Outline

Gliederung

35, 2019, 57-60
Potenziale und Hürden von Data Analytics in der Serienfertigung: Studienergebnisse aus dem Bereich der Antriebsfertigung von Elektromobilkomponenten
Heiner {Heimes}, Achim {Kampker}, Ulrich {Bührer} und Stefan {Krotil}

Bibtex

Cite as text

						@Article{Heimes+Kampker+Bührer+Krotil,
							 
							Year= "2019", 
							Number= "1", 
							 Volume= "35", 
							Pages= "57-60", 
							Journal   = "Industrie 4.0 Management",
							 Title= "Potenziale und Hürden von Data Analytics in der Serienfertigung: Studienergebnisse aus dem Bereich der Antriebsfertigung von Elektromobilkomponenten", 
							Author= "Heiner {Heimes}, Achim {Kampker}, Ulrich {Bührer} und Stefan {Krotil}", 
							Doi= "https://doi.org/10.30844/I40M_19-1_57-60", 
							 Abstract= "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.", 
							 Keywords= "Data Analytics, Industrie 4.0, Serienfertigung, Elektromobilität", 
							}
					
Heiner {Heimes}, Achim {Kampker}, Ulrich {Bührer} und Stefan {Krotil}(2019): Potenziale und Hürden von Data Analytics in der Serienfertigung: Studienergebnisse aus dem Bereich der Antriebsfertigung von Elektromobilkomponenten. 351(2019), S. 57-60. Online: https://doi.org/10.30844/I40M_19-1_57-60 (Abgerufen 20.11.24)
https://doi.org/10.30844/I40M_19-1_57-60

Open Access

Abstract

Abstract

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.

Keywords

Schlüsselwörter

Data Analytics, Industrie 4.0, Serienfertigung, Elektromobilität

References

Referenzen

[1] Seeberger, M.; Dyllick, T.; Stölzle, W.: Der Wandel in der Automobilindustrie hin zur Elektromobilität – Veränderungen und neue Wertschöpfungspotenziale für Automobilhersteller. Dissertation. Universität St. Gallen 2017.

[2] Kampker, A.; Maue, A.; Deutskens, C.; Förstmann, R.: Standardization and innovation: Dissolving the contradiction with modular production architectures, 4th International Electric Drives Production Conference (EDPC). Nürnberg 2014.

[3] Wagner, R. M.: Industrie 4.0 für die Praxis: Mit realen Fallbeispielen aus mittelständischen Unternehmen und vielen umsetzbaren Tipps. Wiesbaden 2018.

[4] Luckow, A.; Kennedy, K.; Manhardt, F.; Djerekarov, E.; Vorster, B.; Apon, A.: Automotive big data: Applications, workloads and infrastructures: IEEE International Conference on Big Data. Santa Clara, USA 2015.

[5] Oommen, M.; Babu, J.; Paul, T.; Sankar, V.: Predictive analysis for industrial maintenance automation and optimization using a smart sensor network: International Conference on Next Generation Intelligent Systems (ICNGIS) 2016, S. 1-5.

[6] Susto, G. A.; Schirru, A.; Pampuri, S.; McLoone, S.; Beghi, A.: Machine Learning for Predictive Maintenance: A Multiple Classifier Approach, IEEE Transactions on Industrial Informatics, 11 (2015) 3, S. 812-820.

[7] Uhlemann, T. H.-J.; Lehmann, C.; Steinhilper, R.: The Digital Twin: Realizing the Cyber-Physical Production System for Industry 4.0, Procedia CIRP 61 (2017), S. 335-340.

[8] Shearer, C.: The CRISP-DM Model: The New Blueprint for Data Mining, Journal of Data Warehousing 5 (2000) 4, S. 13-22.

[9] Gartner: Gartner Says Business Intelligence and Analytics Leaders Must Focus on Mindsets and Culture to Kick Start Advanced Analytics, The Gartner Business Intelligence and Analytics Summit. URL: http://www.gartner.com/newsroom/id/3130017, Abrufdatum 29.08.2018.

[10] Kampker, A.; Heimes, H.; Bührer, U.; Lienemann, C.; Krotil, S.: Enabling Data Analytics in Large Scale Manufacturing, Procedia Manufacturing vol. 24 (2018), S. 120-127.

Most viewed articles

Meist angesehene Beiträge

GITO events | library.gito