welche Funktionen sind für eine moderne Produktion sinnvoll: Von welchen Ebenen (Level 1-4) und Systemen (SPS, SCADA, MES, ERP) werden diese abgedeckt?
  3. Welche Systemschnittstellen sind geeignet, welche Standards zur Kommunikation entwickeln sich?

Ziele

  1. Demonstration einer digitalen Produktion
  2. Abbildung der Systemarchitektur und Funktionszuordnung
  3. Darstellung einer durchgängigen Datenintegration

Unser Beitrag

Im Fokus steht der Aufbau einer vertikalen Integration mit einem SAP S4, einer MES-Lösung von Industrieinformatik und Maschinenanbindung mit B&R. Dies umfasst die Implementierung sämtlicher Schnittstellen zur Demonstration einer papierlosen digitalen Produktion und durchgängigen Datenintegration vom ERP zum Shopfloor und zurück für ein Reporting.

Use Case Research – Neue Systemarchitekturen

Unter Berücksichtigung von IoT-Ansätzen wird die Auflösung der vierstufigen vertikalen Integration untersucht. In neuen Systemarchitekturen sollen Funktionen zur Produktionsplanung und -steuerung in verteilten Systemen genützt und analysiert werden.

Forschungsfragen

  1. Welche Funktionen werden künftig von Systemen der Automatisierungspyramide abgedeckt, welche in Cloud- oder SaaS-Produkten?
  2. Welche Produktionsdaten werden zukünftig zentral, dezentral beziehungsweise sowohl als auch verwaltet?
  3. Welche neuen Systemarchitekturen entstehen aus Kombination von IoT und vertikaler Integration?

Ziele

  1. Aufbau von Datenbypässen zu Systemen in der Cloud
  2. Echtzeitanalyse von Produktionsdaten aus dezentralen Systemen
  3. Aufbau neuer Systemarchitekturen

Unser Beitrag

Die Forschung konzentriert sich auf die Untersuchung, welche Funktionen der klassischen vertikalen Integration zukünftig auf welchen Ebenen beziehungsweise von welchen Diensten verrichtet werden. Dabei werden potenziell redundante Datenströme, die Rolle von zentralen oder dezentralen Systemen sowie die Entwicklung neuer Systemarchitekturen analysiert.

Smart Production

Smart Production beinhaltet die Herstellung von Produkten mit neuen Technologien sowie die digitale Anbindung der Maschinen. Durch die Integration von Augmented-Reality-Technologien und modernen Rüstszenarien werden Prozessoptimierungen demonstriert und digitales Lernen ermöglicht.

  • Additive Manufacturing
  • Prozessoptimierung – Lean Production
  • Digitales Lernen

Angewandte Forschung & Entwicklung

  • Variantenoptimierung durch proaktive Bedarfsanalyse unter Berücksichtigung kundenspezifischer Qualitätsanforderungen
  • Augmented Reality: Reduktion von Prozesszeiten & -kosten
  • Smart Additive Manufacturing
  • „Lernen 4.0“ mittels Augmented Reality: individuelles „(Hands-free) On-Demand-Learning“
  • IoT-Fähigkeit von Maschinen: Prozessoptimierung durch echtzeitfähiges Maschinenabbild
  • Digitaler Zwilling: virtuelle Asset Verwaltung

Augmented Reality (AR)

Schaffung von „Quick Wins“ für produzierende Unternehmen durch den Einsatz von Augmented Reality: Verkürzung von Wegzeiten, Vermeidung von Wartezeiten, Erleichterung monotoner Arbeiten, On-Demand-Training und Simulation etc.

  • Evaluierung der Industrietauglichkeit aktueller AR-Technologien mit Schwerpunkt Datenbrillen
  • Verminderung der Einstiegsbarrieren im Bereich AR durch den Einsatz bekannter Applikationen
  • Erhebung von Good-Practice-Beispielen für den Einsatz von Augmented Reality in der Industrie entlang der Wertschöpfungskette
  • Schaffung einer Testumgebung für AR Use Cases
  • Empirischer Usability-Test – Voice Recognition
  • Analyse der Einsatzmöglichkeiten von Augmented Reality im Bereich „Lernen 4.0“

Use Case Advanced – Prozessoptimierung mittels AR

AR-Technologien wie Smartwatches oder Datenbrillen stellen Informationen bedarfsorientiert für industrielle Prozesse zur Verfügung. Rein sprachgesteuerte, stromautonome Datenbrillen ermöglichen den ortsunabhängigen Zugriff auf relevante Prozessdaten.

Forschungsfragen

  1. Welche AR-Technologien sind für welche industrielle Anwendung geeignet?
  2. Wie führt der Einsatz von AR-Datenbrillen zur Optimierung in der industriellen Wertschöpfungskette?
  3. Welche Applikationen können auf industrietauglichen AR-Brillen sinnvoll Anwendung finden?

Ziele

  1. AR-Technologieüberblick in Bezug auf Industrietauglichkeit
  2. Rasche Einsetzbarkeit von AR-Datenbrillen (Quick Win für die Industrie)
  3. Entwicklung konkreter Anwendungsszenarien für die Industrie

Unser Beitrag

Die Forschungstätigkeit bezieht sich auf die Analyse und Entwicklung konkreter AR-Anwendungsszenarien für die Industrie. Die Schwerpunkte liegen auf der Prozessoptimierung mittels AR-Technologien. Daneben werden Schnittstellenanbindung sowie Sprachsteuerung im industriellen Umfeld analysiert.

Use Case Research – Personalentwicklung 4.0

AR ermöglicht es, individuell und direkt am Arbeitsplatz Informationen abzurufen oder (Entscheidungs-)Simulationen durchzuführen. Zudem bietet der Einsatz von virtuellen 3D-Modellen Möglichkeiten, mit oder an virtuellen Maschinen zu arbeiten und so die nötigen Kompetenzen zu erwerben.

Forschungsfragen

  1. Welche Möglichkeiten bieten AR-Technologien für die Weiterbildung von Mitarbeiterinnen und Mitarbeitern?
  2. Wie können Daten über Schnittstellen an das Wearable übertragen und verarbeitet werden?
  3. Wie müssen Lernszenarien aufbereitet sein, um AR-gestützten Kompetenzerwerb sicherzustellen?

Ziele

  1. Entwicklung von AR-gestützten Lernmethoden
  2. Schaffen von Schnittstellen, um Daten an das Wearable zu koppeln
  3. Ausarbeitung von Use Cases für AR-Learning entlang der Wertschöpfungskette

Unser Beitrag

Die Forschungstätigkeiten sind auf die Analyse und Entwicklung konkreter AR-gestützter Lernszenarien entlang der industriellen Wertschöpfungskette ausgerichtet. Die Schwerpunkte sind On-Demand-Learning am Arbeitsplatz sowie Training mittels 3D-Modellen. Die Forschungsergebnisse führen zu einem Lern-Management-System für (Industrie-)Unternehmen.

Internet of Things (IoT)

Unter Internet of Things wird die IP-Fähigkeit von Maschinen und Dingen im Produktionsumfeld verstanden, so dass deren Daten nutzbar gemacht werden können. Integrierte und vernetzte IT-Systeme können so zum Zweck einer flexibleren und optimierten Produktion auch unternehmens- und standortübergreifend miteinander kommunizieren.

  • Anbindung und Visualisierung erster Maschinendaten
  • Auswahl und Umsetzung weiterer IoT-Anbindungsvarianten
  • Retrofitting aller Maschinen inklusive Gateways und digitalen Schnittstellen
  • Datenmodellierung von Maschinen auf Basis von Sensordaten
  • Erstellung Digitaler Zwillinge und Anlagen-(Asset-)Verwaltung in der Cloud

Use Case Advanced – IoT-Fähigkeit von Maschinen

Die digitale Kommunikation mittels integrierter IT-Systeme und Interprotokoll (IP) ist die Grundlage für das Internet of Things. Maschinen unterschiedlichen Alters und basierend auf unterschiedlichen Technologien werden IP-fähig gemacht und über dezentrale IT-Systeme vernetzt (Retrofitting).

Forschungsfragen

  1. Wie können nicht IP-fähige Maschinen IoT-fähig gemacht werden?
  2. Welche Möglichkeiten der IoT-Anbindung von Maschinen sind zweckmäßig, welche Kommunikationsstandards entwickeln sich?
  3. Welche Sensorinformationen müssen für die Modellierung eines virtuellen Abbilds der Assets – des digitalen Zwillings – aufbereitet werden?

Ziele

  1. Praxisnahe Konzepte zu Retrofitting-Ansätzen
  2. Auswahl situationsbedingter Retrofitting-Ansätze
  3. Erstellung eines Datenmodells von Maschinen

Unser Beitrag

Die Forschungsaktivitäten enthalten die Untersuchung möglicher Settings und Standards im Bereich Retrofitting von Maschinen sowie deren situationsabhängigen Vergleich. Die Anbindungsalternativen zu Gateways integrierter On-Premise- oder Cloud-Systemen werden aufgezeigt. Dies ist die Basis für die Datenmodellierung von Maschinen.

Use Case Research – Digitaler Zwilling

Mit Hilfe eines digitalen Zwillings, einer virtuellen Abbildung einer Maschine oder Anlage, können Produktionsabläufe simuliert und optimiert werden. Die zugrundeliegenden Modelle basieren auf realen Sensordaten der physischen Objekte, Stoff- oder Energieströmen.

Forschungsfragen

  1. Wo werden Produktionsdaten effektiv und effizient verarbeitet; was spricht für einen Wechsel zu Cloud-Systemen?
  2. Welche Modelle und Systeme sind für die digitale Abbildung der Anlagen erforderlich?
  3. Welchen Nutzen birgt der digitale Zwilling beispielsweise im Hinblick auf Flexibilität, Entwicklungszyklen und Produktionsoptimierung?

Ziele

  1. Analyse von On-Premise- und Cloud-Computing-Ansätzen
  2. Aufbau eines digitalen Zwillings, Asset-Verwaltung
  3. Nutzenanalyse des digitalen Zwillings im Produktionsumfeld

Unser Beitrag

Die Forschungsaktivitäten enthalten die Untersuchung einer Kombination von On-Premise- und Cloud-Systemen. Aufbauend auf den Ergebnissen wird eine Anlagen-(Asset-)Verwaltung sowie ein digitaler Zwilling entwickelt. Dies ist Basis für weiterführende Forschung bezogen auf den generierbaren Nutzen und das Optimierungspotenzial in der Produktion.

Smart Additive Manufacturing

Die digitale Anbindung der Fertigungsprozesse an generative Fertigungsverfahren soll in Zukunft verstärkt zur Effizienzsteigerung beitragen. Diese wird durch Integration für eine schnelle und kostengünstige Fertigung von Modellen, Mustern, Prototypen, Werkzeugen und Endprodukten erreicht. Durch den Einsatz künstlicher Intelligenz (KI) lassen sich darüber hinaus Prozessschritte autonomisieren und optimieren.

  • 3D-Druck – Fused Deposition Modeling
  • 3D-Druck – Stereolithografie, 3D-Scan
  • Integrierte spanende Fertigung – Smart Production Lab
  • 3D-Druck – selektives Lasersintern (SLS)
  • Künstliche Intelligenz (KI)
  • Autonome Auftragsabwicklung
  • Simulation der optimalen Fertigungssteuerung

Use Case Advanced – Digitale additive Fertigung

Die additive Fertigung erfolgt auf Basis digitaler Datenmodelle aus formlosem Material wie Flüssigkeiten, Gelen, Pasten, Pulver und ähnlichem oder aus formneutralem – band-, draht- oder blattförmigem – Material mittels chemischer und/oder physikalischer Prozesse.

Forschungsfragen

  1. Wie können Modelle, Muster, Prototypen, Werkzeuge und Endprodukte anwendungsspezifisch optimiert werden?
  2. Wie beeinflusst die additive Fertigung die Variantenkonfiguration für die Losgröße Eins?
  3. Welche Vorteile bieten generative Fertigungsverfahren für den nachhaltigen Unternehmenserfolg?

Ziele

  1. Variantenoptimierung durch proaktiver Bedarfsanalyse
  2. Reduktion von Prozesszeiten und -kosten für die optimale Flexibilität
  3. Vereinfachte Abwicklung der Produktionsaufträge

Unser Beitrag

Die angewandten Forschungstätigkeiten fokussieren auf die Ermittlung der technologischen Voraussetzungen zur Einführung von generativen Fertigungsverfahren unter Berücksichtigung der Integration mit digitalisierten Geschäftsprozessen.

Use Case Research –Intelligente additive Fertigung

Digitalisierung von Fertigungsprozessen durch generative Verfahren bringt Flexibilität und Kostenvorteile. Dabei wird auf intelligente Assistenzsysteme und autonome Steuerung gesetzt. Die funktionale Sicherheit und integrierte Anwendung von digitalen Versuchsmodellen stehen im Vordergrund.

Forschungsfragen

  1. Welche Möglichkeiten eröffnet die Künstliche Intelligenz (KI) für die Findung der optimalen Fertigungssteuerung?
  2. Welche Vorteile bieten generative Fertigungsverfahren für den nachhaltigen Unternehmenserfolg?

Ziele

  1. Reduktion von Prozesszeiten und -kosten
  2. Optimierte Abwicklung der Produktionsaufträge
  3. Dynamische Synchronisation des Kundenbedarfs mit Fertigungsmöglichkeiten

Unser Beitrag

Die angewandten Forschungstätigkeiten beschäftigen sich in diesem Bereich mit der Ermittlung der technologischen Voraussetzungen zur Verwendung von generativen Fertigungsverfahren unter Berücksichtigung von Künstlicher Intelligenz (KI).

ERP & Reporting

Moderne ERP-Systeme auf der Basis von In-Memory-Technologien stellen eines der zentralen Elemente digitaler Unternehmen dar. Neben der Abbildung konventioneller Geschäftsprozesse ermöglichen moderne ERP-Systeme eine flexible Planung, Steuerung und Überwachung der gesamten betrieblichen Wertschöpfung in Echtzeit.

  • Digitalisierung von Geschäftsprozessen
  • Echtzeit-Reporting
  • Flexible Produktionsplanung und -steuerung

Angewandte Forschung & Entwicklung

  • Latenzfreie vertikale Integration mit Manufacturing-Execution-Systemen sowie Steuer- und Leittechnik auf Shopfloor-Ebene
  • Hybrid Advanced Analytics: Implementierung eines zentralen Datalakes mit internen und externen Daten für Advanced Big Data Analytics
  • Eventgesteuerte Bereitstellung entscheidungsrelevanter Information in Form von Smart Reports über das Internet
  • Track & Trace: Location Based Information

Track & Trace

Unter Track and Trace wird die Lokalisierung und Nachverfolgung von Produktionsfaktoren mittels IT-gestützter Technologien verstanden.

  • Konzeption eines geeigneten Netzwerkes zur Splittung von Asset- und Besucher-WLAN
  • Installation spezifischer WiFi-Komponenten und der Hyperlocation-Hardware und -Software
  • Entwicklung einer Heatmap-Auswertung zur Visualisierung von Datenströmen
  • Generierung von Information und / oder Services auf Basis der Positionsdaten von Assets oder Besucherinnen und Besuchern
  • Implementierung von Big-Data-Auswertungen zur Verknüpfung mit anderen Produktionsdaten

Use Case Advanced – Hyperlocation

Unter Hyperlocation wird das Erheben von Lokalisierungsdaten unter Verwendung unterschiedlicher Wireless-Technologien verstanden. Diese Lokalisierungsdaten werden auf einer Heatmap, ähnlich einer Landkarte mit Bewegungsdaten, visualisiert.

Forschungsfragen

  1. Wie kann eine (Wireless-)Lokalisierung von Besucherinnen und Besuchern sowie Assets durchgeführt werden?
  2. Welche Technologien sind für welche Reichweite und Genauigkeit geeignet?
  3. Welche Rückschlüsse können aus den generierten Daten auf einen Einsatz von mobilen Assets für die Produktion gezogen werden?

Ziele

  1. Heatmap-Darstellung von Besucherströmen und Assets
  2. Erhebung der Performance von Lokationstechnologien
  3. Filterung nach Verweildauer zu Optimierungsansätzen

Unser Beitrag

Die Forschungsaktivitäten enthalten die Untersuchung von über wireless-gewonnenen Lokalisierungsdaten zur Visualisierung von Strömen über Heatmaps. Dies umfasst sowohl die technologische Basiskonfiguration und einen Technologievergleich in Bezug auf Genauigkeit und Reichweite als auch die Konfiguration von Filterfunktionen und die zeitliche Verfolgung der Daten.

Use Case Research – Location Based Information

Bei Location Based Information werden Positionsdaten gesammelt und selektive Informationen zur aktuellen Position der Endnutzerin beziehungsweise dem Endnutzer bereitgestellt oder dadurch mögliche Dienste anderer Art angeboten.

Forschungsfragen

  1. Welche Optimierungen sind aus positionsabhängigen Informationen mobiler Assets ableitbar?
  2. Welche Services können Mitarbeitern aufgrund ihrer Position in der Produktion angeboten werden?
  3. Wie können durch Big-Data-Analysen Track&Trace-Daten mit anderen Infos verknüpft werden, um Korrelationen zu identifizieren?

Ziele

  1. Soll-/Ist-Vergleich von Wegen mobiler Assets für Logistik und Produktion
  2. Service Engineering für „Track & Trace”-Anwendungen
  3. Implementierung von Big-Data-Auswertungen

Unser Beitrag

Die Forschungsaktivitäten betreffen den Nutzengewinn aus der Information, die durch das Tracking und Tracing von Personen, Maschinen und anderen Assets in der Produktion gewonnen wird, wie zum Beispiel Sicherheitshinweise für Produktionsmitarbeiterinnen und -mitarbeiter. Die Verknüpfung mit anderen produktionsbezogenen Daten ermöglicht die Analyse von Optimierungspotenzialen in der Logistik und Produktion.

Advanced Analytics

Unter Advanced Analytics werden Datenanalysen verstanden, die mathematische und statistische Methoden und Algorithmen nutzen, um neue Informationen zu erzeugen, Muster zu erkennen und Vorhersagewerte mit den zugehörigen Wahrscheinlichkeiten zu berechnen.

  • Erfassen von Sensordaten in Echtzeit und Übertragung an SAP HANA
  • Darstellung von Maschinendaten in Echtzeit
  • Ausbau der SAP HANA zum zentralen Datalake am Beispiel des Smart Production Labs
  • Implementierung von Predictive Analytics
  • Aufbau einer adaptiven Rule Engine für Complex Event Processing
  • Prototyping von Machine-Learning-Ansätzen im Produktionsumfeld

Use Case Advanced – Realtime-Reporting

Digitalisierung führt zu großen Datenmengen, die mit In-Memory-Technologien schnell selektiert, verarbeitet und aufbereitet werden. Maschinen- und Prozessdaten ermöglichen Echtzeitüberwachung einer digitalisierten Produktion sowie flexible und zeitnahe Steuerung und Optimierung.

Forschungsfragen

  1. Wie können unstrukturierte Daten in strukturierte Daten umgewandelt werden, sodass sie für Advanced Analytics nutzbar werden?
  2. Wie lässt sich eventorientierte Produktionsüberwachung umsetzen?
  3. Wie sind moderne In-Memory-Systeme für Echtzeitüberwachung und -analyse digitaler Produktionssysteme zu nutzen?

Ziele

  1. Implementierung eines Data Lakes für Produktionsdaten
  2. Datenintegration auf der Basis von SAP HANA
  3. Implementierung eines echtzeitbasierten Produktions-Reportings

Unser Beitrag

Die Forschungsaktivitäten fokussieren auf die Möglichkeiten und Grenzen des Einsatzes von In-Memory-Systemen in einer digitalisierten Fabrik. Dies umfasst die Konzeption und Implementierung von Szenarien zur Verarbeitung und entscheidungsorientierten Aufbereitung von Sensordaten in Echtzeit.

Use Case Research – Hybrid Advanced Analytics

Hierunter ist die Integration etablierter Datawarehouse-Strukturen mit modernen, Big-Data-basierten Analysekonzepten zu verstehen. Mit diesen Szenarien werden ereignisgesteuerte Analysen beziehungsweise Reaktionen in Echtzeit ermöglicht, Zusammenhänge erkannt und Prognosen abgeleitet.

Forschungsfragen

  1. Auf welcher Systemebene können prädiktive und präskriptive Analysen durchgeführt werden?
  2. Wie können klassische Business-Intelligence-Ansätze mit modernen Advanced-Analytics-Konzepten integriert werden?
  3. Auf welchen Ebenen sind Regeln einer Rule Engine für Complex Event Processing zu implementieren?

Ziele

  1. Entwicklung von Advanced-Analytics-Szenarien
  2. Konzept eines hybriden Big-Data-Analytics-Ansatzes
  3. Aufbau einer adaptiven Rule Engine für Complex Event Processing

Unser Beitrag

Die Forschungsaktivitäten konzentrieren sich auf hybride Ansätze von Advanced Analytics. Hierzu sind originäre Big-Data-Technologien mit echtzeitbasierten ERP-Systemen zu integrieren. Darüber hinaus werden Use Cases für die (teil-)autonome Überwachung und Steuerung von Maschinen und Produktionsabläufen in Echtzeit entwickelt.