Autor: Mirko Kück

Optische Messsysteme sind eine populäre Wahl für die Qualitätsprüfung, da sie nicht nur kontaktfrei funktionieren, sondern auch präzise und vergleichsweise schnell sind. Vor allem in Fällen, in denen eine 100 %-Qualitätsprüfung angestrebt wird, ist eine geringe Mess- und Auswertezeit von essentieller Bedeutung. Bei hohen Taktzahlen von mehreren Teilen pro Sekunde, wie bspw. beim Mikrokaltumformen, wird die Auswertung dabei von Algorithmen übernommen. Um eine schnelle und präzise Defekterkennung zu ermöglichen, werden solche Algorithmen üblicherweise auf die Erkennung einer beschränkten Anzahl vordefinierter Defektklassen zugeschnitten. Der Nachteil gegenüber der manuellen Prüfung ist dabei jedoch, dass unbekannte bzw. unerwartet auftretende Defektarten eventuell nicht erkannt werden. Bei neu entwickelten Verfahren und/oder einer hohen Anzahl von Einflussfaktoren ist es daher wichtig, dass die Auswertealgorithmen solche Anomalien zuverlässig und schnell erkennen.

Die zunehmende Fertigung vieler Produktvarianten in kleinen Losgrößen erfordert eine hohe Flexibilität von Produktionssystemen. Da Produktionssysteme dynamischen Einflüssen unterliegen, stellen die Erzeugung der Produktionspläne sowie die Steuerung der Produktionsprozesse häufig schwierige Aufgaben dar. Dieser Beitrag beschreibt ein Konzept zur Planung und Steuerung von Produktionssystemen durch ein adaptives simulationsbasiertes Optimierungsverfahren. Zu diesem Zweck wird ein Simulationsmodell einer Fertigung mit einer Meta-Heuristik zur Optimierung der Produktionsparameter gekoppelt. Der klassische Ansatz simulationsbasierter Optimierung eignet sich zum Lösen komplexer, stochastischer Planungsprobleme. Das vorgestellte Konzept erweitert diesen Ansatz, um zusätzlich die Dynamik von Werkstattfertigungen berücksichtigen zu können. Dadurch erfolgt die Optimierung von Planungsentscheidungen und Steuerungsregeln stets auf Grundlage des aktuellen Systemzustands. Der Ansatz basiert ...

Die Bedeutung von Data Science für Produktion und Logistik nimmt stetig zu, da durch Industrie 4.0-Technologien zunehmend mehr Daten anfallen und für Prozess- und Systemoptimierungen genutzt werden können. Darüber hinaus erlauben verbesserte Methoden und Werkzeuge der Datenanalyse eine einfachere Bearbeitung anwendungsspezifischer Fragestellungen, als es bislang mit vornehmlich wissenschaftlichen Softwareapplikationen möglich war. Dieser Beitrag ist der zweite Teil zum Thema Data Science in Produktion und Logistik. Während sich der erste Teil mit der Begriffsdefinition, den allgemeinen Potenzialen der Datenanalyse und aktuellen Trends in diesem Bereich auseinandergesetzt hat, widmet sich dieser zweite Teil der Anwendung von Data Science in Produktion und Logistik. Im Folgenden werden typische Vorgehensweisen präsentiert und es wird durch mehrere Anwendungsbeispiele ein Einblick in die aktuellen Möglichkeiten von Data Science gegeben.

In den letzten zehn Jahren hat es im IT-Bereich rasante Entwicklungen gegeben, um immer größere Datenmengen speichern und performant verarbeiten zu können. Dadurch wurde eine wesentliche Voraussetzung für die Umsetzung der vernetzten Produktion im Sinne von Industrie 4.0 geschaffen. Die vernetzte Produktion verfolgt die Idee, dass mittels des Internet der Dinge eine Kommunikation zwischen Maschinen, Transportmitteln und Werkstücken stattfindet, um gemeinsam mit dem Menschen bislang unerschlossene Effizienzpotenziale im Hinblick auf Materialbereitstellungs-, Instandhaltungs- und Fertigungskonzepte auszuschöpfen. Zur Umsetzung dieser Konzepte bedarf es in Analogie zur Business Intelligence eines neuartigen Verständnisses der Datenverarbeitung für den Produktionsbereich. Mit Verweis auf das übergeordnete Rahmenkonzept der Data Science ist hierzu ein integrierter Ansatz bestehend aus mathematischer Modellierung, performanter Softwareimplementierung und spezifischem ...

Die aktuelle Entwicklung im Zuge von Industrie 4.0 bietet neue Möglichkeiten zur verbesserten Koordination von Kooperationen in Produktions- und Logistiknetzwerken. Durch Einbindung leistungsfähiger und vernetzter Computersysteme sowie intelligenter Sensoren und Aktoren lassen sich Systemzustände nahezu in Echtzeit abbilden und analysieren. In diesem Zusammenhang stellen Shared Resources ein vielversprechendes Konzept zur Erhöhung der Effizienz der Netzwerke dar. Der vorliegende Beitrag erläutert Unterschiede zwischen dem Konzept der Shared Resources und klassischen Kooperationsansätzen wie Outsourcing und Joint Ventures. Es werden Potenziale und Risiken diskutiert, die durch die Einbindung von Shared Resources in Produktionsnetzwerke entstehen können. Zudem werden Verfahren zur Ermittlung der Leistung und Dynamik von Netzwerken mit Shared Resources beschrieben.

Bedingt durch Dynamik und Komplexität in Produktions- und Zulieferernetzwerken ist die Kundennachfrage nach Produkten eines Unternehmens innerhalb eines solchen Netzwerkes häufig starken Schwankungen unterworfen. Zur Gewährleistung einer effektiven Produktionsplanung und -steuerung müssen jedoch zukünftige Kundenbedarfe möglichst exakt prognostiziert werden. Klassische statistische Prognosemethoden sind meist leicht anwendbar, allerdings nicht dazu in der Lage, ausreichend auf dynamische Strukturen innerhalb der Bestelldaten zu reagieren. Methoden der Nichtlinearen Dynamik berücksichtigen zusätzlich zu quantitativen, auch qualitative Informationen, um mögliche deterministische Strukturen zu identifizieren und Zeitreihen besser vorherzusagen. Dieser Beitrag stellt einen Ansatz zur Entwicklung einer Datenbank mit Handlungsempfehlungen zur Auswahl geeigneter Prognoseverfahren in unterschiedlichen Unternehmenssituationen vor.