Konferenz für Big Data,
Data Science und Machine Learning
Heidelberg, Print Media Academy, 25.-28. September 2018

data2day 2018 » Programm »

Data Analytics und Predictive Maintenance im Maschinen- und Anlagenbau

In der heutigen hoch kompetitiven kunden- und serviceorientierten Wirtschaft sind Daten das Rohmaterial für Unternehmenswachstum – allerdings nur, wenn aus den Daten die richtigen Schlüsse gezogen werden. Somit steht das Sammeln von Daten ganz am Anfang einer Datenverarbeitungskette, die mit der erfolgreichen Realisierung smarter Dienste wie etwa dem Predictive Maintenance und darauf aufbauender Geschäftsmodelle endet.

In diesem Vortrag werden Methoden und Technologien zur Bewerkstelligung dieser Transformation von Daten hin zu Diensten vorgestellt. Hierzu wird ein dreiphasiges Vorgehensmodell vorgestellt, welches die (1) Identifikation tragfähiger Use-Cases, (2) prototypische Entwicklung von Datenanalyse-Algorithmen und (3) Operationalisierung des Analysedienstes adressiert. Zur Veranschaulichung dieses Vorgehensmodells dienen Use-Cases führender Unternehmen aus dem Maschinen- und Anlagebau. Beispielsweise wird dargelegt, wie sich Produktionsstillstände bei Druckmaschinen der Heidelberger Druckmaschinen AG mittels einer betriebsphasenabhängigen Anomalie-Erkennung vermeiden lassen.

Vorkenntnisse
Der Zuhörer sollte Interesse für den Nutzen von Predictive-Analytics-Methoden in der Industrie mitbringen. Grundkenntnisse im Maschinellen Lernen sind von Vorteil.

Lernziele
Es werden spezifische Herausforderungen bei der Entwicklung von Predictive-Maintenance-Diensten für den Maschinen- und Anlagebau vermittelt, die sich etwa im Umgang mit großen Datenmengen oder der Zusammenarbeit zwischen Domänenexperten und Datenanalysten widerspiegeln. Die Sichtung und Auswahl relevanter Daten, die vergleichende Analyse verschiedener Lösungsansätze oder die Entwicklung intuitiver Dashboards dienen zur Beleuchtung wesentlicher Schritte während der Entwicklung. Zusammen mit der Integration des fertigen Dienstes in das Produktivsystem des Kunden wird abschließend ein Einblick in die realisierten Mehrwerte gegeben.

// Marco  Huber Marco Huber

verantwortet als Chief Data Scientist die Produktentwicklung und die Data-Science-Dienstleistungen des Bereichs „Katana“ bei der USU Software AG in Karlsruhe. Zugleich lehrt er als Privatdozent für Informatik am Karlsruher Institut für Technologie (KIT). Seine Arbeitsschwerpunkte umfassen die Gebiete Maschinelles Lernen, Sensordatenanalyse und Industrie 4.0. Ab Oktober 2018 hat er die Professur für Kognitive Produktionssysteme an der Universität Stuttgart inne. Diese Professur geht zugleich mit der Leitung des Zentrums für Cyber-Cognitive Intelligence (ZCCI) des Fraunhofer-Instituts für Produktionstechnik und Automatisierung IPA einher.


l>