Abstract
Nach zehn Jahren Industrie 4.0 ist ein deutliches Potential für Unternehmen zu verzeichnen, nicht zuletzt durch eine steigende Anzahl gewinnbringender Use Cases. Gerade in Brownfield-Produktionen scheitern die Initiativen meist an technischen Voraussetzungen der Datenaufnahme. Der Status quo wurde im Rahmen einer Umfrage zum grundsätzlichen Stellenwert, der Kundennachfrage, der Nutzung und den jeweiligen Mehrwerten evaluiert. Hierbei wurden auch die damit einhergehenden Hemmnisse und Hürden bei der Digitalisierung der Produktion betrachtet. Der vorliegende Beitrag beschreibt zudem eine neuartige Möglichkeit, Daten aus Brownfield-Produktionsmaschinen intelligent zu extrahieren.
Abstract
After 10 years of Industry 4.0, there is clear potential for companies, not least due to an increasing number of profitable use cases. Particularly in Brownfield Production, the initiatives usually fail due to technical requirements for data acquisition. The status quo was evaluated in the context of a survey on the fundamental importance, customer demand, use and the respective added values, including the associated barriers and obstacles in the digitization of production. This present paper also describes an innovative way of intelligently extracting data from Brownfield Production Machines.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWFAdvisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
About the authors
Philipp Gönnheimer, M. Sc., ist Gruppenleiter für Werkzeugmaschinen und Mechatronik am wbk Institut für Produktionstechnik des KIT.
Markus Netzer, M. Eng., ist Wissenschaftlicher Mitarbeiter am wbk Institut für Produktionstechnik des KIT.
Carolin Lange, B. Sc., studieren Maschinenbau am KIT.
Roman Dörflinger, B. Sc., studieren Maschinenbau am KIT.
Judith Armbruster, M. A., ist Produktmanagerin IIoT Building Blocks bei iT Engineering Software Innovations.
Prof. Dr.-Ing. Jürgen Fleischer ist Institutsleiter für Maschinen, Anlagen und Prozessautomatisierung am wbk Institut für Produktionstechnik des KIT.
Literatur
1 Vogel-Heuser, B.; Bauernhansl, T.; ten Hompel, M.: Handbuch Industrie 4.0 (Bd. 1). Springer-Verlag, Berlin, Heidelberg 2017, S. 3, 27 DOI: 10.1007/978-3-662-45279-010.1007/978-3-662-45279-0Search in Google Scholar
2 Netzer, M.; Begemann, E.; Gönnheimer, P.; Fleischer, J.: Digitalisierung im deutschen Maschinen- und Anlagenbau. wt Werkstattstechnik online 111 (2021) 7/8, S. 526–530 DOI: 10.37544/1436-4980-2021-07-08-5810.37544/1436-4980-2021-07-08-58Search in Google Scholar
3 accenture (Hrsg.): Insight Connected Industrial Workforce Research, Studie (2019). Online unter https://www.accenture.com/us-en/insight-connected-industrial-workforce-research [Zugriff am 07.09.2019]Search in Google Scholar
4 Gönnheimer, P.; Hillenbrand, J.; BetzMors, T. et al.: Auto-configuration of a Digital Twin for Machine Tools by Intelligent Crawling. In: Wulfsberg, J. P.; Hintze, W.; Behrens, B. (Hrsg.): Production at the Leading Edge of Technology. Springer-ViewegVerlag, Wiesbaden 2019, S. 543–552 DOI: 10.1007/978-3-662-60417-5_5410.1007/978-3-662-60417-5_54Search in Google Scholar
5 Gönnheimer, P.; Ehrmann, C.; Wu, Y.; Kimmig, A.; Fleischer, J.: Konzeption und Entwicklung eines Produktionsanlagenkonfigurations im Rahmen einer deutsch-chinesischen Industrie-4.0-Fabrikautomatisierungsplattform. ZWF 116 (2021) 11, S. 836–840 DOI: 10.1515/zwf-2021-019310.1515/zwf-2021-0193Search in Google Scholar
6 Netzer, M.; Palenga, Y.; Fleischer, J.: Machine Tool Process Monitoring by Segmented Timeseries Anomaly Detection Using Subprocess-specific Thresholds. Production Engineering (2022) DOI: 10.1007/s11740-022-01120-310.1007/s11740-022-01120-3Search in Google Scholar
7 Netzer, M.; Palenga, Y.; Gönnheimer, P.; Fleischer, J.: Offline-Online Pattern Recognition for Enabling Time Series Anomaly Detection on Older NC Machine Tools. Journal of Machine Engineering 21 (2021) 1, S. 98–108 DOI: 10.36897/jme/13224810.36897/jme/132248Search in Google Scholar
8 Netzer, M.; Michelberger, J.; Fleischer, J.: Intelligent Anomaly Detection of Machine Tools Based on Mean Shift Clustering. Procedia CIRP 93 (2020), S. 1448–1552 DOI: 10.1016/j.procir.2020.03.04310.1016/j.procir.2020.03.043Search in Google Scholar
9 KIT (Hrsg.): Forschungsprojekt EN-AIBLER, Intelligente Bereitstellung von Produktionsdaten zur Steigerung der Wertschöpfung durch KI-Anwendungen. Online unter https://www.wbk.kit.edu/wbkintern/Forschung/Projekte/EN-AI-BLER/index.php [Zugriff am 10.03.2022]Search in Google Scholar
10 Gönnheimer, P.; Puchta, A.; Fleischer, J.: Automated Identifcation of Parameters in Control Systems of Machine Tools. In: Behrens, B. et al. (Hrsg.): Production at the Leading Edge of Technology. Springer-Verlag, Berlin, Heidelberg 2020, S. 568–577 DOI: 10.1007/978-3-662-62138-7_5710.1007/978-3-662-62138-7_57Search in Google Scholar
11 Gönnheimer, P. et al.: Erhöhung der Skalierbarkeit von KI-Anwendungen in Produktionsanlagen durch intelligente Parameteridentifikation und Datensegmentierung. ZWF 115 (2020) 7/8, S. 517–519 DOI: 10.3139/104.11231810.3139/104.112318Search in Google Scholar
12 Gönnheimer, P.; Karle, A.; Mohr, L.; Fleischer, J.: Comprehensive Machine Data Acquisition through Intelligent Parameter Identification and Assignment. Procedia CIRP 104 (2021), S. 720–725 DOI: 10.1016/j.procir.2021.11.12110.1016/j.procir.2021.11.121Search in Google Scholar
© 2022 Walter de Gruyter GmbH, Berlin/Boston, Germany
