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