nach oben
31.07.2017

EMO präsentiert Lösungsansätze zum Umgang mit Big Data

Manche Produktionsexperten befürchten, dass Industrie 4.0 zu Algorithmen und Lösungen rund um Big Data führt, die auf lange Sicht das Wissen der Experten überflüssig machen. Entwarnung geben dagegen Oberingenieur Alexander Epple sowie Michael Königs vom Werkzeugmaschinenlabor WZL der RWTH Aachen, die auf das Zusammenwirken von Big Data und fachspezifischem Know-how setzen.

Herr Epple, Sie leiten als Oberingenieur am Werkzeugmaschinenlabor WZL der RWTH Aachen die Abteilung Maschinendatenanalyse und NC-Technik: Wie kamen Sie dazu? Wäre das nicht eher etwas für Mathematiker gewesen?

Alexander Epple: Ich bewundere Mathematiker für ihre mächtigen Algorithmen und ihre Eigenschaft, Probleme mit einem sehr hohen Abstraktionsgrad zu be-trachten. Diese Fähigkeiten helfen auch bei der Big-Data-Analyse. In der Produk-tionswelt gibt es – bedingt durch die Vielzahl an Maschinen und Verfahren – sehr unterschiedliche Arten von Daten. Miteinander vergleichbare Maschinen mit gleichen Prozessen sind daher selten. Rein statistische Ansätze führen unter diesen Voraussetzungen kaum weiter, und abstrakte Big-Data-Ansätze stoßen im Produktionsumfeld schnell an ihre Grenzen. Mehr bringt es, produktionstechnisches Wissen, beispielsweise in Form von Modellen, mit den Daten zu verknüpfen. Daher hat auch der Ingenieur seinen Platz in der Big-Data-Welt.

  • „Learning by analyzing“: In der praktischen Big-Data-Anwendung lernen nicht nur Wissenschaftler sehr schnell, dass die Datenqualität aufgezeichneter Signale ausschlaggebend für den Erfolg einer Analyse ist. Bild: WZL, RWTH Aachen

    „Learning by analyzing“: In der praktischen Big-Data-Anwendung lernen nicht nur Wissenschaftler sehr schnell, dass die Datenqualität aufgezeichneter Signale ausschlaggebend für den Erfolg einer Analyse ist. Bild: WZL, RWTH Aachen

  • Michael Königs, Wissenschaftler am Werkzeugmaschinenlabor WZL: „Durch Modellwissen lassen sich reine Signaldaten mit fehlenden Informationen anreichern.“ Bild: WZL, RWTH Aachen

    Michael Königs, Wissenschaftler am Werkzeugmaschinenlabor WZL: „Durch Modellwissen lassen sich reine Signaldaten mit fehlenden Informationen anreichern.“ Bild: WZL, RWTH Aachen

  • Oberingenieur Alexander Epple Michael Königs, Werkzeugmaschinenlabor WZL: „Rein abstrakte Big-Data-Ansätze stoßen im Produktionsumfeld schnell an ihre Grenzen. Mehr bringt es, produktionstechnisches Wissen mit den Daten zu verknüpfen.“ Bild: WZL, RWTH Aachen

    Oberingenieur Alexander Epple Michael Königs, Werkzeugmaschinenlabor WZL: „Rein abstrakte Big-Data-Ansätze stoßen im Produktionsumfeld schnell an ihre Grenzen. Mehr bringt es, produktionstechnisches Wissen mit den Daten zu verknüpfen.“ Bild: WZL, RWTH Aachen

1 | 0

Anzeige - das nächste Bild wird in Sekunden angezeigt - überspringen

Anzeige - das nächste Bild wird in Sekunden angezeigt - überspringen

Spiegelt Ihr Team den interdisziplinären Ansatz?

Alexander Epple: In meinem Team arbeiten sechs Wissenschaftler, die von qualifizierten Programmierern und Maschinentechnikern unterstützt werden. Das Team ist tatsächlich sehr interdisziplinär: Wir verfügen neben Maschinenbauern auch über Informatiker und Elektrotechniker. Außerdem arbeiten Dr. Marcel Fey mit seiner Maschinentechnikabteilung und ich sehr eng zusammen, da seine Abteilung über umfangreiches Modellwissen verfügt. Zusammen sind wir fast 30 Wissenschaftler. Damit kann man Ideen schon vorantreiben. Momentan sind wir dennoch auf der Suche, um unser Team zu verstärken.

Wie weit verbreitet ist dieser fachübergreifende Ansatz in der Praxis?

Michael Königs: Insbesondere im Bereich Simulation bestehen am WZL schon lange interdisziplinäre Teams. Auch an anderen Universitäten oder Forschungseinrichtungen hat sich dieses Vorgehen bewährt. Wir stellen aber auch fest, dass interdisziplinäre Teams im Kontext der modellbasierten echtzeitnahen Datenverarbeitung nicht länger nur optional sind. Vielmehr führt zukünftig kein Weg an dieser Zusammenarbeit vorbei. Erst durch die Verknüpfung und das Zusammenbringen von Methoden und Modellen aus unterschiedlichen Fachbereichen kann das erhebliche Potenzial, das mit der Datenauswertung verbunden ist, erschlossen werden. Zusammenfassend lässt sich somit sagen: Es gab schon immer interdisziplinäre Ansätze, diese werden jedoch zukünftig noch stärker an Bedeutung gewinnen.

Herr Königs, Sie sind einer der Informatiker: Wie gehen Sie in der Welt des Maschinenbaus vor?

Michael Königs: Man lernt in der praktischen Anwendung sehr schnell, dass die Datenqualität aufgezeichneter Signale ausschlaggebend für den Erfolg einer Analyse ist. Es steckt nämlich entgegen der Meinung vieler nicht immer alles in den Daten. So liefern Messsysteme einer Werkzeugmaschine zwar Positionsdaten, allerdings geben diese den realen Werkzeugpfad während einer Fräsbearbeitung nur näherungsweise wieder. Auf Abdrängungseffekte in Folge von Prozesskräften oder geometrisch-kinematische Ungenauigkeiten der eingesetzten Werkzeugmaschine etwa kann in der Regel nicht zurückgeschlossen werden. Durch das Modellwissen können die reinen Signaldaten mit diesen fehlenden Informationen angereichert werden. Erst dieser veredelte Datensatz eignet sich zum Beispiel zur Prognose von erzielten Werkstückqualitäten noch während der Bearbeitung.


Inhaltsverzeichnis
Unternehmensinformation

RWTH Rheinisch Westfälische Technische Hochschule Aachen Werkzeugmaschinenlabor

Steinbachstraße 19
DE 52074 Aachen
Tel.: 0241-80-27400
Fax: -22293

Aktuelle Videos

VisCheck: Cobots als Maschinenbediener


Zu den Videos

Newsletter

Sie wollen immer top-aktuell informiert sein? Dann abonnieren Sie jetzt den kostenlosen Newsletter!

Hier kostenlos anmelden

Aktuellen Newsletter ansehen

Basics
Zur Übersicht aller Basics