Startseite Industrial Data Science in Wertschöpfungsnetzwerken
Artikel
Lizenziert
Nicht lizenziert Erfordert eine Authentifizierung

Industrial Data Science in Wertschöpfungsnetzwerken

Konzept einer Service-Plattform zur Datenintegration und -analyse, Kompetenzentwicklung und Initiierung neuer Geschäftsmodelle
  • Jürgen Mazarov , Patrick Wolf , Julian Schallow , Fabian Nöhring , Jochen Deuse und Ralph Richter
Veröffentlicht/Copyright: 13. Januar 2020
Veröffentlichen auch Sie bei De Gruyter Brill
Manuskript einreichen Informationen für Autor*innen
Zeitschrift für wirtschaftlichen Fabrikbetrieb
Aus der Zeitschrift Zeitschrift für wirtschaftlichen Fabrikbetrieb Band 114 Heft 12

Kurzfassung

Industrial Data Science eröffnet produzierenden Unternehmen innovative Möglichkeiten zur Optimierung von Produkten und Prozessen sowie der Initiierung neuer Geschäftsmodelle in Wertschöpfungsnetzwerken. Um Unternehmen zum zielgerichteten Einsatz moderner Analysetechnologien zu befähigen, werden in diesem Beitrag das Konzept eines integrierten, datengetriebenen Referenzbaukastens zur industriellen Datenanalyse sowie dessen Realisierung als kollaborative Service-Plattform vorgestellt und beispielhaft Anwendungsfälle skizziert.

Abstract

Concept of a Service Platform for Data Integration and Analysis, Competence Development and Initiation of New Business Models. Industrial Data Science provides manufacturing companies with innovative opportunities to optimize products and processes as well as to initiate new business models in value creation networks. To enable companies to use modern analysis technologies, the concept of an integrated, data-driven reference kit for Industrial Data Science and its implementation as a collaborative service platform are presented. In addition, use cases of individual solution modules of the service platform are outlined.

Jürgen Mazarov, M. Sc., geb. 1992, studierte Wirtschaftsingenieurwesen an der Technischen Universität Dortmund. Seit 2018 ist er als Wissenschaftlicher Mitarbeiter am Institut für Produktionssysteme, Technische Universität Dortmund, tätig. Seine Arbeitsschwerpunkte liegen in den Bereichen Industrie 4.0, Industrial Data Science und Qualitätssicherung.

Patrick Wolf, M. Sc., geb. 1989, studierte Informatik an der Technischen Universität Dortmund. Seit 2017 ist er als Wissenschaftlicher Mitarbeiter am Institut für Produktionssysteme, Technische Universität Dortmund, tätig. Seine Arbeitsschwerpunkte liegen in den Bereichen Variabilität in der Produktion, Digital Manufacturing und Softwaregestaltung im produktiven Umfeld.

Dipl.-Wirt.-Ing. Julian Schallow, geb. 1983, studierte Wirtschaftsingenieurwesen an der Technischen Universität Dortmund. Von 2008 bis 2015 war er Wissenschaftlicher Mitarbeiter am Institut für Produktionssysteme der TU Dortmund und seit 2011 für den Forschungsbereich Digitale Fabrik verantwortlich. 2015 wechselte er zum Institut für Forschung und Transfer (RIF e. V.) in die Koordination der Industrieaktivitäten. Seit 2017 ist er Geschäftsführer der IPS Engineers GmbH und verantwortet die Strategie- und Geschäftsentwicklung.

Fabian Nöhring, M. Sc., geb. 1988, studierte Wirtschaftsingenieurwesen an der Technischen Universität Dortmund. Seit 2013 ist er als Wissenschaftlicher Mitarbeiter am Institut für Produktionssysteme, Technische Universität Dortmund, tätig. Seine Arbeitsschwerpunkte liegen in den Bereichen Industrie 4.0 und Zeitwirtschaft.

Prof. Dr.-Ing. Jochen Deuse, geb. 1967, studierte Maschinenbau an der Technischen Universität Dortmund und promovierte am Laboratorium für Werkzeugmaschinen und Betriebslehre (WZL) der RWTH Aachen. Im Zeitraum von 1998 bis 2005 war er für die Bosch-Gruppe in Führungspositionen in Deutschland und Australien tätig. Seit 2005 ist er Professor an der Technischen Universität Dortmund und leitet das Institut für Produktionssysteme. Darüber hinaus ist er seit 2019 Professor für Advanced Manufacturing/ Industry 4.0 an der School of Mechanical and Mechatronic Engineering der University of Technology Sydney.

Dr.-Ing. Ralph Richter, geb. 1957, studierte Luft- und Raumfahrttechnik an der Universität Stuttgart und promovierte am Fraunhofer Institut für Arbeitswissenschaft und Organisation (IAO). Im Zeitraum von 1985 bis 2018 war er für die Bosch-Gruppe in Führungspositionen in Deutschland und den USA tätig. Seit 2019 leitet er in Zusammenarbeit mit Prof. Dr.-Ing Jochen Deuse das Institut für Produktionssysteme.

Literatur

1. VDI-Fachbereich Fabrikplanung und -betrieb: VDI 4499 Blatt 3: Digitale Fabrik. Datenmanagement und Systemarchitekturen. VDI-Gesellschaft Produktion und Logistik, Düsseldorf2016https://doi.org/10.3139/104.11143310.3139/104.111433Suche in Google Scholar

2. Eigner, M.; August, U.; Schmich, M.: Smarte Produkte erfordern ein Umdenken bei Produktstrukturen und Prozessen, Siemens White Paper, 2016Suche in Google Scholar

3. Eickelmann, M.; Wiegand, M.; Konrad, B.; Deuse, J.: Die Bedeutung von Data-Mining im Kontext von Industrie 4.0. ZWF110 (2015) 11, S. 738–74310.3139/104.111433Suche in Google Scholar

4. Bange, C.; Janoschek, N.: Big Data Analytics – Auf dem Weg zur datengetriebenen Wirtschaft, BARC-Institut, 2014Suche in Google Scholar

5. Weskamp, M.; Tamas, A.; Wochinger, T.; Schatz, A.: Studie – Einsatz und Nutzenpotentiale von Data Mining in Produktionsunternehmen. Fraunhofer IPA, Stuttgart2016Suche in Google Scholar

6. Pols, A.; Heidkamp, P.; Erwin, T.: Datennutzung und Analysemethoden – Wie verWERTen deutsche Unternehmen Daten?KPMG, Berlin2016Suche in Google Scholar

7. Krzoska, S.; Eickelmann, M.; Schmitt, J.; Deuse, J.: Data Mining zur Nacharbeitsdauerprognose. wt – Werksattstechnik online107 (2017) 10, S. 773–778Suche in Google Scholar

8. Deuse, J.; Erohin, O.; Lieber, D.: Wissensentdeckung in vernetzten, industriellen Datenbeständen. In: Industrie 4.0 – Wie intelligente Vernetzung und kognitive Systeme unsere Arbeit verändern. Gito Verlag, Berlin2014, S. 373–395Suche in Google Scholar

9. Döbel, I.; Leis, M.; Vogelsang, M. M.; Neustroev, D.; Petzka, H.; Rüping, S.; Voss, A.; Wegele, M.; Welz, J.: Maschinelles Lernen – Kompetenzen, Anwendungen und Forschungsbedarf. Fraunhofer IAIS, Fraunhofer IMW, Fraunhofer Zentrale, München2018Suche in Google Scholar

10. acatech – Deutsche Akademie der Technikwissenschaften: Kompetenzentwicklungsstudie Industrie 4.0 – Erste Ergebnisse und Schlussfolgerungen. acatech, München2016Suche in Google Scholar

11. Kennet, S. R.; Zonnesheim, A.; Fortuna, G.: A Road Map for Applied Data Science Supporting Sustainability in Advanced Manufacturing: The Information Quality Dimensions. In: Procedia Manufacturing 21–15th Global Conference on Sustainable Manufacturing, 2018https://doi.org/10.1016/j.promfg.2018.02.10410.1016/j.promfg.2018.02.104Suche in Google Scholar

12. Kletti, J.: Manufacturing Execution System –MES. Springer-Verlag, Berlin, Heidelberg2007https://doi.org/10.1007/978-3-540-49744-810.1007/978-3-540-49744-8Suche in Google Scholar

13. Marjani, M.; Nasaruddin, F.; Gani, A.; Karim, A.; Hashem, I.; Siddiga, A.; Yagoob, I.: Big IoT Data Analytics: Architecture, Opportunities, and Open Research Challenges. IEEE Access, 2017Suche in Google Scholar

Online erschienen: 2020-01-13
Erschienen im Druck: 2019-12-17

© 2019, Carl Hanser Verlag, München

Artikel in diesem Heft

  1. Editorial
  2. Cyber-Risko-Analyse
  3. Inhalt/Contents
  4. Inhalt
  5. Vernetzte Produktion
  6. Produktionsnetzwerke und Fabriktypen der Zukunft
  7. Gestaltung effizienter Produktionssysteme
  8. Vernetzte Produktionsplanung
  9. Smart Factory auf dem Vormarsch
  10. Produktionsplanung und -Steuerung
  11. Produktionsplanung und -steuerung im Kontext von Industrie 4.0
  12. Verbesserung der Liefertermintreue durch Simulation
  13. Risikomanagement in der energieorientierten Produktionsplanung und -steuerung
  14. Produktionssteuerung von komplexen Materialflüssen
  15. Reihenfolgeplanung für die Variantenfließfertigung
  16. Supply-Chain-Management
  17. Vertrauen im Supply-Chain-Management als Enabler für transparente Wertschöpfungsketten
  18. Ein zukunftssicheres Supply-Chain-Management
  19. Hybride Wertschöpfung
  20. Befähigungssystem für die Transformation zu hybrider Wertschöpfung
  21. Wertstrommethode
  22. Die digitale Wertstrommethode
  23. Nformations Management
  24. Potenziale in der Informationswirtschaft
  25. Additive Fertigung
  26. Entwicklung von Geschäftsmodellen auf Basis der additiven Fertigung
  27. Vorgehensmodell
  28. Strategisches Programm für Industrie 4.0
  29. Industrial Data Science
  30. Industrial Data Science in Wertschöpfungsnetzwerken
  31. Effizientes Produktionscontrolling im Zeitalter der Digitalisierung
  32. Predictive Maintenance
  33. Effizienzsteigerung der Serienproduktion durch vorausschauende Werkzeugwartung
  34. Dienstleistungen
  35. Services für digital unterstützte Strahlprozesse
  36. Vorschau/Preview
  37. Vorschau
https://doi.org/10.3139/104.112205

Artikel in diesem Heft

  1. Editorial
  2. Cyber-Risko-Analyse
  3. Inhalt/Contents
  4. Inhalt
  5. Vernetzte Produktion
  6. Produktionsnetzwerke und Fabriktypen der Zukunft
  7. Gestaltung effizienter Produktionssysteme
  8. Vernetzte Produktionsplanung
  9. Smart Factory auf dem Vormarsch
  10. Produktionsplanung und -Steuerung
  11. Produktionsplanung und -steuerung im Kontext von Industrie 4.0
  12. Verbesserung der Liefertermintreue durch Simulation
  13. Risikomanagement in der energieorientierten Produktionsplanung und -steuerung
  14. Produktionssteuerung von komplexen Materialflüssen
  15. Reihenfolgeplanung für die Variantenfließfertigung
  16. Supply-Chain-Management
  17. Vertrauen im Supply-Chain-Management als Enabler für transparente Wertschöpfungsketten
  18. Ein zukunftssicheres Supply-Chain-Management
  19. Hybride Wertschöpfung
  20. Befähigungssystem für die Transformation zu hybrider Wertschöpfung
  21. Wertstrommethode
  22. Die digitale Wertstrommethode
  23. Nformations Management
  24. Potenziale in der Informationswirtschaft
  25. Additive Fertigung
  26. Entwicklung von Geschäftsmodellen auf Basis der additiven Fertigung
  27. Vorgehensmodell
  28. Strategisches Programm für Industrie 4.0
  29. Industrial Data Science
  30. Industrial Data Science in Wertschöpfungsnetzwerken
  31. Effizientes Produktionscontrolling im Zeitalter der Digitalisierung
  32. Predictive Maintenance
  33. Effizienzsteigerung der Serienproduktion durch vorausschauende Werkzeugwartung
  34. Dienstleistungen
  35. Services für digital unterstützte Strahlprozesse
  36. Vorschau/Preview
  37. Vorschau
Jetzt anmelden und 20% sparen
Institutioneller Zugang
Wie funktioniert Authentifizierung?
Haben Sie eine Idee, wie wir unsere Website verbessern können?
Bitte schreiben Sie uns.
© 2025 De Gruyter Brill
Heruntergeladen am 10.9.2025 von https://www.degruyterbrill.com/document/doi/10.3139/104.112205/html
Button zum nach oben scrollen