Startseite Distanzbasierte Prozessmodellierung in zyklischen Fertigungssystemen
Artikel
Lizenziert
Nicht lizenziert Erfordert eine Authentifizierung

Distanzbasierte Prozessmodellierung in zyklischen Fertigungssystemen

  • Jonas Gram

    Jonas Gram, M. Eng., geb. 1995, absolvierte sein Bachelorstudium im Fach Wirtschaftsingenieurwesen an der Technischen Hochschule Würzburg-Schweinfurt und seinen Master in Elektro- und Informationstechnik an der Hochschule Kaiserslautern. Seit 2022 ist er als Wissenschaftlicher Mitarbeiter am Fraunhofer Institut für Produktionstechnik und Automatisierung (IPA) in Stuttgart tätig. Sein Forschungsschwerpunkt liegt in der Anomalie-Detektion und Ursachenanalyse in multivariaten Zeitreihendaten.

     EMAIL logo     , Julian B. Maier

    Julian B. Maier, M. Sc., geb. 1989, studierte an der Universität Stuttgart Maschinenbau. Nach seinem Studium hat er 2018 begonnen am Fraunhofer Institut für Produktionstechnik und Automatisierung in Stuttgart zu arbeiten. Aktuell arbeitet er dort als Projektleiter und stellvertretender Gruppenleiter in der Gruppe Autonome Produktionsoptimierung.

         und Veljko Milojkovic

    Veljko Milojkovic, B. Eng., geb. 1997, absolvierte sein Bachelorstudium in Maschinenbau und Management an der Hochschule Aalen. Derzeit ist er im Masterstudiengang Datenmanagement in Produktentwicklung und Produktion an derselben Hochschule eingeschrieben. Seit 2024 arbeitet er als Wissenschaftlicher Mitarbeiter am Fraunhofer IPA in Stuttgart, wo er sich mit der Analyse und Visualisierung von Produktionsprozessen sowie der Entwicklung von DevOps-Konzepten beschäftigt.
Veröffentlicht/Copyright: 7. Mai 2024
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 119 Heft 4

Abstract

Dieser Beitrag thematisiert die Herausforderungen in der Fertigungsindustrie bezüglich Effizienz und Fehleranfälligkeit. Das Ziel ist die Optimierung der Gesamtanlageneffektivität (OEE) durch eine neue Methode, die Produktionsprozesse mittels Signalvektor-Analyse der Speicherprogrammierbaren Steuerung (SPS) segmentiert. Dies ermöglicht eine effiziente Identifizierung von Leistungsverlusten anhand des Prozessablaufs. Die Methode wurde erfolgreich in zwei verschiedenen Fertigungssystemen validiert.

Abstract

The article addresses the challenges in the manufacturing industry regarding efficiency and error susceptibility. The goal is to optimize the Overall Equipment Effectiveness (OEE) through a new method that segments production processes by analyzing signal vectors of Programmable Logic Controllers (PLC). This allows for efficient identification of performance losses based on the process flow. The method has been successfully validated in two different manufacturing systems.

Keywords: OEE; Process Segmentation; Event Abstraction; PLC; Behavior Modeling; Industry 4.0
Schlüsselwörter: OEE; Prozesssegmentierung; Ereignisabstraktion; SPS; Verhaltensmodellierung; Industrie 4.0

Hinweis

Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory-Board wissenschaftlich begutachteten Fachaufsatz (Peer Review).

Tel.: +49 (0) 711 970-1482

About the authors

Jonas Gram

Jonas Gram, M. Eng., geb. 1995, absolvierte sein Bachelorstudium im Fach Wirtschaftsingenieurwesen an der Technischen Hochschule Würzburg-Schweinfurt und seinen Master in Elektro- und Informationstechnik an der Hochschule Kaiserslautern. Seit 2022 ist er als Wissenschaftlicher Mitarbeiter am Fraunhofer Institut für Produktionstechnik und Automatisierung (IPA) in Stuttgart tätig. Sein Forschungsschwerpunkt liegt in der Anomalie-Detektion und Ursachenanalyse in multivariaten Zeitreihendaten.

Julian B. Maier

Julian B. Maier, M. Sc., geb. 1989, studierte an der Universität Stuttgart Maschinenbau. Nach seinem Studium hat er 2018 begonnen am Fraunhofer Institut für Produktionstechnik und Automatisierung in Stuttgart zu arbeiten. Aktuell arbeitet er dort als Projektleiter und stellvertretender Gruppenleiter in der Gruppe Autonome Produktionsoptimierung.

Veljko Milojkovic

Veljko Milojkovic, B. Eng., geb. 1997, absolvierte sein Bachelorstudium in Maschinenbau und Management an der Hochschule Aalen. Derzeit ist er im Masterstudiengang Datenmanagement in Produktentwicklung und Produktion an derselben Hochschule eingeschrieben. Seit 2024 arbeitet er als Wissenschaftlicher Mitarbeiter am Fraunhofer IPA in Stuttgart, wo er sich mit der Analyse und Visualisierung von Produktionsprozessen sowie der Entwicklung von DevOps-Konzepten beschäftigt.

Literatur

1 Bauernhansl, T.: Die Vierte Industrielle Revolution – Der Weg in ein wertschaffendes Produktionsparadigma. In: Vogel-Heuser, B.; Bauernhansl, T.; Hompel, M. ten (Hrsg.): Handbuch Industrie 4.0 Bd. 4: Allgemeine Grundlagen. Springer-Verlag, Berlin, Heidelberg 2017, S. 1–31 10.1007/978-3-662-53254-6_1Suche in Google Scholar

2 Ashby, W. R.: An Introduction to cybernetics. Australasian Journal of Philosophy 35 (1957) 2, S. 147–150 10.1080/00048405785200161Suche in Google Scholar

3 Zhang, M.; Matta, A.: Data-driven Downtime Bottleneck Detection in Open Flow Lines. IEEE International Conference on Automation Science and Engineering 14 (2018), S. 1513–1518 10.1109/COASE.2018.8560403Suche in Google Scholar

4 Otto, K.; Mosqueda, J. S.: Model Based Root Cause Analysis of Manufacturing Quality Problems Using Uncertainty Quantification and Sensitivity Analysis. ASME International Design Engineering Technical Conferences and Computers and Information in Engineering Conference 39 (2019) 1 10.1115/DETC2019-97766Suche in Google Scholar

5 Kiran, M.; Mathew, C.; Kuriakose, J.: Root Cause Analysis for Reducing Breakdowns in a Manufacturing Industry. International Journal of Emerging Technology and Advanced Engineering 3 (2013) 1, S. 211–216Suche in Google Scholar

6 Brundage, M. P.; Kulvatunyou, B.; Ademujimi, T.; Rakshith, B.: Smart Manufacturing Through a Framework for a Knowledge-Based Diagnosis System. ASME 12th International Manufacturing Science and Engineering Conference collocated with the JSME/ASME 6th International Conference on Materials and Processing (2017) 3 10.1115/MSEC2017-2937Suche in Google Scholar

7 Brall, A.: Availability Modeling for the Application of Manufacturing Equipment. In: Proceedings of the Annual Reliability and Maintainability Symposium, Seattle, WA, USA 2002., S. 411–41610.1109/RAMS.2002.981676Suche in Google Scholar

8 Fregosi, D.; Bolen, M.; Paudyal, B.: Analysis of Variability in Calculated Performance Loss Rates of Large-Scale PV Plants. In: Proceedings of the 47th IEEE Photovoltaic Specialists Conference (PVSC), Calgary, AB, Canada 2020, S. 1742–1748 10.1109/PVSC45281.2020.9300710Suche in Google Scholar

9 Aboshosha, A.; Haggag, A.; George, N.; Hamad, H.A.: IoT-based Data-driven Predictive Maintenance Relying on Fuzzy System and Artificial Neural Networks. Scientific Reports 13 (2023) 1, S. 12186 10.1038/s41598-023-38887-zSuche in Google Scholar PubMed PubMed Central

10 Lepenioti, K.; Bousdekis, A.; Apostolou, D.; Mentzas, G.: Prescriptive Analytics: Literature Review and Research Challenges. International Journal of Information Management 50 (2020), S. 57–70 10.1016/j.ijinfomgt.2019.04.003Suche in Google Scholar

11 van Zelst, S. J.; Mannhardt, F.; Leoni, M. de; Koschmider, A.: Event Abstraction in Process Mining: Literature Review and Taxonomy. Granular Computing 6 (2021) 3, S. 719–736 10.1007/s41066-020-00226-2Suche in Google Scholar

12 Maier, J. B.; Gram, J.; Weisbarth, M.; Hennebold, C.; Huber, M. F.: Unsupervised Event Abstraction for Automatic Process Modeling of PLC-controlled Automation Systems. Procedia CIRP 120 (2023), S. 631–636 10.1016/j.procir.2023.09.050Suche in Google Scholar

13 Mannhardt, F.; Tax, N.: Unsupervised Event Abstraction Using Pattern Abstraction and Local Process Models. Online unter https://ceur-ws.org/Vol-1859/bpmds-06-paper.pdf [Abruf am 12.02.2024]Suche in Google Scholar

14 Budach, L.; Feuerpfeil, M.; Ihde, N.; Nathansen, A.; Noack, N.; Patzlaff, H.; Naumann, F.; Harmouch, H.: The Effects of Data Quality on Machine Learning Performance. arXiv:2207.14529 (2022)Suche in Google Scholar

15 Jaccard, P.: The Distribution of the Flora in the Alpine Zone. New Phytologist 11 (1912) 2, S. 37–50 10.1111/j.1469-8137.1912.tb05611.xSuche in Google Scholar
Published Online: 2024-05-07
Published in Print: 2024-03-30

© 2024 Walter de Gruyter GmbH, Berlin/Boston, Germany

Artikel in diesem Heft

  1. Frontmatter
  2. Editorial
  3. Für mehr Effizienz und Qualität
  4. Managementkonzepte
  5. Business Reengineering
  6. Qualitätsmanagement
  7. Vom prozessorientierten Qualitätsmanagementsystem zum adaptiven Lernpfad
  8. Qualitätssicherung
  9. Qualitätssicherung für die Serienfreigabe im Produktionsanlauf
  10. Prüfumfänge für Besondere Merkmale nachvollziehbar reduzieren
  11. Ein Konzept zur Qualitätssicherung für Fused Deposition Modeling
  12. Produktivität
  13. Produktivität in der Krise
  14. Lieferketten
  15. Integration des Lieferkettengesetzes in bestehende Prozesse
  16. Erfolgsfaktoren resilienter Kunden-Lieferanten-Beziehungen
  17. Logistik
  18. Dos und Don’ts in der Produktionslogistik
  19. Referenzprozesse
  20. Referenzprozess für die Beschaffung im Pflegesektor
  21. Technische sauberkeit
  22. Optimierung der Bauteilreinigungsprozesse
  23. Fem-Simulation
  24. FEM-Simulationen von Schmiedeprozessen mit inhomogener Erwärmung
  25. Digitalisierung
  26. Digitalisierungskonzepte für Expertenwissen in der Werkzeugentstehung
  27. Prozessmodellierung
  28. Distanzbasierte Prozessmodellierung in zyklischen Fertigungssystemen
  29. Virtuelle Qualitätsprüfung
  30. Steigerung der Resilienz in der virtuellen Qualitätsprüfung
  31. Kontinuierliche Verbesserung
  32. Methodische Implementierung von KVP in der Elektronikproduktion
  33. Vorschau
  34. Vorschau
https://doi.org/10.1515/zwf-2024-1042
Schlagwörter für diesen Artikel
OEE; Process Segmentation; Event Abstraction; PLC; Behavior Modeling; Industry 4.0

Artikel in diesem Heft

  1. Frontmatter
  2. Editorial
  3. Für mehr Effizienz und Qualität
  4. Managementkonzepte
  5. Business Reengineering
  6. Qualitätsmanagement
  7. Vom prozessorientierten Qualitätsmanagementsystem zum adaptiven Lernpfad
  8. Qualitätssicherung
  9. Qualitätssicherung für die Serienfreigabe im Produktionsanlauf
  10. Prüfumfänge für Besondere Merkmale nachvollziehbar reduzieren
  11. Ein Konzept zur Qualitätssicherung für Fused Deposition Modeling
  12. Produktivität
  13. Produktivität in der Krise
  14. Lieferketten
  15. Integration des Lieferkettengesetzes in bestehende Prozesse
  16. Erfolgsfaktoren resilienter Kunden-Lieferanten-Beziehungen
  17. Logistik
  18. Dos und Don’ts in der Produktionslogistik
  19. Referenzprozesse
  20. Referenzprozess für die Beschaffung im Pflegesektor
  21. Technische sauberkeit
  22. Optimierung der Bauteilreinigungsprozesse
  23. Fem-Simulation
  24. FEM-Simulationen von Schmiedeprozessen mit inhomogener Erwärmung
  25. Digitalisierung
  26. Digitalisierungskonzepte für Expertenwissen in der Werkzeugentstehung
  27. Prozessmodellierung
  28. Distanzbasierte Prozessmodellierung in zyklischen Fertigungssystemen
  29. Virtuelle Qualitätsprüfung
  30. Steigerung der Resilienz in der virtuellen Qualitätsprüfung
  31. Kontinuierliche Verbesserung
  32. Methodische Implementierung von KVP in der Elektronikproduktion
  33. Vorschau
  34. 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 7.9.2025 von https://www.degruyterbrill.com/document/doi/10.1515/zwf-2024-1042/pdf
Button zum nach oben scrollen