Skript Flashcards
(170 cards)
Cloud Computing: Potentiale/Hemmnisse
Potentiale: Verbesserte Kommunikation innerhalb der Wertschöpfungskette, Neue Möglichkeiten zur Kundenbindung, geringer Integrationsaufwand.
Hemmnisse: Skepsis der Unternehmen bezüglich IT-Sicherheit und zu großer Transparenz
Big Data: Potentiale/Hemmnisse
Potentiale: Optimale Produktionsplanung und -Steuerung, Präventive Maßnahmensteuerung
Hemmnisse: Steigendes Volumen der Daten, Keine Sicherheit über Mehrwert der Daten
Smart Services: Potentiale/Hemmnisse
Potentiale: Höhere Flexibilität für die Lösung von Produktionstechnischen Problemen, geringe Kapitalbindung durch Maschinen “on-demand”
Hemmnisse: Selektion der Betriebsdaten, Datengeheimnisse der Unternehmen, Keine verbreitete Nutzung offener Softwaresystem
Übergreifende Hemmnisse
- Keine umfassenden Standards, die den Anforderungen der Produktion entsprechen
- Keine geeigneten IT-Sicherheitskonzepte und rechtliche Rahmenbedingungen
- Hohe Investitionskosten
- Starre Strukturen und Prozesse im Unternehmen
Ebenen-Modell
Planungsebene Leitebene Zellenebene Steuerungsebene Aktor/Sensorebene
Rami 4.0 (3 Ebenen)
- Hierarchy Level: vertikale Integration eines Unternehmens
- Life Cycle & Value Streams: Abbildung Lebenszyklus von Anlagen & Produkten
- Layers: Darstellung der informations- und kommunikationstechnischen Funktionalität
Nächste Arbeitsschritte Schritte Rami 4.0
- Identifikation,
- Semantik,
- Qualitiy of Service (QoS) der Industrie 4.0 Komponente
- Industrie 4.0-Kommunikation
Motivation für Auto ID
Steigende Produktkomplexität und individuelle Bestellungen führen zu einem komplexen Produktionssystem mit einer dezentralen Steuerung.
Voraussetzung dafür ist eine sichere Identifikation aller Teilnehmer
Indirekte Identifikation
Anbringen einer ID, die dann abgelesen wird
- Vorteile: Einfache Integration, Robuste Technologien, auch Lokalisierung möglich
- Nachteile: Mengenmäßige Kosten durch Chip/Aufkleber, Eingeschränkte Be- und Weiterbearbeitung des Werkstücks
Direkte Identidikation
Erfassen der direkten Merkmale eines Objektes (Form)
- Vorteile: Abdecken der gesamten Prozesskette möglich, keine mengenmäßige Kosten, zusätzliche Qualitätskonrtolle
- Nachteile: Aufwendige Integration, nur eingeschränkte Lokalisierung möglich
Arten von AutoID Systemen
- Magnetisch (Magnetband, Magentstreifen)
- Elektronisch (Speicherkarten, RFID, Prozessorkarten)
- Optisch (Klarschrift, 1D-Code, 2D-Stapelcode, 2D-Matrixcode)
- Biometrisch (Iriserkennung, Fingerabdruck, Stimmerkennung, Handerkennung)
RFID
bezeichnet eine Technologie für Sender- und Emfängersysteme zum automatischen und berührungslosen Identifizieren und Lokalisieren von Objekten
Bestandteile RFID
- Transponder
- Lesegerät
- Middleware zum übergeordneten IT-System
I4.0 Ziele
- Einheitliche und flächendeckende Vernetzung der Komponenten
- Organisation der gesamten Wertschöpfungskette orientiert sich an Kunden
OPC UA
Erstellen einer semantisch einheitlich Beschreibung von aller Geräte, um Datenanalyse- und Steuerung zu vereinfachen
Data Lake
Zentraler Speicher für Rohdaten, die in einer flachen Architektur und im Ursprungsformat abgelegt wurden
Data Warehouse
Daten werden in definierten Strukturen und Ordnern gespeichert
Datenbasierte Systemmodellierung
Verhalten des Systems wird mittels realer historischer Daten abgebildet
Ziel: Ermittlung von Zusammenhängen zwischen Eingangs, -Stör- und Ausgangsgrößen in komplexen Systemen
Schritte KDD-Prozess (Knowledge Discovery in Databases)
Selektion, Vorverarbeitung, Transformation, Data Mining, Interpretation/Evaluation
- Data Analyst ab Transformationsschritt, Data Scientist macht alles
Data Mining - Methoden
- Data Analytics,
- Statistische Verfahren,
- Maschinelles Lernen (Entscheidungsbäume, künstliche neuronale Netze, Support Vector Machines)
Data Mining - Definition
Data Mining ist die Extraktion von bisher unbekannten und potentiell nützlichen Informationen aus Daten
Maschinelles Lernen - Definition
- Algorithmen, die aus Beispielen Lernen können und diese verallgemeinern können
- Erkennen Muster und Gemeinsamkeiten in den Lerndaten
- Lerntransfer: System kann auch unbekannte Daten beurteilen
Anwenungsbeispiele maschinelles lernen
- Prüfung von Batterieseparatoren mit Entscheidungsbäumen
- Regelung der Volltondichte bei Rollenoffsetdruckmaschinen mit künstlichen neuroalen Netzwerken
Gefahren durch I 4.0
- Unautorisierter externer Zugriff auf Unternehmensdaten
- Eingriff in sicherheitskritische Bereiche der Produktion