Industrial Data Analytics bietet viele Potenziale – nur wie nähern Unternehmen sich dem Thema an? Im Leitfaden »Datenschätze bergen in 7 Schritten« schlagen wir Ihnen eine strukturierte Herangehensweise vor. Passende Praxisbeispiele aus unserer Arbeit finden Sie hier. Für weitere Informationen können Sie sich gern an die jeweiligen Ansprechpartnerinnen und Ansprechpartner wenden.
Scheideler schafft mit einer Datenlandkarte Grundlagen für eigene Projekt im Bereich Industrial Data Analytics
Ganz typisch im Mittelstand: Die historisch gewachsenen Produktionsanlagen und Arbeitsprozesse erschwerten auch dem Automobilzulieferer Scheideler, eigene Potenziale für Industrial Data Analytics zu erkennen. Wo existieren überhaupt Daten? Wo kann ich mit gezielten Maßnahmen Daten-Lücken und Brüche schließen? Und wie nutze ich meine Daten gewinnbringend?
Gemeinsam mit dem Fraunhofer IEM erstellte Scheideler eine eigene Datenlandkarte – und legte bestehende Daten in Maschinen und Prozessen sowie potenzielle Anknüpfungspunkte offen. Auch die übersichtliche Darstellung trug dazu bei, dass schnell mögliche Projekte identifiziert wurden: So könnte Scheideler künftig die Daten seiner Pressen mit den Daten seiner Qualitätsprüfungen sinnvoll kombinieren und dadurch Wettbewerbsvorteile schaffen.
Kontakt: Jonathan Brock
Benteler bereitet Produktionsdaten seiner Warmumformung sinnvoll auf
Im Forschungsprojekt ML4Pro2 optimiert Benteler mit dem Fraunhofer IEM die Qualitätsprüfung in seiner Warmumformung. Beim Finden von Produktionsfehlern ist Zeit ein wichtiger Faktor. Je früher ein Fehler gefunden wird, desto effektiver und kostensparender ist seine Behebung. Deshalb bestückt Benteler seine Warmformlinie mit zusätzlicher Sensorik, um seine Produkte lückenlos datenseitig zu begleiten.
In Zukunft könnte dann eine Künstliche Intelligenz die Qualitätsprüfung von Produkten unterstützen: Indem sie Live-Sensordaten aus der Produktion parallel mit Simulationsdaten abgleicht und zusätzliche Faktoren wie Umgebungsbedingungen oder Maschinenstunden berücksichtigt, könnte sie eine wertvolle Entscheidungshilfe leisten, welches Produkt in eine zusätzliche Qualitätsprüfung muss und welches nicht.
Kontakt: Cederic Lenz
Die AZUR-Box bietet mittelständischen Unternehmen großen Nutzen mit wenig Aufwand
Condition-Monitoring-Systeme zur Vorhersage aktueller und zukünftiger Werkzeug- oder Maschinenzustände bauen häufig auf eine kombinierte Verarbeitung unterschiedlicher Messdaten. Da sie bisher nur mithilfe maßgeschneiderter Einzellösungen realisiert werden, ist ihr Einsatz vor allem für mittelständische Unternehmen oft ein zu großer Aufwand. In einem Projekt der Fraunhofer-Gesellschaft entwickelt das Fraunhofer IEM eine Condition-Monitoring-Box (die AZUR-Box), die autonom und betriebsbegleitend maßgeschneiderte Machine-Learning-Modelle entwirft, diese nutzt und selbstständig wartet. Kleine und große Unternehmen testen die AZUR-Box in der eigenen Praxis. Interessierte Betriebe können sich gerne melden!
Kontakt: Steven Koppert
ARI-Armaturen entwickelt ein Zielbild für die künftige digitale Infrastruktur
Auch beim Armaturen-Spezialisten ARI führt der Einzug digitaler Innovationen zu einer Verflechtung von Geschäft und IT. Dem Unternehmen fehlten bisher zielgerichtete Ansätze, um proaktiv die Zukunft seiner digitalen Infrastruktur zu planen. Gemeinsam mit dem Fraunhofer IEM erarbeitete ARI domänenübergreifend seine künftige IT-Architektur in Form eines Zielbildes. In einem Piloten prüften die Projektpartner die neuen Konzepte auf Praxistauglichkeit und stellen dabei die Frage: Wie bindet ARI Partner- und Kundenportale über technische Schnittstellen künftig an die eigene IT-Systemlandschaft an? Für die dafür erforderlichen Veränderungen in Geschäft und IT plant ARI konkrete Maßnahmen auf.
Kontakt: Philipp Sahrhage
Durch die Auswertung von NC-Code lassen sich Produktionskosten realitätsnah kalkulieren
Um die Kosten für neue Produkte realitätsnah einzuschätzen, leiten Unternehmen die Materialkosten häufig aus ihren CAD-Tools aus. Diese Kalkulation ist allerdings nicht vollständig, da sie die Kosten für die benötigten Produktionsanlagen ausblendet. Vor allem mittelständischen Unternehmen fällt es so schwer, die realen, komplexen Wechselwirkungen und Kosten genau abzuschätzen. In einem Projekt der Fraunhofer-Gesellschaft entwickelt das Fraunhofer IEM ein System, das die Kosten für die Fertigung eines neuen Produkts oder einer Kleinserie anhand des NC-Codes und unter Berücksichtigung der aktuellen, individuellen Produktionssituation realistisch und Shopfloor-individuell kalkuliert. Der entscheidende Vorteil ist die deutlich gesteigerte Anwendungsnähe durch das Verarbeiten von real auszuführendem Code und aktuellen Auslastungen. Um den Ansatz in der Praxis zu testen, führt das Fraunhofer IEM mehrere Use Cases in der holz- und metallverarbeitenden Industrie durch. Interessierte Betriebe können sich gerne melden!
Kontakt: Steven Koppert
Willich plant seine Beschaffung und Produktion mithilfe vorausschauender Modelle
Die Alfred Willich Produktions GmbH ist Spezialist für kundenspezifische Tauchmassen für die Wurst- und Schinkenveredlung. Zusammen mit dem Fraunhofer IEM arbeitet das Unternehmen daran, seine Produktionsplanung mit Methoden des Maschinellen Lernens zu optimieren. Auf Basis vorausschauender Modelle entsteht ein intelligenter Absatz-Forecast, der die Planung in den Bereichen Beschaffung und Produktion automatisiert. Langfristig hilft das, die Produktion vor entstehenden Aufträgen optimal und strukturiert zu planen, Kosten und Ressourcen zu sparen.
Kontakt: Jonathan Brock
Durch kennzahlenbasiertes Prozessmanagement lassen sich Zeit und Kosten in der Produktion sparen
Der Informationsaustausch zwischen Montage und anschließender Qualitätsprüfung ist eine Herausforderung vieler produzierender Unternehmen – insbesondere bei hoher Variantenvielfalt. Montage-Assistenzsysteme führen Daten aus der Qualitätskontrolle unmittelbar zurück in die Produktion. Grundlage dafür ist eine digitalisierte, kennzahlenbasierte Produktprüfung, die alle Qualitätsinformationen intelligent und datenschutzkonform miteinander verknüpft. Jeder Mitarbeitende in der Montage erhält so die für ihn oder sie wichtigen Informationen und kann Montagefehler besser vermeiden. Das spart Zeit und Kosten in der Produktion. In Kooperation mit Diebold Nixdorf hat das Fraunhofer IEM ein entsprechendes Montage-Assistenzsystem prototypisch entwickelt und evaluiert.
Kontakt: Benedict Wohlers
Ein System für erklärbare Künstliche Intelligenz hilft, die Technologie in der Praxis zu etablieren
Durch situationsbedingte Fehler oder fehlende Nachvollziehbarkeit wird Künstlicher Intelligenz oft wenig Vertrauen geschenkt – auch in der Industrie. Im it’s OWL-Projekt ExplAIn macht das Fraunhofer IEM vorhandene und neue Verfahren des Maschinellen Lernens (ML) nachvollziehbarer und sicherer. Dafür entsteht ein Explainable Artificial Intelligence (XAI)-System, das ML-Systeme und ihre Datenbasis prozessbegleitend analysiert und kontrolliert und somit sicher und vertrauenswürdig macht: 1. Es analysiert und wartet die Datenbasis, 2. es analysiert gestellte Aufgaben anhand der Datenbasis, 3. es führt getroffene Entscheidungen auf die ausschlaggebenden Fragmente im Input zurück und 4. es ermöglicht Einfluss auf das Systemverhalten. Das XAI-System wird anhand von Use Cases bei düspohl entwickelt und pilotiert. Die Anwendungsfälle sind Anomalie-Erkennung, Maschineneinrichtung und Predictive Quality.
Kontakt: Steven Koppert
Miele gestaltet seine Logistik langfristig flexibler und effizienter – und setzt dafür auf eigenes Data-Science-Wissen
Gemeinsam mit dem Fraunhofer IEM erforscht Miele, wie es seine Logistik im Lager Oelde mit Künstlicher Intelligenz langfristig noch besser machen kann. Ein Baustein dabei: Die Miele-Logistik-Experten entwerfen und programmieren die KI-Anwendung selbst und bauen so eigene Kompetenzen auf. Das schafft Akzeptanz, Flexibilität, ein besseres Verständnis der eigenen Prozesse und mehr Sicherheit im Umgang mit Daten.
Kontakt: Silke Merkelbach
Fraunhofer-Institut für