Direkt zum Inhalt
header image
Industrie 4.0 Management
35. Jahrgang, 2019, Ausgabe 1, Seite 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, Rheinisch-Westfälische Technische Hochschule Aachen

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.

Schlüsselwörter: Data Analytics, Industrie 4.0, Serienfertigung, Elektromobilität
Quellen:

[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.

Weitere Open Access Beiträge

 

The Digital Twin Theory - Eine neue Sicht auf ein Modewort

Andreas Deuter, Hochschule Ostwestfalen-Lippe, Lemgo und Florian Pethig, Fraunhofer IOSB-INA, Lemgo
https://doi.org/10.30844/I40M_19-1_S27-30

 

MES-Betriebsmittelintegration aus Anwendersicht - Eine praxisbezogene Analyse in produzierenden Unternehmen am Beispiel eines Laser-Assistenzsystems

Ralf Müller-Polyzou, Lucas Meyer und Anthimos Georgiadis, Leuphana Universität Lüneburg
https://doi.org/10.30844/I40M_19-1_S31-34

 

Digitalisierung im Engineering - Ein Ansatz für ein Vorgehensmodell zur durchgehenden, arbeitsteiligen Modellierung am Beispiel von AutomationML

Eike Schäffer, Universität Erlangen-Nürnberg, Lars Penczek, Universität Bochum, Andreas Mayr, Jupiter Bakakeu, Universität Erlangen-Nürnberg, Bernd, Kuhlenkötter, Universität Bochum und Jörg Franke, Universität Erlangen-Nürnberg
https://doi.org/10.30844/I40M_19-1_S61-66

 

Mensch-Roboter-Kollaboration in der Flugzeugendmontage - Ein intelligentes Assistenzsystem für das mechanische Fügen in der manuellen Montage

Frederik Schmatz, Jens Meißner, Jan Sender, Fraunhofer IGP, Rostock, Wilko Flügge, Universität Rostock und Eugen Gorr, Airbus Operations GmbH
https://doi.org/10.30844/I40M_19-1_S19-22

 

Blockchain als Enabler eines dezentralen Produktionsnetzwerkes

Wjatscheslav Baumung, Herbert Glöckle, Hochschule Reutlingen und Vladislav Fomin, Vilnius University
https://doi.org/10.30844/I40M_19-1_S39-42