Aachener Industrie 4.0-Aktivitäten...Data Mining Models Scrap reduction in a light metal foundry CART-tree (Excerpt) Node 0 Category % n No defect Sprue defect 95,288 4,712 333 6734

© WZL/Fraunhofer IPT

Aachener Industrie 4.0-Aktivitäten

Fraunhofer-Institut für Produktionstechnologie IPT

Dipl.-Wirt.-Ing. Thomas Vollmer

Frankfurt am Main, 23. September 2016

Seite 2 © WZL/Fraunhofer IPT

Projekt "BIG" 4

Projekt "charMant" 3

Industrie 4.0: Die Aachener Perspektive 2

Vorstellung des Fraunhofer IPT 1

Agenda


Joseph von Fraunhofer (1787-1826)

Forscher Entdeckung der »Fraunhofer-Linien« im

Sonnenspektrum

Erfinder Bearbeitungsverfahren für Linsen

Unternehmer Leiter und Teilhaber einer Glashütte


Die Fraunhofer-Gesellschaft

Ziele

Vertragsforschung für Wirtschaft und Gesellschaft

Umsetzung von Grundlagenforschung in die Praxis

Unternehmen

Gründung: 1949

Rechtsform: Gemeinnütziger Verein

Sitz der Zentrale: München

Finanzierungsmodell der Institute

Grundfinanzierung davon 90 Prozent durch den Bund, 10 Prozent durch die Länder

Öffentliche Förderung Ausschreibungen und Förderanträge

Industriemittel

1/3 1/3

1/3


Die Fraunhofer-Gesellschaft – Institute und Standorte

Kennzahlen

66 Institute

> 24 000 Mitarbeiterinnen und Mitarbeiter

ca. 2,2 Mrd. € Forschungsvolumen pro Jahr

Europas größte Organisation für angewandte Forschung

Standorte und weitere Aktivitäten weltweit

Europa Brüssel/EU, Frankreich, Italien, Österreich, Portugal, Polen, Schweden, Ungarn, Vereinigtes Königreich

Nord- und Südamerika Kanada, USA, Brasilien, Chile

Asien China, Indien, Indonesien, Japan, Korea, Malaysia, Singapur

Naher Osten, Afrika Vereinigte Arabische Emirate, Ägypten, Südafrika


Das Fraunhofer-Institut für Produktionstechnologie IPT in Aachen

Aachen

Fraunhofer in Aachen

Produktions-

technologie

Laser-

technik

Molekular-

biologie und

angewandte

Oekologie


Produktionstechnik in Aachen

gegründet 1870

42 000 Studierende, 5750 Absolventen

9 Fakultäten, 260 Institute

4500 Wissenschaftler, 496 Professoren

788 Mio € Budget

(davon 315 Mio € Drittmittel)

10 980 Studierende, 1980 Neueinschreibungen

863 Absolventen, 155 Promotionen

1050 Wissenschaftliche Mitarbeiter,

61 Professoren

272 Mio € Umsatz

(davon 77 Mio € als Drittmittel)

über An-Institute und Fraunhofer-Institute

Fakultät für Maschinenwesen Fokus Produktionstechnik

Werkzeugmaschinenlabor

der RWTH Aachen

Fraunhofer-Institut für

Produktionstechnologie

IPT

Fokus Produktionstechnik

Insgesamt:

49 Mio € Haushalt

1200 Mitarbeiter*

*) davon ca. 50 Prozent

Festangestellte


RWTH-Campus Melaten, 2015


Our portfolio

Trends for branches and products

Lightweight-

production technology Optics Tool and die making

Turbomachinery Trendthemen


Our portfolio

Trends for branches and products

Hot topics

- Industrie 4.0

- Additive Manufacturing

Lightweight-

production technology Optics Tool and die making

Turbomachinery


Projekt "BIG" 4




Agenda

Papal election 2005

Papal election 2013

2011 – First Indication of Industrie 4.0

2007 – Introduction of iPhones

2013 – Smartphones with appr. 95 % Market Penetration

Source: [KAGE11] Picture source: spiegel.de, AP, DPA


Integrative Basic Technologies

Digitalisation & Connection

Innovative

Product

Development

Smart

Products &

Services

Scaleable

adaptive Production

Human

Industrie 4.0

The Aachen perspective


Step-by-step to Industrie 4.0

Manual Production Lean Production Industrie 4.0

Production


What characterizes »Industrie 4.0«?

2) Continuity of data and information flow

from product idea to recycling

Engineering

3) Vertical integration and linked

production systems and machines

Production

1) Horizontal integration

over production networks

Companies & End-User

Cloud

Data Analytics

Self-optimization

Collaboration

Integrated metrology Interfaces

Internet of Things

Single source of truth

Intelligent planning

Safety

Security

Digitalization

Source: Platform Industrie 4.0


Industrie 4.0 Benchmarking and Roadmapping

Holistic Approach to identify potentials within Industrie 4.0

Strategic Analysis What are the strategic objective?

Benchmark – Level of competitors?

Status: Where am I today?

i4.0 - Action Fields in Production

Strategy

Level

Process

Level

Technology

Level

Process Analysis Manufacturing Processes

Vertical / horizontal Data-Flow

Data- / Software-Architecture

i4.0 – Restrictions on Process Level

Technology Analysis Sensors / Sensor-Integration

Data Mining and -Analysis

Process Modelling & Simulation

i4.0 Restriction Tech-Level

i4.0

Audit

i4.0 Implementation-Plan


Sensors and Smart Devices 1

Digital Twin 2

Data Analytics 3

Clouds 4

IT-based planning 5

Anything as a service 6


Smart Wearables in manufacturing

Efficiency and quality support for employees

0

20

40

60

80

100

0 0,2 0,4 0,6 0,8 1

Probandenstudie

0

20

40

60

80

100

0 0,2 0,4 0,6 0,8 1

Lead time of oculavis in % of conventional

procedure

Failure rate with oculavis in % of conventional

procedure

ERP MES CAQ PLM …

I finished the task.

I have a problem.

Maintain me.

You are not allowed to

use me.



Digital Twin 2

Data Analytics 3

Clouds 4

IT-based planning 5



Digital Acquisition of Single Product Information

Source: osterhoutroup.com

Visualization of processing information

– Processing information is saved within a database

and related to a barcode applied on the real product

– Barcode can be scanned to receive past and future

processing information

App can be used on every Android device (e.g.

tablet PC or smart glasses)

Scan of product barcode



Digital Twin 2

Data Analytics 3

Clouds 4

IT-based planning 5



Data Mining Models

Scrap reduction in a light metal foundry

Influcence factors

X-Ray defects

Data integration

Process control system

QUISS PCS

5

txt-Export

SPSS

Warehouse

txt-Export

Data integration

(SPSS) SPSS DB

Data-

Matrix

Code

3

7M: Machine, Man, Material, Milieu,

Method, Measurement, Management

Smelting

characteristics

Ambient

temperature

Air humidity

Temperature

(cooling)

Temperature

(heating)

Fill level

Pressure

Flow rate

(cooling)

Temperature

(melted mass)

Operator

Availability 4

Process control system (481 variables):

• Date, Time

• Data-Matrix Code (Rohteilnr.)

• All relevant influence factors, see (3)

QUISS X-Ray defects (7 variables):

• Data-Matrix Code

• Defect type, size, time and location at part

PCS

F-DB


Data Mining Models

Scrap reduction in a light metal foundry

CART-tree (Excerpt) Node 0

Category % n

No defect

Sprue defect

95,288

4,712 333

6734

100,000 7067

Node 5

Category % n

No defect

Sprue defect

29,730

70,270 26

11

0,524 37

Node 6

Category % n

No defect

Sprue defect

96,213

3,787 243

6174

90,802 6417

<= 678,1 °C > 678,1 °C

Heating_circuit13Begin

Rule

induction

Possibilities of tree generation

Node 1

Category % n

No defect

Sprue defect

95,832

4,168 269

6185

91,326 6454

Node 2

Category % n

No defect

Sprue defect

89,560

10,440 64

549

8,674 613

Gini-Index

(Entropie)

Separation

Thermo9Beginn

<= 428,9 °C > 428,9 °C

Node 3

Category % n

No defect

Sprue defect

5,263

94,737 18

1

0,269 19

Node 4

Category % n

No defect

Sprue defect

92,256

7,744 46

548

8,405 594

<= 558,0 °C > 585,0 °C

Heating_circuit14Max

Tree depth

(Pruning)



Digital Twin 2

Data Analytics 3

Clouds 4

IT-based planning 5



Cloud-based incoming goods inspection

SRM

ERP supplier

interface

web-interface

Cyber value chain

Physical value chain

suppliers

Harting

IGD IGI Production

Potentials

Reduction of physical inspection

effort

Availability of precise and cross-

linked measurement values

– Allows analysis of complex

statistical and strategical data

– Quality improvements

Fast distributive visibility of

products in production or rather

supply chain

– Minimize Time-to-Market

Focus on future customers



Digital Twin 2

Data Analytics 3

Clouds 4

IT-based planning 5



Manufacturing Execution Systems (MES)

Enery data

ERP data

Production data

Quality data

Personnel data

Machine data

MES

Standardized interfaces

Compatible data formats

Operative production planning

with consideration of relevant

target variables (adherence to

schedules, processing time,

stocks, utilization, …)

Short response time in case of

errors

Transparency of process flows

and operating conditions (KPI)

Personnel management

Information management

Material management

Utilities management

performance analysis

Detailed planning and control

Data acquisition and allocation

Quality management

Application Objectives

Machine 1

Machine 2

Machine 3

time

makespan


Use case of MES: HARTING ELECTRONICS

HARTING is a leading manufacturer of components and

systems for electrical and electronical connection

technology

Deployment of modular MES since 2004

Module for tracking production orders and shop floor

scheduling

Logistics module to enable traceability of material and

parts within the company

Machine data collection enables fast reaction times if a

machine breaks down and in-depth statistical analyses

Tools and resource management: Live information on

availability of resources, machines and tools.

Source: MPDV 2015



Digital Twin 2

Data Analytics 3

Clouds 4

IT-based planning 5



TechShop Democratizes Production Knowledge And Capactiy

TechShop is a chain of member-based workshops

that lets people of all skill levels come in and use

industrial tools and equipment to build their own

projects.

Founded 2006 in Silicon Valley

10 locations in the US, 1 in France, 1 in Abu Dhabi,

1 in Japan

Access to tools and classes for a membership fee

Available tools include:

– CNC and manual mills, welding equipment, sheet metal

fabrication equipment, 3D printers, laser cutters,

industrial sewing equipment, electronics equipment,

plastics equipment

Gives rise to the “maker movement” and startup

mentality


Fraunhofer-Leistungszentrum Interconnected, adaptive Production

WP1 Smart Manufacturing Platform

WP2 Big Data Analysis

WP3 Linking Simulation / Real data

WP4 Adaptive Process chains / Digital Twin

R&D-Module „Digitalization and interconnection“

WP5 Energy – Manufacturing & Repair of components for Turbomachinery

WP6 Mobility – Engine production und tool and die making for Automotive

WP7 Health – Plant-based Protein production

R&D-Module „Demonstrator “

Ro

ad

map

Dig

italiz

atio

n

Run-time

06/2016 – 12/2018

Project volume

approx. 6,2 Mio. €

Industry partners

DST, GF, MTU, SAP, Siemens, …


Projekt "BIG" 4




Agenda


Projektbeispiel „charMant“

Ausgangssituation des Forschungsvorhabens

Insbesondere in KMUs besteht Verbesserungspotenzial bei der flexiblen und vereinfachten

Datenerfassung und Datenbereitstellung zur effizienten Nutzung.

Aufgabe von IT in Produktion und Qualitätsmanagement ist

u.a.:

Sammlung und Auswertung qualitätsrelevanter Daten

zur Erhöhung der Rückverfolgbarkeit des Produktes

und der zugehörigen Herstellungsprozesse.

Datenerfassung und Datennutzung wird v.a. in kleinen und

mittelständischen Unternehmen nicht oder nicht konsequent

durchgeführt.

! Standardsoftware ist meist nicht zugeschnitten auf KMUs

und hilft nicht dabei qualitativ hochwertige Daten zu

generieren oder die Nutzung zu vereinfachen.

! Hoher a-priori-Aufwand bei der Vereinheitlichung der

Schnittstellen und Strukturierung der Daten.



Motivation für das Forschungsvorhaben charMant

Vorteile produkt- und prozessbezogener Datenerfassung

Erhöhung der Qualität und Transparenz der Prozesse,

Entlastung der Mitarbeiter am Produkt

Vereinfachte Prozesslenkung und schnelle bzw. frühzeitige

Fehlererkennung und -analysen

Merkmalsbezogene Prozesseinflüsse werden offengelegt

Rückführung der Informationen aus dem Herstellungsprozess

und der resultierenden Produktqualität in die Entwicklungs-

und Prozessplanungsphasen ( lessons learned)

Um die Vorteile erschließen zu können, wird ein Konzept benötigt, das die Daten flexibel erfasst,

verarbeitet und zur Verfügung stellt.



Zielstellung, Differenzierungsmerkmale und Herausforderung

Zielstellung / Intention

Entwicklung eines Datenmanagement-

Konzepts

Dessen Implementierung für die

aufwandsreduzierte Erfassung und Nutzung

produktbezogener Maschinen- und

Produktionsprozessdaten

Differenzierungsmerkmal ggü. Bisherigen

Ansätzen / Besonderheiten

schlanke, selbstbeschreibende

Datenstrukturen

Metadatenbasierte Extraktoren, die

einen einheitlichen, semantischen

Zugriff auf die erfassten Daten

ermöglichen und

die syntaktische Vielfalt durch die

Datenzusammenführung in einem

Data-Lake-System reduzieren

Herausforderung / Notwendiger Input

Erfassung und Bereitstellung heterogener und semistrukturierter Daten für bedarfs- und

ereignisgesteuerte Analysen.

Beispielprozesse, Maschinenschnittstellen, Systemanbindung und Anforderungen Q-App


Teilprozesse

von Produkt x


Zielbild

Selbstbeschreibendes

Daten-Repository

(„Data Lake“)

Fehleranalyse

n v

t T p

a

f

t p

a f

Pv

Q-App

Prozess-

performance

ERP

M a f p P

1 0,5 0,2 50 x

M a v T P

2 0,5 1 25 x

MES/BDE/MDE

CAQ

Anwendungs-

spezifische Data

Marts

Teilprozesse

von Produkt y

Synta

ktische

Hom

ogenis

ieru

ng

Ra

Pv

Ra

n ap

vf

ae

Ziel: Produktionsprozessdaten

produktbezogen flexibel erfassen, durch

Teilhomogenisierung organisieren und

Anwendern ad-hoc bereitstellen



Zielbild

Teilprozesse

von Produkt x


Daten-Repository

(„Data Lake“)

Fehleranalyse

n v

t T p

a

f

t p

a f

Pv

Q-App

Prozess-

performance

ERP

M a f p P

1 0,5 0,2 50 x

M a v T P

2 0,5 1 25 x

MES/BDE/MDE

CAQ

Anwendungs-

spezifische Data

Marts

Teilprozesse

von Produkt y

Synta

ktische

Hom

ogenis

ieru

ng

Ra

Pv

Ra

n ap

vf

ae

Erfassung verschiedener Daten aus

unterschiedlichen Quellen

Indirekte Vernetzung:

Horizontal (Maschinen,

Einzelprozesse)

Vertikal (MES/ERP/…)



Zielbild

Teilprozesse

von Produkt x


Daten-Repository

(„Data Lake“)

Fehleranalyse

n v

t T p

a

f

t p

a f

Pv

Q-App

Prozess-

performance

ERP

M a f p P

1 0,5 0,2 50 x

M a v T P

2 0,5 1 25 x

MES/BDE/MDE

CAQ

Anwendungs-

spezifische Data

Marts

Teilprozesse

von Produkt y

Synta

ktische

Hom

ogenis

ieru

ng

Ra

Pv

Ra

n ap

vf

ae

Metadaten-basierte Extraktoren

zur effizienten Speicherung der

anfallenden Daten


Datenmodell, statt komplexer,

relationaler Datenmodelle zur

Datenspeicherung

Reduzierung manueller

Tätigkeiten (z.B. Anlegen

jedes einzelnen Produktes)

Datenstruktur ist flexibel

erweiterbar

Z.B. beim Einfügen von

neuen Maschinen



Zielbild

Teilprozesse

von Produkt x


Daten-Repository

(„Data Lake“)

Fehleranalyse

n v

t T p

a

f

t p

a f

Pv

Q-App

Prozess-

performance

ERP

M a f p P

1 0,5 0,2 50 x

M a v T P

2 0,5 1 25 x

MES/BDE/MDE

CAQ

Anwendungs-

spezifische Data

Marts

Teilprozesse

von Produkt y

Synta

ktische

Hom

ogenis

ieru

ng

Ra

Pv

Ra

n ap

vf

ae

On-demand-Analysen durch Nutzung von

Applikationen (Produktions-Qualitäts- App zur

Bereitstellung bedarfsabhängiger Abfragen)

Rückführung und Speicherung der durch die

Applikation definierten Datenanalysen


Fraunhofer-Leistungszentrum Interconnected, adaptive Production

WP1 Smart Manufacturing Platform

WP2 Big Data Analysis

WP3 Linking Simulation / Real data

WP4 Adaptive Process chains / Digital Twin

R&D-Module „Digitalization and interconnection“

WP5 Energy – Manufacturing & Repair of components for Turbomachinery

WP6 Mobility – Engine production und tool and die making for Automotive

WP7 Health – Plant-based Protein production

R&D-Module „Demonstrator “

Ro

ad

map

Dig

italiz

atio

n

Run-time

06/2016 – 12/2018

Project volume

approx. 6,2 Mio. €

Industry partners

DST, GF, MTU, SAP, Siemens, …


Projekt "BIG" 4




Agenda


Projektbeispiel „BIG“

Entstehung der Idee

„Das hat keinen Markt! Sorry!“

Bildquelle: Amazon, Google, Philips



Idee

Fokus »BIG« Fokus »herkömmliche PPS«

Integration von Produktionsdaten in die

Gebäudeautomatisierung



Zielstellung

Energieeinsparung von

Unterstützungsprozessen

produzierender Unternehmen

Erweiterung der herkömmlichen

Parameter um die Belegung

unterschiedlicher

Produktionsbereiche

Steuerung nur nach tatsächlichem

(aktuellen) Bedarf & (zukünftiger)

Zustände/Prädiktion

Erweiterung der Nutzung von

Informationen der

Produktionsplanung & Wetter-

Daten zur Steuerung und Regelung

der Gebäudeautomation

Beleuchtung

Heizung/

Klimatisierun

g

Temperatur

Sonnen-

schutz/

Isolation

Belüftung Kühlung

Wetterprognose

We

tte

rpro

gn

os

e

We

tte

rpro

gn

ose

Wetterprognose

Beleuchtung

Heizung/

Klimati-

sierung

(Bereichs-/

Maschinen-)

Belegung

Temperatur Sonnen-

schutz/

Isolation

Belüftung Kühlung

Abwärme-

nutzung

Standby-

Geräte

Herkömmliche Gebäudeautomatisierung

Adaptive Gebäudeautomatisierung



Zielstellung

Aggregation von

Sensordaten

Steuerung von

Aktuatoren zur

bedarfsgerechten und

prädiktiven Regelung

Wetter-Forecast PPS Gebäudeautomation

Bedarfsgerechte

Steuerung

Prädiktive Steuerung

Temperatur

Sonneneinstrahlung

Windstärke

Prädiktive Steuerung

– Wetteränderungen

Softwarelösung

Herstellerunabhängige Kopplung an Produktionssysteme

Integration von Wetter-Forecasts und Einbeziehung

wetterabhängiger Effekte

Entwicklung einer modellprädiktiven Regelung als Kernelement



Zielstellung

Adaptive Gebäudeautomation

BedarfMaschine

Dauer

Termin

Produktions-

planung

(ERP) Fertigung

Messung

BerechnungAbwärme

Lichtbedarf

Produktions-

durchführung

Bedarfsorientierte

Regelung

Fertigung

Messung

Daten-

erfassung

(CAQ, BDE)

Ist-/ Sollwert-

Vergleich

Maschine

Dauer

Termin

Produktions-

steuerung

(MES)

Bedarfs-

ermittlung

ERP: Enterprise Resource Planning

MES: Manufacturing Execution Systems

CAQ: Computer Aided Quality

BDE: Betriebsdatenerfassung

Soll-Ist-Vergleich

33-40% Einsparpotenzial bei peripheren

Energiekosten durch Kopplung der

Funktionalitäten (Bedarfssteuerung &

Wetter-Forecast)


𝑄𝑊ä𝑟𝑚𝑒𝑙𝑒𝑖𝑡𝑢𝑛𝑔

𝑊ä𝑟𝑚𝑒𝑞𝑢𝑒𝑙𝑙𝑒

𝑊ä𝑟𝑚𝑒𝑞𝑢𝑒𝑙𝑙𝑒

𝑄𝐾𝑜𝑛𝑣𝑒𝑘𝑡𝑖𝑜𝑛

𝑄𝑉𝑒𝑛𝑡𝑖𝑙𝑎𝑡𝑖𝑜𝑛

𝑄𝑙𝑎𝑛𝑔𝑤𝑒𝑙𝑙𝑖𝑔𝑒 𝑆𝑡𝑟𝑎ℎ𝑙𝑢𝑛𝑔


Beispiel: Wärmetransport in den Produktionsgebäude

𝑄𝑆𝑜𝑛𝑛𝑒𝑛𝑠𝑡𝑟𝑎ℎ𝑙𝑢𝑛𝑔

𝑇𝑢

𝑇𝑎

𝑇𝑖 𝑇𝑟



Prozessskizze

Feinplanung

Kunden

Produktions-

planung und-

steuerung Lieferanten

Material-

lieferung

Produkt-

lieferung

Zwischenlager

Produktionsplan

Produkt A Produktionsplan

Produkt B

Bedarfs-

ermittlung

Abwärme Abwärme

Abwärme

Abwärme

Belegungsvorschau durch Ermittlung des Produktionsplans

Nutzung der Maschinenabwärme



Mögliche Funktionen der Gebäudeautomation

Energieüberwachung

Temperaturregelung Anwesenheitsauswertung

Steuerung über Raumnutzungsarten Konstantlichtregelung

Sonnenautomatik Luftfeuchtigkeitregelung Sicherheitsfunktion

Steuern der Mediengeräte, Multiraumsysteme

Witterungsschutz

Luftqualitätsregelung

Blendschutz

Fernüberwachung

Feueralarm

Zutrittsrechte



Abhängigkeitsfaktoren

Abwärme Tempe-

ratur

Klimati-

sierung Belüftung

Blend-

schutz Isolation

Abwärme + - -

Temperatur + + +

Klimati-

sierung - -

Belüftung + - -

Blendschutz + +

Isolation + +



Datenmodell BIG

Atmosphäre

Tem. Belegungsplan

Atmosphäre

Strahlung

Maschineneinsätze

Klimatisierung

Heizung

Beleuchtung

Belüftung

Isolierungsgrad

der Wände

Atmosphäre

Windstärke

Isolierungsgrad

der Fenster

…

Rauchdetektor

Zugangssensor

Mögliche Inputs

∆Temperatur

∆Lichtstärke

∆Luftfeuchtigkeit

Brandschutzmelder

Sicherheitsmelder

…

Mögliche Outputs

Regelkreise

von BIG



Projektwebsite

http://www.big-

gebaeudeautomation.de/

Aktuelle Informationen für den

Arbeitskreis

Information zu Veröffentlichungen

bezüglich des Projekts

Zugangsbeschränkter Bereich für

Projektpartner

Factory of the Future.

„The factory of the future will have only two employees, a man and a dog. The

man will be there to feed the dog. The dog will be there to keep the man from

touching the equipment.”

Warren Gameliel Bennis


Ihr Kontakt

Dipl.-Wirt.-Ing.

Thomas Vollmer Wissenschaftlicher Mitarbeiter

Abteilung Produktionsqualität

Fraunhofer-Institut für Produktionstechnologie IPT

Steinbachstraße 17 • D-52074 Aachen

Tel.: 0241 / 8904 - 332

[email protected]


Backup: New Agenda


Industrial Software Systems

Goal and technologies behind Industrie 4.0

IT-Hardware PLM/Engineering-

Systems Local

storages Big Data Computing & Cloud

Data Mining

IT Safety&Security

IPv6 & Internet of Things

Apps

Broadband & Networks

ERP-/MES

Systems

cyber

physical

Software Hardware

Adaptation by sensors

M2M / P2M

Plug & Produce

Virtualization / HMI

Robustness

Flexibility and scaleability

Automation

Business

Communities

Social

Communities Cooperation

4. Industrial Revolution

Collaboration

productivity • Human - Human

• Human - Machine

• Machine - Machine

Cognitive

System

‚Single-source

of truth‘

Flexible Software-

as-a-Service


Alternatives for starting a collaboration

Identification of areas in

Production with potentials

for application of i4.0

Weakness-based

identification of fields for

application of i4.0

Inside-Out

Outside-In

„Jobs to be done“

in Production

Industrie 4.0

Innovation areas

Idea generation

and -assessment

Analysis of weaknesses

and -prioritization

Derivation of

fields of action

Assessment and

Prioritization

+

Informationsgen

erierung

Ziel

x x 1 2

x x 0 2

x x 1 4

x x 2 4

x x 1 1

x x 0 3

Nicht

relevant


Liegen Daten im Sinne einer

Single Source of Truth an

einem zentralen, führenden

System redundanzfrei vor?

Nein Separate Excel-Listen

IT-Systemlandschaft mit

Medienbrüchen bei der

Datenübertragung (z.B.

manuelle Eingabe von Daten

in ERP-System)

Führendes IT-System,

Grenzen und

Handlungsregeln definiert,

jedoch keine

standardisierten

Schnittstellen (z.B. OPC)

Klar definierte IT-

Systemlandschaft, Grenzen

und Handlungsregeln

definiert, standardisierte

Schnittstellen (z.B. OPC)


Wie werden Parameter des

Fertigungsprozesses vor der

Bearbeitung festgelegt?

Erfahrungswert

Maschinenbediener

Maschinenbediener wird

durch Sensorik unterstützt

Maschinenbediener legt

Analyseprogramm fest

Selbstständige Auswahl und

Lauf eines

Analyseprogramms

Selbstständige Auswahl und

Lauf eines

Analyseprogramms mit

Optimierungsfunktion

Digitale horizontale und

vertikale Integration der

Wertschöpfungskette

Keine virtuelle/digitale

Abbildung von

Produktionsressourcen

Nur einzelne selektive

Maschinen werden digital

abgebildet

Es existiert ein integriertes

digitales Abbild des

gesamten Maschinenparks

Sensorik, Rückmeldung

Maschinensteuerung

Wie bilden Sie die reale

Produktionssituation in

Bezug zu dem Auftagsstatus

systemseitig ab?

Manuell durch

papierbasierte

Rückmeldungen mit großem

Zeitversatz

Manuell durch Eintippen an

Terminals von Einzelstati

Manuell durch Scannen von

Einzelstati

Automatisch an definierten

Messpunkten

(Lichtschranken,…), passive

Sensorik auf

Artikel/Material

Permanent durch bspw. RTLS-

Systeme oder Geodaten aller

Artikel (aktive Sensorik auf

Artikel/Material)

Existiert ein integriertes

virtuelles Abbild der

Produktionsressourcen?

(Produktionscockpit)

Digitale horizontale und

vertikale Integration der

Wertschöpfungskette

Bei wie viel Prozent der

Datenübertragungen zu

Kunden oder Lieferanten

nutzen Sie EDI (Electronic-

Data-Interchange)?

Kein EDI Einsatz <25% 25-49% 50-74% >75%

„Erzeugung und Verfügbarkeit von Daten und Informationen zu allen

Aktivitäten in Echtzeit.“0 1 2 3 4

Automatische

Rückmeldedaten am BDE-

Terminal (sensorunterstützt)

Automatisierte Schnittstellen

aus Maschinendaten /

Sensor ohne Aufwand für

Mitarbeiter

1i - Informationsgenerierung

Auswertung

Sensorik, Rückmeldung

Maschinensteuerung

Wie erfolgt die Erfassung

der Rückmeldedaten in

Ihrer Produktion?

Rückmeldedaten werden

nicht erfasstRückmeldedaten werden

manuell erfasst (Papier)

Manuelle Rückmeldung am

BDE-Terminal (Auftragsnr.)

3

3

4

4

3

3

Attractive

fields for application in

Industrie 4.0

Documents

Aachener Industrie 4.0-Aktivitäten...Data Mining Models Scrap reduction in a light metal foundry CART-tree (Excerpt) Node 0 Category % n No defect Sprue defect 95,288 4,712 333 6734