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
© Copyright 2025 ExpyDoc