Industrie 4.0: Smarte Datenanalyse und -prognose

Im Zeitalter von Industrie 4.0 werden Unternehmensdaten zunehmend als Teil der Wert-schöpfung gesehen. Mittels intelligenter Verknüpfung von Analyse- und Prognosewerkzeugen lassen sich die Daten ressourcenschonend und gewinnbringend verwerten.  Big Data und Machine Learning sind dabei entscheidende Komponenten, deren  Einsatz die weitere Entwicklung maßgeblich mitbestimmen wird.

Die intelligente Vernetzung der IKT garantiert starke Effizienz- und Qualitätssteigerungen für die Logistik. Mit den smarten Technologien können Energie- und Ressourcenverbrauch reduziert sowie die Flexibilität und Agilität von Logistikabläufen erhöht werden. Die Digitalisierung und Automatisierung ermöglichen eine umfangreiche Datenerfassung, die allerdings viele Unternehmen vor große Herausforderungen stellt. Einerseits sollen Echtzeitdaten für die Reaktion auf kurzfristige Änderungen analysiert und verarbeitet werden, andererseits sollen aus den gesammelten Daten zukünftige Ereignisse prognostiziert werden.

Durch Erkenntnisse aus F&E-Projekten in den unter-schiedlichsten Bereichen der Produktion, Logistik und des Big Data Managements unterstützt die RISC Software GmbH ihre Partner und Kunden bei der Vorbereitung auf diese neuen Aufgabenstellungen. Dies bewirkt eine Effizienzsteigerung  in den Produktionsprozessen und gleichzeitig  eine Verbesserung der Produktqualität.

Data Engineering erlaubt einen ressourcenschonenden Umgang mit großen Datenmengen auf Standardhardware. Neben dem echtzeitfähigen Import von anfallenden Sensordaten aus Produktions- und Logistiksystemen muss auch die effiziente Speicherung und Aggregation dieser Daten garantiert werden. Mittels moderner Methoden aus dem Bereich Machine Learning können diese Daten analysiert werden. Dabei werden Zusammenhänge, Korrelationen und Muster erkannt, welche zur Fehler- und Ursachenanalyse sowie zur kontinuierlichen Qualitätsüberwachung verwendet werden.

Mithilfe mathematischer Prognosealgorithmen können Modelle zur Dynamisierung der Instandhaltungsintervalle und zugleich zur frühzeitigen Störungserkennung entwickelt werden. Dies bewirkt eine Effizienzsteigerung in den Produktionsprozessen und gleichzeitig eine Verbesserung der Produktqualität. Mit diesen Prognosemodellen können Engpässe oder Überschüsse vorausgesagt werden.
Des Weiteren können mit diesen Prognosemodellen Engpässe oder Überschüsse vorausgesagt werden, wie bspw. in den Projekten RTMO und IPPO, welche vom BMVIT im Rahmen des Programms Mobilität der Zukunft gefördert werden. Im Projekt RTMO (Rail Transport Mobility Optimization) entwickelt und konzipiert die RISC Software GmbH gemeinsam mit OMV, RCA, OnTec und IPH eine kollabo-rative Optimierung und Steuerung der Be- und Entladeprozesse per Bahn für die OMV. Im Projekt IPPO (Intelligente Vernetzung von Prognose, Planung und Optimierung zur Gestaltung nachhaltiger Transportketten) wird gemeinsam mit Fraunhofer Austria und der Hödlmayr International AG ein Informationssystem entwickelt, mit dem optimierte und nachhaltige Materialflüsse geplant und durchgeführt werden.
Foto: Fotolia