Big Data in automatisierten Produktionssystemen

Methoden zur Aggregation, Analyse und Aufbereitung großer Datenmengen

Kurzbeschreibung

Die Verfügbarkeit von Anlagen ist eines der höchsten Ziele jedes Anlagenbetreibers. Verfügbarkeitssteigerung bedeutet, den aktuellen Zustand von jedem Sensor und Aktor, über das Produkt bis hin zur gesamten Anlage einzuschätzen und, vor oder auch im Fehlerfall, Fehlerkompensationsmaßnahmen durchzuführen, um den Anlagenbetrieb aufrecht zu erhalten. Gleichzeitig soll in allen Situationen die geforderte Produktqualität erreicht werden. Das ist weit mehr, als Diagnosesysteme oder Asset Management Systeme (AMS) heutzutage leisten und erfordert neue und innovative Methoden, basierend auf aktuellen und zukünftigen Technologietrends. Insbesondere die Vielfalt und Menge an Daten, die dabei zu verarbeiten ist (Stichwort Big Data) ist dabei eine zentrale Herausforderung.

Der Lehrstuhl für Automatisierung und Informationssysteme erforscht neue und innovative Methoden für wissensbasierte Asset Management Systeme, datengetriebene Diagnosemethoden im Kontext von Industrie 4.0 und Cyber-Physical-Production Systems (CPPS) im kompletten Anlagen-Lifecycle und unter Berücksichtigung von menschlichen Einflussfaktoren bei Einsatz von Mensch-Maschine Schnittstellen.

Aktuelles

Das Thema Datenanalyse wird auch auf dem diesjährigen Tec Summit in Berlin behandelt. Frau Prof. Vogel-Heuser wird in Ihrem zweiten Vortrag darüber sprechen, wie wichtig es ist, Daten über Unternehmensgrenzen hinweg auszutauschen. Sehen Sie selbst mehr:

Projekte

AIValve - Selbstlernende und selbst-optimierende Steuerung von Ventilen und Ventilsystemen für hydraulische Maschinen und Aggregate

Diagnose und Visualisierung - Forschungsschwerpunkt wiederverwendbarer Diagnosemethoden durch Analyse aggregierter Anlagendaten für Anlagen- und Maschinenfamilien

InSeLDiP - Intensivierung von Separationsprozessen in der Lebensmittelindustrie durch Digitale Zwillinge und intelligente Prozesskontrolle

M@OK - Online Echtzeit-Wissensmanagement, Data-Mining und Machine-Learning für den Maschinen- und Anlagenbau

Abgeschlossene Projekte (Auswahl)

IMPROVE - Innovative Modeling Approaches for Production Systems to Raise Validatable Efficiency

SIDAP - Skalierbares Integrationskonzept zur Datenaggregation, -analyse, -aufbereitung von großen Datenmengen in der Prozessindustrie