Startseite Datengetriebene Produktionsoptimierung in der Montage
Artikel
Lizenziert
Nicht lizenziert Erfordert eine Authentifizierung

Datengetriebene Produktionsoptimierung in der Montage

  • Daniel Palm , Peter Ohlhausen , Anja Braun , Rebecca Welte , Angelika Styr , Felix Walter , Tobias Meindorfer , Christian Schmitt , Elena Seeger , Ruben Altmann und Brandon Sai
Veröffentlicht/Copyright: 29. August 2018
Veröffentlichen auch Sie bei De Gruyter Brill

Kurzfassung

Der Einsatz von Data Science in der Produktion ermöglicht eine neue Art der Optimierung von Prozessen und Systemen. Die Bedeutung der datengetriebenen Produktionsoptimierung wächst zunehmend im produzierenden Gewerbe. Im Gegensatz zu konventionellen Ansätzen, wie z. B. die des Lean Managements, basiert dieser anhaltende Trend auf der steigenden Verfügbarkeit von Daten im Zuge der digitalen Transformation. Vor allem kleine und mittlere Unternehmen stehen vor der Herausforderung abzuwägen, welche Maßnahmen hierfür ergriffen werden sollten und welche Nutzenpotenziale sich daraus ergeben. Diese Arbeit stellt einen strukturierten Leitfaden zur Vorgehensweise bei Datenanalyseprojekten bezogen auf einen spezifischen Anwendungsfall im Kontext einer frühen Fehlerdetektion und -prävention dar.

Abstract

Using data science in the production area enables a new kind of process and system optimization. The importance of data driven production optimization is growing continuously in all main industrial sectors. In contrast to conventional approaches such as lean manufacturing, this lasting trend is based on the increasing availability of data due to the digital transformation. Especially SMEs are facing the challenge of evaluating which methods should be used and offer the highest potential. Within this paper, a structured guideline of how to approach projects in the field of data science is given.


Prof. Dr. Daniel Palm, Prof. Dr. Peter Ohlhausen und Prof. Dr. Anja Braun sind Professoren an der ESB Business School in dem Master-Studiengang Operations Management.

B. Sc. Rebecca Welte, B. Sc. Angelika Styr, B. Eng. Felix Walter, B. A. Tobias Meindorfer, B. Eng. Christian Schmitt, B. Sc. Elena Seeger, B. Eng. Ruben Altmann sind Masterstudenten des Studiengangs Operations Management der ESB Business School, Reutlingen.

M. Sc. Brandon Sai ist Wissenschaftlicher Mitarbeiter am Fraunhofer IPA, Stuttgart.


Literatur

1. Bauernhansl, T.: Die Vierte industrielle Revolution – Der Weg in ein wertschaffendes Produktionsparadigma. In: Bauernhansl, T; Hompel, M.; Vogel-Heuser, B. (Hrsg.): Industrie 4.0 in Produktion, Automatisierung und Logistik: Anwendung, Technologien, Migration. Springer-Vieweg-Verlag, Wiesbaden2014, S. 53610.1007/978-3-658-04682-8_1Suche in Google Scholar

2. Freitag, M.; Kück, M.; Ait Alla, A.; Lütjen, M.: Potenziale von Data Science in Produktion und Logistik. In: Industrie 4.0 Management. Bremer Institut für Produktion und Logistik, Bremen2015Suche in Google Scholar

3. IBM Corporation: IBM SPSS Modeler CRISP-DM Handbuch. München, 2012Suche in Google Scholar

4. Langer, S.; Marschner, C.: Clustern und Klassifizieren. In: Skript, Universität München, 2006Suche in Google Scholar

5. Schebek, L.; Kannengießer, J.; Campitelli, A.; Fischer, J. et al.: Ressourceneffizienz durch Industrie 4.0. Potenziale für KMUs des verarbeitenden Gewerbes. VDI Zentrum für Ressourceneffizienz GmbH, Berlin2017)Suche in Google Scholar

6. Wieland, U.; Pfitzner, M.: Interdisziplinäre Datenanalyse für Industrie 4.0. Controlling & Management Review, Sonderheft1, 2014, S. 808510.1365/s12176-014-0896-5Suche in Google Scholar

7. Johannsen, W.; Goeken, M.: Standards – Information Governance mit COBIT 5 “Enabling Information”, S.3135 in IT-Governance, Heft 25/ 2017, März 2017. Online unter: https://www.wiso-net.de/document/ITG__5270ECF1BC2EC6D56F27DCF2CC3F1C51 [Zugriffsdatum: 24.03.2017]Suche in Google Scholar

Online erschienen: 2018-08-29
Erschienen im Druck: 2018-08-20

© 2018, Carl Hanser Verlag, München

Heruntergeladen am 4.11.2025 von https://www.degruyterbrill.com/document/doi/10.3139/104.111954/html
Button zum nach oben scrollen