Holen Sie sich die neuesten Updates von Hortonworks per E-Mail

Einmal monatlich erhalten Sie die neuesten Erkenntnisse, Trends und Analysen sowie Fachwissen zu Big Data.

Sign up for the Developers Newsletter

Einmal monatlich erhalten Sie die neuesten Erkenntnisse, Trends und Analysen sowie Fachwissen zu Big Data.

cta

Erste Schritte

Cloud

Sind Sie bereit?

Sandbox herunterladen

Wie können wir Ihnen helfen?

* Ich habe verstanden, dass ich mich jederzeit abmelden kann. Außerdem akzeptiere ich die weiteren Angaben in der Datenschutzrichtlinie von Hortonworks.
SchließenSchaltfläche „Schließen“
cta

Big Data in der Fertigung & Produktion und
Connected Factory von IoT

Hortonworks ist ein führendes Unternehmen. Lesen Sie die Forrester Wave.

Bericht herunterladen

Make it Smarter

In der Produktion dreht sich alles um Effizienz. Mit vernetzten Geräten, dem Internet der Dinge (IoT), Prognose-Analytics und maschinellem Lernen können Firmen in der Fertigung nun Big Data in der Produktion nutzen, um die Effizienz zu steigern und als erste mit neuen Produkten auf den Markt zu gehen, während sie Kosten reduzieren, die Kundenzufriedenheit steigern und so bessere Produkte entwickeln.

Mehr erfahren

Transforming Data into Quality Products and Efficient Processes

Heute können relativ kostengünstige Sensoren und IoT-Geräte in vielen Schritten der Fertigungslieferkette kontinuierlich Daten erfassen und weitergeben: in Design-Shops, in der Lieferkette, in der Fertigung und bei Gewährleistungsarbeiten. Hortonworks DataFlow (HDF™) erfasst die Sensordaten sicher während der Übertragung in Echtzeit, wodurch Hersteller schnell Probleme erkennen – wann immer und wo auch immer sie in der vernetzten Fabrik auftreten. Die Hortonworks Data Platform ermöglicht die Analyse historischer Daten, was mit althergebrachten Plattformen einfach nicht möglich ist. Dadurch können Entwickler Fehler nicht nur reaktiv vermeiden, sondern Prozesse sogar proaktiv verbessern.

Anwendungsfälle

Gewährleistung der zeitgerechten Lieferung von Rohmaterialien

Hersteller möchten den Bestand im Lager so gering wie möglich halten und bevorzugen es, Rohmaterialien dann zu erhalten, wenn sie benötigt werden. Allerdings können fehlende Bestände zu ungewollten Produktionsverzögerungen führen. Sensoren, RFID-Tags und das IoT in der Fertigung reduzieren die Kosten der Erfassung von Lieferkettendaten, führen aber zu einer enormen Menge immer neuer Daten. Hadoop kann diese unstrukturierten Daten zu relativ geringen Kosten speichern. Dadurch erhalten Hersteller mehr Einblick in die Historie ihrer Lieferketten und können langfristige Muster erkennen, die bei Daten aus nur wenigen Monaten eventuell nicht so offensichtlich wären. Diese Daten ermöglichen längere Vorlaufzeiten auf Seiten des Herstellers, um Unterbrechungen in der Lieferkette zu vermeiden. So lassen sich mit der vernetzten Fabrik Kosten in der Lieferkette reduzieren und die Margen beim Endprodukt steigern.


Qualitätskontrolle mit Echtzeit- und historischen Daten aus der Produktionslinie

Hersteller von Hightech-Produkten nutzen Sensoren, um Daten bei kritischen Schritten im Produktionsprozess zu erfassen. Diese Daten zeigen während des Produktionsprozesses, ob und wo es Probleme gibt. Doch einige subtile Probleme – die „unbekannten Unbekannten“ – werden nicht während des Produktionsprozesses erkannt. Trotzdem können sie nach dem Kauf des Produktes zu hohen Fehlerraten führen. Wenn ein Produkt zurückgegeben wird, weil Probleme auftreten, kann der Hersteller forensische Tests am Produkt durchführen und die forensischen Daten mit den ursprünglichen Sensordaten aus der Zeit der Produktion des Produktes abgleichen. Dieser durch Big Data geschaffene umfassende Einblick hilft dem Hersteller bei einer Vielzahl von Produkten, den Prozess und das Produkt zu optimieren, was ohne oder mit weniger Daten so nicht möglich wäre.


Vermeidung von Stillstand durch proaktive Maschinenwartung

Zu modernen Produktionsprozessen gehören heute hochentwickelte Maschinen, wobei die Abläufe vorab Schritt für Schritt exakt definiert werden. Ein Maschinenfehler kann daher die gesamte Produktionslinie zum Stoppen bringen. Allerdings ist die vorzeitige Wartung kostenintensiv, und es gibt einen optimalen Zeitplan für Wartungs- und Reparaturarbeiten, die weder zu früh noch zu spät durchgeführt werden sollten. Algorithmen für maschinelles Lernen können Instandhaltungsmaßnahmen und maschinelle Daten jedes einzelnen Geräts einer Anlage mit einem Verlauf der Funktionsstörungen und Fehler abgleichen. Aus diesen Algorithmen können wiederum optimale Wartungspläne abgeleitet werden, die auf Echtzeit- und historischen Daten basieren. Mithilfe der von Prognose-Analytics in der Fertigung können die Geräte maximal ausgelastet, Kosten für Anlagen und Ausrüstung minimiert und unvorhergesehene Produktionsunterbrechungen vermieden werden.


Höhere Erträge bei der Arzneimittelherstellung

Die Herstellung von Biopharmazeutika muss unter sorgfältiger Überwachung und Kontrolle der Umgebungsbedingungen erfolgen. Ziel eines jeden Produktionsdurchlaufs ist die Maximierung des Durchsatzertrags (eng. FTY für „First Time Yield“), der bemisst, wie viele Produkte nach dem ersten Produktionsdurchlauf den Qualitätsvorgaben entsprechen. Jeder zusätzliche Prozentpunkt beim FTY senkt die Herstellungskosten enorm. FTY-Optimierungen werden allerdings häufig dadurch ausgebremst, dass der Betriebsablauf kaum oder gar nicht einsehbar ist. Sensoren können zwar Rohdaten bereitstellen, die einen besseren Einblick bieten, dafür ist es aber erforderlich, dass sich diese Sensordaten mit anderen vorhandenen Datenspeichern integrieren lassen. Ein Data Lake von Hadoop vereinfacht diese Integration, denn Hadoop benötigt vor der Aufnahme der Daten kein À-Priori-Schema. Außerdem sorgen die geringen Speicherkosten von Hadoop dafür, dass ein Cluster mehr Daten, in mehr Formaten und für einen längeren Zeitraum speichern kann, wodurch sich Daten ganz neu in Bezug zueinander setzen lassen. Erfahren Sie, wie Merck Research Laboratories es mithilfe der Hortonworks Data Platform geschafft hat, die Herstellung von Medikamenten zu optimieren.

Qualitätssicherung durch Crowdsourcing

Auch bei umfassend getesteten Produkten können nach dem Verkauf noch Probleme auftreten. Kunden melden solche Probleme vielleicht nicht dem Hersteller direkt, beschweren sich aber häufig in den sozialen Medien bei Freunden und Verwandten über das Produkt. Dieser Stream aus Social-Media-Daten mit Produktproblemen kann eine ideale Ergänzung für Produkt-Feedback aus traditionellen Support-Kanälen sein. Hadoop speichert ein enormes Volumen solcher Social-Media-Daten für die Stimmungsanalyse. Hersteller können diese Daten untersuchen und so frühzeitig anhand von Signalen einschätzen, wie das Produkt im Laufe seines Lebenszyklus angenommen wird. Wenn Probleme schnell angegangen und entsprechende Maßnahmen frühzeitig ergriffen werden, um die Reputation eines Produktes zu schützen, stärkt das die Bindung und das Vertrauen der Kunden.