Datenanalyse

Der Beitrag beschreibt die Anwendung von Manufacturing Analytics im Rahmen des reaktiven Qualitätsmanagements. Dazu wird zuerst eine allgemeine Definition des Begriffs Manufacturing Analytics gegeben. Anhand einer Literaturanalyse und der Auswertung bestehender Anwendungsfälle werden Erkenntnisse bezüglich der Potenziale für reaktive Qualitätsprozesse abgeleitet. Dabei zeigt sich, dass Manufacturing Analytics besonders in der Ursachenanalyse, der Fehlererkennung und -vermeidung erfolgsversprechend ist und eingesetzt wird. Abschließend werden praktische Einblicke in die Anwendung von Manufacturing Analytics gegeben.

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 ...