Abstract
Die Zuverlässigkeit von Werkzeugmaschinen ist ein entscheidender Faktor für die Sicherung der Wettbewerbsfähigkeit produzierender Unternehmen. Maschinenhersteller können durch Datenanalysen Ausfallursachen in der Produktplanung entgegenwirken und Maschinen systematisch verbessern. Viele Unternehmen stehen allerdings bei der Durchführung vor großen Herausforderungen. Der folgende Beitrag addressiert diese Problematik und stellt eine Methodik vor, die Unternehmen bei der zielgerichteten Datenanalyse unterstützt.**
Abstract
Reliability of machine tools is a decisive factor in ensuring competitiveness of manufacturing companies. Machine manufacturers can eliminate causes of failure in product planning and systematically improve machines through data analysis. Many companies, however, face major challenges when it comes to implementation. This paper adresses this issue / problem and presents a methodology that supports companies in the goal-driven data analysis.
** Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWFAdvisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
About the authors
Univ.-Prof. Dr. h. c. Dr.-Ing. Eckart Uhlmann ist Leiter des Fachgebiets Werkzeugmaschinen und Fertigungstechnik am Institut für Werkzeugmaschinen und Fabrikbetrieb (IWF) der TU Berlin sowie Leiter des Fraunhofer-Instituts für Produktionsanlagen und Konstruktionstechnik (IPK) im Produktionstechnischen Zentrum Berlin.
Dr.-Ing. Julian Polte leitet die Abteilungen Fertigungstechnologien sowie Produktionsmaschinen und Anlagenmanagement am Fraunhofer-Institut für Produktionsanlagen und Konstruktionstechnik (IPK).
Deniz Simsek, M. Sc., ist Wissenschaftlicher Mitarbeiter im Fachgebiet Werkzeugmaschinen und Fertigungstechnik am Institut für Werkzeugmaschinen und Fabrikbetrieb (IWF) der Technischen Universität Berlin. Er studierte Produktionstechnik mit dem Schwerpunkt Produktionstechnologien an der Technischen Universität Berlin.
Nikolaos-Stefanos Koutrakis, M. Sc., ist Wissenschaftlicher Mitarbeiter in der Abteilung Produktionsmaschinen und Anlagenmanagement am Fraunhofer-Institut für Produktionsanlagen und Konstruktionstechnik (IPK). Er studierte Computational Engineering Science mit den Schwerpunkten Künstliche Intelligenz und Datenanalyse an der Technischen Universität Berlin.
M. Eng. Mario Epping ist stellvertretender Abteilungsleiter der Abteilung Fertigungstechnologien am Fraunhofer-Institut für Produktionsanlagen und Konstruktionstechnik (IPK). Er studierte Maschinenbau mit dem Schwerpunkt Konstruktionstechnik an der Beuth Hochschule für Technik Berlin.
Danksagung
Das DizRuPt-Forschungsprojekt wird durch eine Förderung des Bundesministeriums für Bildung und Forschung (BMBF) im Programm „Innovationen für die Produktion, Dienstleistung und Arbeit von morgen“ unterstützt und vom Projektträger Karlsruhe (PTKA) betreut. Verantwortlich für den Inhalt dieser Veröffentlichung sind die Autoren.
Literatur
1 Huf, A.: Kumulative Lastermittlung aus Antriebsdaten zur Zustandsbewertung von Werkzeugmaschinenkomponenten. In: Berichte aus dem Institut für Steuerungstechnik der Werkzeugmaschinen und Fertigungseinrichtungen der Universität Stuttgart und dem Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA. Jost-Jetter Verlag, Heimsheim 2012Search in Google Scholar
2 Porter, M. E.; Heppelmann, J. E.: How Smart, Connected Products are Transforming Companies. Harvard Business Review – HBR 93 (2015) 10, S. 101Search in Google Scholar
3 Hirsch-Kreinsen, H.; Kubach, U.; Stark, R.; von Wichert, G.; Hornung, S.; Hubrecht, L.; Sedlmeir, J.; Steglich, S.: Themenfelder I4.0 – Forschungs- und Entwicklungsbedarfe zur erfolgreichen Umsetzung von Industrie 4.0. Forschungsbeirat der Plattform Industrie 4.0, Berlin 2019Search in Google Scholar
4 Holler, M.; Uebernickel, F.; Brenner, W.: Understanding the Business Value of Intelligent Products for Product Development in Manufacturing Industries. In: Proceedings of the 2016 8th International Conference on Information Management and Engineering - ICIME 2016. ACM Press, New York, New York, USA 2016, S. 18–24 10.1145/3012258.3012266Search in Google Scholar
5 Holler, M.; Stoeckli, E.; Uebernickel, F.; Brenner, W.: Towards Understanding Closed-loop PLM: The Role of Product Usage Data for Product Development enabled by intelligent Properties. In: Proceedings (13) of BLED eConference 2016 https://aisel.aisnet.org/bled2016/13Search in Google Scholar
6 Bitkom (Hrsg.): In 10 Schritten digital – Ein Praxisleitfaden für Mittelständler. Stand: 2017. Internet: Online unter https://www.bitkom.org/sites/default/files/file/import/170601-In-10-Schritten-digital-Praxisleitfaden.pdf [Zugriff am 03.02.2020]Search in Google Scholar
7 Massmann, M.; Meyer, M.; Dumitrescu, R.; von Enzberg, S.et al.: Significance and Challenges of Data-driven Product Generation and Retrofit Planning. Procedia CIRP 84 (2019), S. 992–997 10.1016/j.procir.2019.04.226Search in Google Scholar
8 Tausendpfund, M.: Quantitative Methoden in der Politikwissenschaft: Eine Einführung. Springer VS, Wiesbaden 2018, S. 92 f. 10.1007/978-3-658-20698-7Search in Google Scholar
9 Döring, N.; Bortz, J.: Forschungsmethoden und Evaluation in den Sozial- und Humanwissenschaften. 5. Aufl., Springer-Verlag, Berlin, Heidelberg 2016, S. 145f 10.1007/978-3-642-41089-5Search in Google Scholar
10 Gausemeier, J.; Dumitrescu, R.; Echterfeld, J.; Pfänder, T.; Steffen, D.; Thielemann, F.: Innovationen für die Märkte von morgen – Strategische Planung von Produkten, Dienstleistungen und Geschäftsmodellen. Carl Hanser Verlag, München, Wien 2019 10.3139/9783446429727.fmSearch in Google Scholar
11 Ishikawa, K.: Introduction to Quality Control. Chapman-Hall, 3a corporation 1989 10.1007/978-94-011-7688-0_1Search in Google Scholar
12 DIN e. V. (Hrsg.): DIN EN 61025, Fehlzustandsbaumanalyse (IEC 61025 : 2006); Deutsche Fassung EN 61025 : 2007. Beuth Verlag, Berlin 2007Search in Google Scholar
13 Contreras-Medina, L. M.; Romero-Troncoso, R.d.J.; Cabal-Yepez, E. et al.: FPGA-Based Multiple-Channel Vibration Analyzer for Industrial Applications in Induction Motor Failure Detection. In: IEEE Transactions on Instumentalisation and Measurement 59 (2010) 1, S. 63–72 10.1109/TIM.2009.2021642Search in Google Scholar
14 Önel, I. Y.; Benbouzid, M.H.: Induction Motor Bearing Failure Detection and Diagnosis: Park and Concordia Transform Approaches Comparative Study. In: IEEE/ASME Transactions on Mechatronics 13 (2008) 2, S. 257–262 10.1109/TMECH.2008.918535Search in Google Scholar
15 Runkler, T. A.: Data Analytics: Models and Algorithms for Intelligent Data Analysis. Vieweg + Teubner Verlag, Wiesbaden 2012, S. 3 f.10.1007/978-3-8348-2589-6Search in Google Scholar
16 Tyagi, S.: Using Data Analytics for Greater Profits. Journal of Business Strategy 24 (2003), S. 12 10.1108/02756660310734938Search in Google Scholar
17 Uhlmann, E.; Laghmouchi, A.; Geisert, C.; Hohwieler, E.: Smart Wireless Sensor Network and Configuration of Algorithms for Condition Monitoring Applications. Journal of Machine Engineering 17 (2017) 2, S. 45–55Search in Google Scholar
18 Shahzad, K.; O‘Nils, M.: Condition Monitoring in Industry 4.0-Design Challenges and Possibilities: A Case Study. In: 2018 Workshop on Metrology for Industry 4.0 and IoT, Brescia, 2018, S. 101–106 10.1109/METROI4.2018.8428306Search in Google Scholar
19 Freiknecht, J.: Big Data in der Praxis Lösungen mit Hadoop, Spark, HBase und Hive. Daten speichern, aufbereiten, visualisieren. Carl Hanser Verlag, München, Wien 2014 10.3139/9783446441774.fmSearch in Google Scholar
20 Dai, H.; Wang, H.; Xu, G.; Wan, J.; Imran, M.: Big Data Analytics for Manufacturing Internet of Things: Opportunities, Challenges and Enabling Technologies. In: ArXiv, abs/1909.0041310.1080/17517575.2019.1633689Search in Google Scholar
21 IEEE 1588–2019 – IEEE Standard for a Precision Clock Synchronization Protocol for Networked Measurement and Control Systems. Online unter https://standards.ieee.org/standard/1588–2019.html [Zugriff am 24.02.2021]Search in Google Scholar
22 Geonea, I.; Dumitru, N.; Dumitru I.: Experimental and Theoretical Study of Friction Torque from Radial Ball Bearings. In: IOP Conf. Series: Materials Science and Engineering, Vol. 252, 2017 10.1088/1757-899X/252/1/012048Search in Google Scholar
23 Gomeringer, R. et. al.: Tabellenbuch Metall. 46. Aufl., Verlag Europa-Lehrmittel, HaanGruiten 2014, S. 264Search in Google Scholar
© 2021 Walter de Gruyter GmbH, Berlin/Boston
