Das führt dazu, dass es im Unternehmen verschiedene Sichtweisen und Schwerpunkte gibt, je nachdem welche Einzeldaten eine Abteilung zur Verfügung hat. Geht es dem Logistikleiter beispielsweise hauptsächlich darum, den Fuhrpark best möglich auszulasten, so ist dem Verantwortlichen für das Lager daran gelegen, die Platzkapazität möglichst optimal zu gestalten, während der Einkauf die Beziehungen zu den Lieferanten im Blick hat. In kleineren Unternehmen lassen sich diese Fragen sicher durch direkte Absprachen klären. Sind jedoch mehrere Standorte involviert oder hat die Fabrik eine entsprechende Größe, muss eine vollständige Datenverfügbarkeit in Echtzeit für alle Betroffenen gewährleistet sein. Ein weiterer Schritt in Richtung Produktionsdigitalisierung besteht deshalb darin, alle Daten in einem Data Warehouse oder Data Lake zusammenzuführen. Analytics Software ist dann in der Lage, große Datenmengen in Echtzeit zu analysieren und Handlungsempfehlungen just-in-time abzugeben. 3. Kompakteinstieg Maschinelles Lernen in der Produktion. Unter vielen Optionen die Beste herausfiltern Mehr noch: mit Analyselösungen/Analytics lassen sich auch verschiedene Szenarien schnell und unkompliziert miteinander vergleichen.
Es ist unbestritten, dass die systematische Analyse von Produktionsdaten die Wettbewerbskraft der Industrie erhöht – durch Effizienz und neue Geschäftsmodelle. Doch wie lässt sich die Datenanalyse in der Produktion überhaupt realisieren? Schließlich lohnt es sich auf den ersten Blick nicht, jede alte Maschine durch neue, intelligente Maschinen zu ersetzen, die dann durchgängig Daten liefern. Auf der Automatisierungsmesse SPS IPC Drives in Nürnberg präsentieren Anbieter Lösungen. Die produzierenden Unternehmen müssen auch nicht in einen komplett neuen Maschinenpark inklusive Automatisierungstechnologien investieren, um smarte Fertigung professionell umzusetzen. Daten in der produktion du. Oftmals reicht es schon, die Sensortechnik anzupassen. Außerdem erfassen schon heute die Unternehmen Daten über eine ganze Reihe von IoT-Quellen ( Internet of Things): Viele Maschinen und Automatisierungstools erzeugen bereits Betriebs- und Verbrauchsdaten und sind mit Sensoren ausgestattet: Es gilt nun, diese Daten über Cloud-Plattformen zu integrieren und damit für neue Bereiche nutzbar zu machen.
IT-DIRECTOR: Wie lassen sich sämtliche Datenquellen (Maschinen, Prozesse, Produkte) und Systeme (ERP, SCM, BI) am besten integrieren? Auf welche Standards sollten die IT-Verantwortlichen hier vor allem achten? T. Datenanalyse in der Produktion: IoT-Daten via Cloud integrieren. Martens: Sieht man von dem vieldiskutierten Speicherkonzept des "Data Lake" ab, werden wir es mit mehreren Analyse- wie Speicher-Layer in einer hybriden Struktur zu tun haben. Denn nur so lassen sich die Stärken und Schwächen der einzelnen Ansätze nutzen beziehungsweise ausgleichen. Nach wie vor haben transaktionale und analytische Systeme ihre Daseinsberechtigung, wenn es um strukturierte Daten, die Konzentration auf hochwertige Daten, der Identifikation wiederholbarer Operationen und Prozesse sowie definierter Anforderungen geht. Diese Systeme müssen jedoch um Hadoop-Distributionen oder NoSQL-Datenbanken ergänzt werden, wenn das Augenmerk auf der Integration unterschiedlicher Datenarten und -typen, den Umgang mit variablen Inhalten und Einzelfall-Analysen sowie explorativer Analysen aufgrund fehlender oder wechselnder Anforderungen liegt.
Während des Stillstands ist die komplette Produktion lahmgelegt. Mit intelligentem Data-Mining und entsprechender Nutzung der Produktionsdaten wäre dieser Ausfall vermeidbar gewesen. Anwendung von Big Data für die Produktionssteuerung Große Datenmengen lassen sich effizient für die Produktionssteuerung nutzbar machen. Eine vorausschauende Verwaltung und Auswertung von Produktionsdaten und deren Analyse erfordert die Implementierung von geeigneten Werkzeugen – wie effiziente Erfassungs-, Speicher-, Abrufsysteme und Datenbanken, Data Mining, Data-Driven-Services und proaktive Modelle (Predictive Analytics). Daten in der Produktion | SpringerLink. Deren Implementierung in den Produktionsprozess hat viele Vorteile. So sind schnelle Recherchen aus dem gesammelten Datenpool möglich, um etwa alle Produkte mit einem Bauteil X von Hersteller Y für eine Rückrufaktion aufzurufen. Aber auch zur Optimierung von Maschineneinstellungen können die Big Data -Werkzeuge dienen. So ist etwa eine statistische Auswertung des Parameters 'Drehmoment' möglich, um Grenzwerte für eine bessere Qualitätssicherung zu definieren.