Data Analytics

Höchstleistungstechnologie für KMU

Höchstleistungstechnologie für KMU

Wie auch kleine und mittlere Unternehmen Simulationstechnologien nutzen können
Andreas Wierse
Eine effiziente Produktentwicklung kann im Unternehmenswettstreit entscheidend sein - da gerät schnell ins Hintertreffen, wer ohne Simulationstechnologien zurechtkommen muss. Für Großunternehmen längst Alltag, bleiben diese für kleine und mittlere Unternehmen aus Kapazitäts- und Know-How-Gründen oft Wunschdenken. Dabei können auch sie mit der richtigen Hilfestellung und passenden Weiterbildungsprogrammen von den Vorteilen der Simulation profitieren.
Industrie 4.0 Management | 36. Jahrgang | 2020 | Ausgabe 3 | Seite 61-64
Maschinelles Lernen in der Produktion

Maschinelles Lernen in der Produktion

Anwendungsgebiete und frei verfügbare Datensätze
Hendrik Mende, Jonas Dorißen, Jonathan Krauß, Maik Frye, Robert Schmitt ORCID Icon
Steigende Rechenleistungen und bessere Datengrundlagen bei gleichzeitig sinkenden Kosten für Rechen- und Speicherkapazitäten stellen die Basis für den Einsatz von Machine Learning (ML) in der Produktion dar. Herausforderungen bestehen in der Identifizierung aussichtsreicher Anwendungsgebiete, dem Erkennen der mit diesen verbundenen Learning Tasks sowie dem Aufdecken passender Datensätze. In diesem Beitrag werden daher folgende Fragen beantwortet: Welche Anwendungsgebiete in der Produktion bieten das größte Potenzial für den Einsatz von ML? Welche frei zugänglichen Datensätze eignen sich, um eigene Erfahrungen zu sammeln und welche Learning Tasks sind damit verbunden? Was sind Best Practices für die Anwendungsgebiete?
Industrie 4.0 Management | 35. Jahrgang | 2019 | Ausgabe 4 | Seite 39-42 | DOI 10.30844/I40M_19-4_S39-42
Potenziale und Hürden von Data Analytics in der Serienfertigung

Potenziale und Hürden von Data Analytics in der Serienfertigung

Studienergebnisse aus dem Bereich der Antriebsfertigung von Elektromobilkomponenten
Heiner Heimes, Achim Kampker, Ulrich Bührer, Stefan Krotil
In der Großserienfertigung von elektrifizierten Fahrzeugen stellt die zunehmende Komplexität eine große Herausforderung dar. Der hohe Prüfaufwand zur Sicherstellung der Qualität des elektrifizierten Antriebsstrangs muss reduziert werden, um auch künftig konkurrenzfähig zu sein. Ein beschleunigter Wissensaufbau bezüglich Fertigungstechnologien und Prozesse kann durch Industrie 4.0-Ansätze, insbesondere Data Analytics, unterstützt werden. Derzeit kann der gewünschte Nutzen von Data Analytics in der Großserienfertigung nicht erzielt werden. In diesem Beitrag werden die Ergebnisse einer Expertenstudie vorgestellt, die sich mit den Potenzialen und Hürden von Data Analytics in der Großserienfertigung, insbesondere bei der Antriebsfertigung für elektrifizierte Fahrzeuge, befasst.
Industrie 4.0 Management | 35. Jahrgang | 2019 | Ausgabe 1 | Seite 57-60 | DOI 10.30844/I40M_19-1_S57-60
Die Zukunft von Manufacturing Data Analytics

Die Zukunft von Manufacturing Data Analytics

Implikationen für eine erfolgreiche Datennutzung im produzierenden Umfeld
Marian Wenking, Christoph Benninghaus, Sebastian Groggert
Im Zuge der 2017 veröffentlichten Studie „Manufacturing-Data-Analytics“ der Universität St. Gallen in Kooperation mit der RWTH Aachen wurden vielfältige Aspekte der industriellen Datennutzung untersucht. Hierbei wurden verschiedene Themenfelder wie beispielsweise technische Systeme, Implementierungsstatus und organisatorische Umsetzung analysiert. Während sich viele produzierende Unternehmen noch in einem rudimentären Einführungsstadium befinden, sind andere Unternehmen bereits heute in der Lage, durch umfassende Datenerhebung und -auswertung Vorhersagen treffen zu können und so ihre Effizienz in der Produktion erheblich zu steigern. Dabei sind besonders die Datenqualität und eine systematische Evaluierung von Anwendungsfällen von entscheidender Bedeutung. Ebenso konnte gezeigt werden, dass strategische Partnerschaften sinnvoll sind, um die Implementierung zu beschleunigen und einfacher zu gestalten.
Industrie 4.0 Management | 33. Jahrgang | 2017 | Ausgabe 4 | Seite 33-37