Industrie 4.0 und Big Data

Industrie 4.0 und Big Data – Daten-Analyse als Schlüssel
für eine intelligente Diagnose in der Produktion
Dr. Alexander Maier, Fraunhofer IOSB-INA
Oliver Niggemann
© Fraunhofer IOSB
1
Das Centrum Industrial IT
•
•
•
•
Industrielle Kommunikation
Industrielle Bildverarbeitung
Künstliche Intelligenz in der Automation
User Experience and Interaction Design
CIIT II
© Fraunhofer IOSB
• Eingebettete Systeme in der
Automation
• Kognitive Verfahren in der Automation
• Usability Engineering
CIIT I
2
SmartFactoryOWL
BMBF-Spitzencluster im Bereich Industrie 4.0
Lemgo:
Bielefeld:
Intelligente Automation
Mensch-MaschineInteraktion
Paderborn:
Mechatronik
© Fraunhofer IOSB
3
Wir analysieren und überwachen hybride Produktionsanlagen
Die Überforderung des Menschen
Industrie 4.0
- Reduktion der wahrgenommenen Komplexität
© Fraunhofer IOSB
6
Thes e:
Indus trie 4.0 = Indus trie 3.0 + Wis s ens v erarbeitung
© Fraunhofer IOSB
7
Industrial Internet
Quelle: GE, Industrial Internet: Pushing the Boundaries of Minds and Machines, 2012
© Fraunhofer IOSB
8
Industrie 4.0 Services
Self-Configuration
Self-Optimization
Human-Machine-Interaction
© Fraunhofer IOSB
9
Anomalie-Erkennung:
Generelles Vorgehen
© Fraunhofer IOSB
10
Wo kom m en die Modelle her?
Big Data erlaubt das Lernen dies er Modelle!
© Fraunhofer IOSB
11
Datenumfang
 Energietechnik – Überwachung und Diagnose bei komplexen technischen
Systemen: Bei 1000 Geräten fallen 3,5 GB pro Minute an
BITKOM („Big Data im Praxiseinsatz – Szenarien, Beispiele, Effekte“ - 2012
 1,8 Zettabyte an Daten wurden im letzten Jahr erstmals weltweit produziert –
und Prognosen zufolge verdoppelt sich das Volumen alle zwei Jahre.
BIG DATA – Vorsprung durch Wissen – Innovationspotenzialanalyse“ (Fraunhofer IAIS)
 2010 fast 2 Exabytes neuer Daten in der verarbeitenden Industrie
McKinsey, „Big data: The next frontier for innovation, competition, and productivity,“ 2011.
© Fraunhofer IOSB
12
Big Data Tools
© Fraunhofer IOSB
13
Big Data in Windkraftanlagen
Modellierung,
Clusterverfahren
© Fraunhofer IOSB
14
Datengetriebene Lösung:
Maschinelles Lernen (Video)
© Fraunhofer IOSB
15
Datengetriebene Lösung:
Maschinelles Lernen (Video)
© Fraunhofer IOSB
16
Datengetriebene Lösung:
Maschinelles Lernen zum Modell-Lernen (Video)
© Fraunhofer IOSB
17
Datengetriebene Lösung:
Maschinelles Lernen zur Optimierung (Video)
© Fraunhofer IOSB
© Prof. Dr. Oliver Niggemann
18
Anwendungs-Szenario
Intelligentes
Technisches
System
ModelLernen
AnomalieErkennung
KonvergenzErkennung
© Fraunhofer IOSB
19
+/-
Anomalie-Erkennung:
Verwendung automatisch gelernter Modelle
© Fraunhofer IOSB
20
Beispiele aus der Industrie
Chemische Industrie
>5000 Signale
Frequenz 1 /min
© Fraunhofer IOSB
Fertigungstechnik
>5000 Signale
Frequenz 100/sec
Landwirtschaft
>1000 Signale
Frequenz 10/min
Windkraftanlagen
>100 Signale
Frequenz 100/sec
Spritzgusstechnik
>1000 Signale
Frequenz 100/sec
Glas-Produktion
>1000 Signale
Frequenz 10/sec
Verpackung
>500 Signale
Frequenz 100/sec
Recycling
>5000 Signale
Frequenz 10/sec
21
Zusammenfassung
Industrie 4.0 setzt auf eine intelligente Automation
Selbstüberwachung und Diagnose im Fokus
Maschinelles Lernen und Big Data als Lösung
Dr. Alex ander Maier
Fraunhofer - Anw endungs zentrum
Indus trial Autom ation (IOS B-INA)
Langenbruch 6, D-32657 Lemgo
www.iosb-ina.fraunhofer.de
© Fraunhofer IOSB
23

Download Report