Automotive

Vorhersage und Vermeidung von Komponentenausfällen auf Basis von Sensordaten

Ausgangsbasis

  • Echtzeit Analysen werden benötigt, um die Vielzahl an maschinellen Daten aus den relevanten Produktions-Maschinen sinnvoll zu nutzen
  • Die Produktion soll kurz- und langfristig effizienter und ausfallsicherer werden
  • Eine Machbarkeitsstudie soll im ersten Schritt die Ergebnisse und Lösungsmodelle anhand eines Prototypen validieren

Vorgehensweise

  • Dokumentation der aufgenommenen Anforderungen in Form von User Stories
  • Umsetzung der User Stories im agilen Prozessmodell nach SCRUM innerhalb von Sprints
  • Aufsetzen der Infrastruktur als OpenShift Umgebung auf Basis von vorkonfigurierten Images in MS-Azure
  • Visualisierung der Analyseergebnisse in splunk> Dashboards direkt in der Produktion

Funktionen/Projektergebnis

  • Near-Realtime Bearbeitung aller Sensordaten in der Azure Cloud über Kafka zur splunk>- Visualisierung
  • Near-Realtime Dashboards steuern unmittelbar die laufenden Produktions- und Maintenance-Prozesse
  • Validierung der Ergebnisse direkt in der Produktion

Kundenutzen

  • Steigerung der Produktivität mithilfe von Echtzeit-Analysen
  • Vermeidung von Ausfällen der Produktionsmaschinen bzw. Komponenten mit Hilfe von Prognosen
  • Verbesserte Produktqualität durch gezielte Eingriffe in die Produktion
  • Geringe Kosten der Analytics-Lösung durch den Einsatz von MS Azure und Open Shift
Joachim Kirschner | Senior Manager / Prokurist