Data Mining

Die fortschreitende Digitalisierung der Arbeitswelt führt zu neuen Möglichkeiten der Gestaltung und digitalen Unterstützung von Geschäftsprozessen. Insbesondere nicht F&E-intensive, zumeist kleine und mittlere Unternehmen stehen jedoch vor großen Herausforderungen, diese Potenziale zu realisieren. Im Rahmen dieses Beitrags wird aufgezeigt, welche Anwendungsfälle mithilfe des Einsatzes von Big Data Analytics in produzierenden Unternehmen realisiert werden können. Hierzu werden verschiedene Anwendungsszenarien skizziert. Anhand eines Praxisbeispiels der Auftragsabwicklung eines nicht F&E-intensiven Unternehmens wird aufgezeigt, wie die Beschaffung durch die Analyse und Prognose relevanter Daten, bspw. die Verfügbarkeit und Kosten von Bauteilen oder Prozessdaten, und die Angebotserstellung softwaretechnisch unterstützt werden können.

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.

Die Offshore-Windindustrie steht zukünftig vor der Herausforderung, die Kosten während der Betriebsphase zu senken, um auf den zu erwartenden Kostendruck reagieren zu können. Dementsprechend müssen der Betrieb und die Instandhaltung von Offshore-Windenergieanlagen möglichst effizient gestaltet werden. Hierfür sind die modernen Windenergieanlagen auf See und an Land mit Condition Monitoring Systemen ausgestattet, die den Zustand der Anlagen sowie der einzelnen Komponenten überwachen und dokumentieren. Die gewonnenen Daten werden in der Regel jedoch nur zur Unterstützung klassischer Instandhaltungskonzepte genutzt, welche aufgrund der zahlreichen Restriktionen und einer starken Wetterabhängigkeit in der Praxis oft nicht reibungslos funktionieren. Die Planung, Steuerung, Durchführung und Kontrolle der Instandhaltungsmaßnahmen auf See wird aufgrund dieser Restriktionen dementsprechend komplex. Diese Umstände führen zu großen Herausforderungen für die Logistik, da die ...

Die Bestellung von Kleidung, Schuhen und Büchern bis hin zu Lebensmitteln über das Internet ersetzt für viele Kunden den Gang ins Kaufhaus. Online-Portale bieten einen komfortablen Weg, ein breites Spektrum von Waren bequem von Zuhause aus beziehen zu können. Um auch wirklich sicherzugehen, das Richtige zu kaufen, wird bspw. ein Kleidungsstück oft in unterschiedlichen Farben und Größen bestellt, das Passende evtl. behalten, der Rest zurückgeschickt. Diese gängige und gewollte Praxis stellt Online-Shops beim Versand, aber vor allem beim Retourenmanagement vor sehr große logistische Herausforderungen. Um ein Maß für die Rücksendewahrscheinlichkeit bestimmter Waren zu erhalten, werden Techniken des maschinellen Lernens eingesetzt. Diese berechnen aus Kundenprofilen und Bestelldaten Modelle, um die Wahrscheinlichkeit für eine Retoursendung zu prognostizieren. Basierend auf dieser Wahrscheinlichkeit können nachgelagerte logistische Prozesse deutlich effizienter gestaltet ...

Die heute üblichen Informationstechnologien in der Produktionslogistik ermöglichen die Sicherung großer Datensätze mit einer Vielzahl unterschiedlicher Parameter. Die dazu parallel gestiegene Prozesskomplexität im Produktionsumfeld führt zu einer vermehrten Abhängigkeit zwischen unterschiedlichen Entscheidungsvariablen. Dieser Beitrag befasst sich daher mit der Anwendung einer computergestützten Analysemethode zur effizienten Auswertung und Abbildung multikriterieller Abhängigkeiten.

Bei der Planung kreisförmig verketteter Fertigungslinien werden Künstliche Neuronale Netze (KNN) eingesetzt, um die Art des Förderengpasses (Transport- oder Arbeitssystem) der Fertigungslinien zu erlernen und zu prognostizieren. Dieser Beitrag stellt eine Methode zur Steigerung des Lern-erfolgs und der Leistungsfähigkeit der KNN vor. Mit Genetischen Algorithmen (GA) wird die Anzahl der Eingangsparameter reduziert.