Title: Improving Smart Manufacturing Data Analytics with Big Data Concepts - a Case Study on an Industry 4.0 Environment
Language: English
Authors: Korobeinykov, Alexander 
Qualification level: Diploma
Advisor: Winkler, Dietmar  
Assisting Advisor: Biffl, Stefan  
Issue Date: 2021
Citation: 
Korobeinykov, A. (2021). Improving Smart Manufacturing Data Analytics with Big Data Concepts - a Case Study on an Industry 4.0 Environment [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2021.88143
Number of Pages: 165
Qualification level: Diploma
Abstract: 
Smart Manufacturing ist ein stark wachsender Bereich, der vor allem von der generellen Digitalisierung in der Produktionstechnik sowie der aufstrebenden Informationstechnologie vorangetrieben wird. Smart Robotics und im Internet der Dinge angesiedelte Geräte lassen die Datenmengen in produzierenden Unternehmen drastisch ansteigen. Beschäftigte der Qualitätssicherung und Produktionstechniker sind oft mit großen Herausforderungen bezüglich der Analysierbarkeit von Daten und mit hohen Kosten auf Grund manueller Datenverarbeitung konfrontiert. Das Ziel dieser Forschungsarbeit besteht in der Erforschung und der Entwicklung von Ansätzen, die - basierend auf Big-Data-Analytik-Konzepten - Verbesserungen im Analyseprozess von Produktionsdaten ermöglichen. Die Forschungsarbeit definiert das geforderte Leistungsspektrum des benötigten Big-Data-Analytik-Systems im Rahmen von Smart Manufacturing. Die Prioritäten bei der Erarbeitung dieser Leistungsanforderungen werden mittels einer Umfrage unter Fachleuten aus der Industrie sowie Forschenden in diesem Bereich festgelegt. Das Ergebnis ist ein Vorschlag einer Referenzarchitektur für die Big-Data-Analytik, die auf den Phasen der Be- und Verarbeitung von Produktionsdaten aufbaut. Zum Vergleichen mit anderen gängigen Architekturen der Produktionsdatenanalyse wird die Architecture Tradeoff Analysis Method angewendet. Für die Umsetzung der entworfenen Architektur werden die Funktionen des Apache Hadoop Systems genutzt. Das fertige System wurde danach in einer experimentellen Fallstudie angewendet, um die Überwachung des Anlagezustands sowie die Predictive-Maintenance-Strategien eines realen Smart-Manufacturing-Aufbaus zu verbessern. Die entwickelten Funktionen erlaubten, Prozessabweichungen im laufenden Datenstrom zu identifizieren und gewährten bis dahin nicht verfügbare Einblicke in die Daten. Zusätzlich konnten unterschiedliche Ressourcenauslastungen im Fall von kundenspezifischen Produktionsabläufen festgestellt werden. Das System erstellte zudem Trendanalysen und Trendvoraussagen, um das Predictive-Maintenance-Potential der Produktionsumgebung zu erhöhen. Ebenso ermöglichte es die Automatisierung des Datenanalyseprozesses und die Einführung eines flexiblen, robusten und zukunftssicheren Verfahrens für das Produktionsdatenmanagement. Aufgrund dieser Ergebnisse schließt diese Arbeit mit der Erkenntnis, dass Big-Data-Konzepte erfolgreich angewendet werden können, um die Datenmanagementprozesse in der Produktionstechnik zu verbessern, bereits bestehende Produktionsabläufe zu optimieren und die Umsetzung von Smart-Manufacturing-Verfahren zu unterstützen.

Smart Manufacturing is a rapidly growing domain directly influenced by the generaldigitalization of manufacturing and emerging information technologies. Utilization ofthe smart robotics and IoT devices enormously increases the data amounts available tomanufacturing enterprises. Quality assurance personnel and shop floor engineers quiteoften face challenges of data analyzability and high costs of manual data processing. Theaim of this research is to investigate, explore, and develop approaches to facilitate animproved analysis process of the manufacturing data through solutions based on BigData Analytics concepts. To address the challenges of the stakeholders, the researchidentifies the required capabilities of the Big Data Analytics system in the context ofSmart Manufacturing. The respective priorities for the development of these capabilitiesare outlined by conducting a survey among industry practitioners and researchers in thedomain.The research proposes a reference architecture for Big Data Analytics, that is basedon the manufacturing data lifecycle stages. Architecture Tradeoff Analysis Method isapplied to compare the proposed architecture against the architectures typically used toanalyze manufacturing data at the moment. The designed architecture is implementedwith the tools from the Apache Hadoop ecosystem.The implemented system was later applied in the experimental case study with the goalto improve existing Equipment Health Monitoring and Predictive Maintenance strategiesof the real-world Smart Manufacturing setup. As a result, the implemented functionalitywas able to identify process outliers on streaming data and provided data insights notavailable previously. Additionally, the introduced logic was able to identify unequalresource utilization in the case of custom production recipes. The system providedtrend analysis and future trend prediction functionalities to enhance the PredictiveMaintenance capabilities of the manufacturing system. It allowed to automate the dataanalysis process and establish a flexible, robust, and future-proof system for manufacturingdata management.Based on these findings, the research concludes that Big Data concepts can be successfullyapplied to improve the data management process in manufacturing. These conceptscould help to optimize existing manufacturing practices and aid the implementation ofSmart Manufacturing principles.
Keywords: Big Data; Smart Manufacturing; Industry 4.0; Big Data Architecture; Hadoop; Spark
URI: https://doi.org/10.34726/hss.2021.88143
http://hdl.handle.net/20.500.12708/18867
DOI: 10.34726/hss.2021.88143
Library ID: AC16384763
Organisation: E194 - Institut für Information Systems Engineering 
Publication Type: Thesis
Hochschulschrift
Appears in Collections:Thesis

Files in this item:


Page view(s)

11
checked on Dec 2, 2021

Download(s)

7
checked on Dec 2, 2021

Google ScholarTM

Check


Items in reposiTUm are protected by copyright, with all rights reserved, unless otherwise indicated.