Förderprojekt

Als SW-Lösungsanbieter für Manufacturing Excellence beteiligt sich camLine an überregionalen Förderprojekten für Hightech-Unternehmen mit industrieller Fertigung. Langjährige Erfahrung, Know-how und Softwarekomponenten made by camLine bieten eine gute Basis für die Ausarbeitung innovativer und neuartiger Ideen. Zudem profitiert camLine von diesen Kooperationen, die das Unternehmen in seiner zukunftsorientierten Entwicklung mit beeinflussen.

Fördermittel der Europäischen Union stehen für Projekte in vielen Bereichen zur Verfügung. Intensive Forschung und Entwicklung (FuE) sind nicht nur die Grundlage wirtschaftlichen Fortschritts. Vielmehr geht es um die Voraussetzung, dass die europäischen Länder auf den weltweiten Hightech- und Lifescience-Märkten auch in Zukunft einen der vorderen Plätze belegen können. Darüber hinaus sollen wettbewerbsfähige Arbeitsplätze für qualifizierte Arbeitskräfte geschaffen und gesichert werden.

iDev40 – Europäisches Forschungsprojekt iDev40 setzt auf Vernetzung

Das Ziel des Vorhabens iDev40 ist die Optimierung von komplexen Produktionsprozessen mit vernetzten Produktionseinrichtungen für die Industrie 4.0. Teil der Lösungsansätze sind u. a. die Etablierung von Maschinenlernverfahren und künstlicher Intelligenz, um Echtzeitproduktionsdaten maschinell zu klassifizieren und so schneller und umfassender nutzen zu können. (Quelle: Bundesministerium für Bildung und Forschung)

Projektlaufzeit: Start Mai 2018 (36 Monate)

Projektpartner: 38 Partner aus sechs Ländern (Auflistung aller Partner finden Sie hier)

SmartDe's@Work – Smart Devices in der Produktion

Zielsetzung

Das Ziel des Projekts „Smart Devices in der Produktion“ ist produzierenden Unternehmen, insbesondere klein- und mittelständischen Unternehmen in Bayern, hinsichtlich der Umsetzung von Industrie 4.0-Technologie zu unterstützen.

Im Rahmen des Vorhabens wird die Vernetzung von Produktionsteilnehmern über eine Middleware als Integrationsschicht und Smart Device (Smartphone, Tablets, Datenbrillen, Datenuhren, Earbles, Smart Gloves, Smart Shoes, etc.) als Steuerungsinstrument erforscht. So sollen Mitarbeiter in die Lage versetzt werden, mit Maschinen, anderen Mitarbeitern und ggf. vorhandenen IT-Systemen in Interaktion zu treten, wodurch ein effizientes Zusammenspiel ermöglicht wird. Durch die Integration und dadurch verbesserte Produktionsabläufe sollen erhebliche Potentiale gehoben werden.

 

Konzept der Integrationsschicht für Smart Devices in der Produktion

Partnerstruktur zum Erreichen des Ziels

Um das oben beschriebene Vorgehen durchzuführen, arbeiten Anwendungs-, Entwicklungs- und Forschungspartner kontinuierlich gemeinsam. So bilden die Unternehmen BKW Kunststoff GmbH, biTTner Werkzeugbau GmbH, Dietz GmbH und REHAU AG + Co den Kreis der Anwendungspartner und stellen neben verschiedenen Use Cases auch ihre Produktionsanlagen im Rahmen des Projektes zur Verfügung. Die Unternehmen camLine GmbH und Vogler Engineering GmbH sind die Entwicklungspartner des Projekts, welche Softwareseitig die Implementierung der Middleware und Client-Applikation gemeinschaftlich durchführen. Die Projektgruppen Wirtschaftsinformatik des Fraunhofer FIT und Prozessinnovation des Fraunhofer IPA sind seitens Forschung und Koordination an dem Projekt beteiligt.

Projektlaufzeit: 01.01.2017 bis 31.12.2018

 

PRO-OPT
Smart Data - Innovationen aus Daten
Bundesministerium für Wirtschaft und Energie

PRO-OPT – Big Data Produktionsoptimierung in Smart Ecosystems

Datenschätze heben und nutzen in dezentral-kooperativen Strukturen

PRO-OPT ist ein Forschungs- und Entwicklungsprojekt im Rahmen des Technologieprogramms “Smart Data – Innovationen aus Daten” des Bundesministeriums für Wirtschaft und Energie.

PRO-OPT verfolgt das Ziel, Unternehmen in dezentralen kooperativen Strukturen (Smart Ecosystems) die effektive und intelligente Analyse großer Datenmengen zu ermöglichen. Vor allem durch die Digitalisierung und Automatisierung fallen bei der Produktion immer größere Datenmengen an. Die Datenquellen liegen dabei verteilt bei verschiedenen, wirtschaftlich unabhängigen Teilnehmern des Ecosystems, insbesondere da in die Produktion meist nicht nur Teile aus eigener Fertigung eingehen. Übergreifende Analysen müssen unter Berücksichtigung von Zugriffsberechtigungen auf diese Quellen heruntergebrochen werden. Big Data Strategien sollen hier helfen, diese Analysen zu ermöglichen bzw. effizienter zu gestalten. Die Lösung wird in der Automobildomäne angesiedelt, da diese in Deutschland eine Schlüsselstellung besitzt und einen starken Leuchtturmeffekt für weitere Branchen hat.

Projektlaufzeit: Januar 2015 bis Dezember 2017

Projektpartner:

  • DSA Daten- und Systemtechnik GmbH (Konsortialführung)
  • AUDI AG
  • camLine GmbH
  • Deutsches Forschungszentrum für Künstliche Intelligenz GmbH
  • Fraunhofer-Institut für Experimentelles Software Engineering IESE

Drei Jahre Forschungszeit gehen vorbei: Die Projekte SmartEnergyHub und PRO-OPT enden am 31. Dezember 2017

Bundesministerium für Wirtschaft und Energie, 18.12.2017

Ob es um die Optimierung von industriellen Produktionsprozessen oder die intelligente Energienutzung geht: Die Themenfelder des Technologieprogramms Smart Data sind breit gefächert. Zum 31. Dezember 2017 enden zwei der insgesamt sechzehn Forschungsprojekte: Während ihrer Projektlaufzeit haben SmartEnergyHub und PRO-OPT einiges erreicht.

PRO-OPT präsentiert seine Ergebnisse in diesem Monat der Öffentlichkeit: Die entwickelte Plattform ermöglicht eine Optimierung von Produktions- und Wertschöpfungsketten in der Automobilindustrie durch organisationsübergreifende Datenanalysen – und stellt dadurch die Wettbewerbsfähigkeit der gesamten Lieferkette sicher. PRO-OPT hat dazu eine Smart-Data-Plattform entwickelt, die unternehmensübergreifende Analysen erlaubt. Die Rohdaten verlassen dabei niemals das Unternehmen. Stattdessen werden Analysen jeweils in Teilen unternehmensintern ausgeführt und die Ergebnisse zentral zusammengeführt, wodurch die Datenhoheiten der beteiligten Firmen gewahrt bleiben. PRO-OPT stellte die Plattform im Bitkom Arbeitskreis Big Data und Advanced Analytics sowie auf weiteren Veranstaltungen vor, beispielsweise auf der IT2Industry im Rahmen der Productronica, einer Messe für Entwicklung und Fertigung von Elektronik.

Das Projekt SmartEnergyHub unterstützt Betreiberinnen und Betreiber von kritischen Infrastrukturen wie Flug- oder Seehäfen, Industrie- oder Chemieparks, Fabrik- oder Fertigungsanlagen dabei, das Energiemanagement ihrer Infrastrukturen zu optimieren. Dabei wird ein plattformbasierter Ansatz verfolgt, bei dem die Daten unterschiedlicher Sensoren zusammengeführt werden. Die konkrete Anwendung der Plattform durch einen Energiemanager und der durch SEH erzielte Nutzen standen im Mittelpunkt der Live-Demo bei der Abschlussveranstaltung am 15. November 2017. Das Anwenderkreis-Treffen von SmartEnergyHub als Instrument der Vernetzung und des Austausches zu intelligentem Energiemanagement hat sich bewährt und soll auch nach dem offiziellen Projektende fortgesetzt werden. Zudem haben sich das Workshop-Format „Zukunft des Energiemanagements“ und daraus resultierende Verwertungsansätze herauskristallisiert.

Dr. Dirk Ortloff

PRO-OPT Abschlussveranstaltung – Big Data Anwendungen in intelligenten Ökosystemen

Fraunhofer IESE, Claudia Reis, 21.11.2017

Am 15.11.2017 präsentierte das PRO-OPT-Konsortium im Rahmen des Arbeitskreises Big Data und Data Analytics in Frankfurt seine Abschlussergebnisse. Die Referenten zeigten auf, wie eine kollaborative Datenanalyse in komplexen Ökosystemen aussehen kann und welche Handlungsempfehlungen sie aus ihren Big Data Projekten ableiten.

Auch Projektleiterin Dr. Liliana Guzmán Rehbein, Projektmanager Dr. Henning Barthel und Hauptabteilungsleiter Dr. Jens Heidrich vom Fraunhofer IESE erläuterten die PRO-OPT Plattform, demonstrierten, wie die Reaktionszeiten bei Traceability-Analysen enorm beschleunigt werden konnten und gaben am Ende erprobte Best Practices zur erfolgreichen Umsetzung von standort- und organisationsübergreifenden Big-Data-Anwendungsszenarien.
Dass bei Big Data Projekten Technologie alleine nicht ausreiche, sondern Experten mit ins Boot geholt werden müssen, darüber waren sich alle einige. Zwei dieser Experten waren Dr. Roland Stoffel, Data Scientist bei der DSA Daten- und Systemtechnik GmbH und Oliver Lepp, Projektmanager bei der Audi AG. Sie betonten, dass man in solchen Projekten unbedingt methodisch vorgehen und den Business Use Case von Anfang an in den Mittelpunkt stellen müsse.
PRO-OPT ist ein vom Bundesministerium für Wirtschaft und Energie (BMWi) gefördertes Projekt. Volker Genetzky vom Referat „Entwicklung konvergenter IKT“ lobte das herausragende Engagement des PRO-OPT Konsortiums, insbesondere die internationale Vernetzung bis hin zur Teilnahme an der Asia Roadshow im Mai 2017. Das sei für solche Projekte nicht selbstverständlich.

Die PRO-OPT Plattform: kollaborative Datenanalyse in Smart Ecosystems

In komplexen Ökosystemen wie zum Beispiel in der Automobilindustrie entstehen riesige Datenmengen. In einem Fahrzeug alleine sind schon bis zu 100 Steuergeräte verbaut, hinzu kommt eine mehrstufige Lieferkette, die vor dem Fahrzeughersteller selbst liegt. Nach der Auslieferung folgt der restliche Lebenszyklus in Form von Werkstattbesuchen oder Connected Car Lösungen. Im vom BMWi geförderten Projekt PRO-OPT habe sich das Konsortium dazu entschieden, gerade aufgrund der Komplexität des Gesamtsystems die kollaborative Datenanalyse in der Automobilbranche in den Mittelpunkt zu stellen, so Dr. Simon Becker von der DSA Daten- und Systemtechnik GmbH und Dr. Liliana Guzmán Rehbein vom Fraunhofer IESE. „Spannend wird es in der Lieferkette immer dann, wenn sich systematische Fehler einschleichen, denn oft hört die Auswertung an der Unternehmensgrenze auf“, sagt Becker. Er betonte das große Potenzial bei der Optimierung komplexer Produkte und Produktionsprozesse, das die gemeinsame Datenanalyse biete. „Mit der PRO-OPT Plattform hat das Konsortium die Basis geschaffen für verteilte Analyse und berücksichtigt gleichzeitig das Bedürfnis, die Verwendung der Daten zu kontrollieren. Dabei verlassen die Rohdaten niemals die Unternehmensgrenzen, stattdessen werden nur die aggregierten Ergebnisse der lokalen Analysen ausgetauscht.“ Guzmán Rehbein unterstrich die Wichtigkeit der Datensouveränität als Enabler für den übergreifenden Datenaustausch: „Die in einem Ökosystem beteiligten Parteien behalten durch Verwendung des Sicherheitsframeworks IND2UCE ihre Datenhoheit und können kontrollieren, was, wann und wie lange mit ihren Daten passiert. Im konkreten Anwendungsfall der Automobilbranche kann der Zulieferer z.B. definieren, dass bestimmte lokalen Analyseergebnisse nur dann herausgegeben werden, wenn ein Garantiefall vorliegt und nachdem pseudononymisiert wurden. Mit PRO-OPT haben wir die technische Basis geschaffen, kollaborative Datenanalysen in einem Ökosystem durchzuführen − unter Wahrung der kommerziellen Interessen der jeweiligen Unternehmen.“

Erfolgreiche Umsetzung von Big Data im Unternehmen

Big-Data-Projekte in Smart Ecosystems scheitern häufig, weil sie weder auf strategische Unternehmensziele ausgerichtet noch im Rahmen der geschäftlichen und operativen Rahmenbedingungen realisierbar sind. In ihren Vorträgen erläuterten Oliver Lepp von der Audi AG, Dr. Ansgar Bernardi vom DFKI und Dr. Jens Heidrich vom Fraunhofer IESE ihre Erfahrungen sowie erprobte Best Practices zur erfolgreichen Umsetzung von standort- und organisationsübergreifenden Big-Data-Anwendungsszenarien. Dabei betonten die Partner insbesondere folgende Aspekte:

  1. Business Alignment: Erfolg hängt von konkreten Anwendungsfällen ab: Zuerst sollten zielorientierte Analysen des Big-Data-Geschäftspotenzials durchgeführt und anschließend durch datengetriebene Strategien ergänzt werden.
  2. Technologie alleine reicht nicht: Technologie ist nur ein Enabler. Sie ist kein Garant für nachhaltige Big-Data-Projekte. Vielmehr ist eine enge Zusammenarbeit von Domänenexperten und Data Scientists erforderlich.
  3. Datenkatalog: Datenquellen-Integration ist oft aufwändig(er): Da (automatisierte) Analyse (formalisiertes) Wissen über Datenelemente und interne Zusammenhänge voraussetzen, sollten Datenquellen semantisch modelliert werden.
  4. Features und Analyseverfahren: Die Datenanalyse auf Ist-Daten ist oft wenig aussagekräftig, da in Rohdaten oft mögliche Erkenntnisse u.a. im „Rauschen“ verborgen sind. Durch geeignete (inhaltlich sinnvolle) Zusammenfassungen, Gruppierung usw. werden statistisch signifikante Erkenntnisse möglich.
  5. Datenhoheit: Diese fungiert als Enabler für den übergreifenden Datenaustausch. Know-how und IP kann durch Datennutzungskontrolle mit IND2UCE geschützt werden.
    Die gewonnenen Best Practices aus dem PRO-OPT-Projekt sollen anschließend durch ein gemeinsames Consulting in Smart Ecosystems verwertet werden. Denn wie Volker Genetzky vom Bundesministerium betonte, sollen die Ergebnisse mittel- bis langfristig in einer wirtschaftlichen Anwendung münden.

Ergebnisbroschüre SmartData - Innovationen aus Daten

Bundesministerium für Wirtschaft und Energie (BMWi), 27.11.2017

Präsentation der Ergebnisse der Projekte und Fachgruppen des Technologieprogramms "Smart Data - Innovationen aus Daten"

Mit dem Technologieprogramm „Smart Data – Innovationen aus Daten“ fördert das BMWi von 2014 bis 2018 insgesamt 16 Leuchtturmprojekte, die den zukünftigen Markt von Big-Data-Technologien für die deutsche Wirtschaft erschließen sollen. Smart Data ist Teil der Hightech-Strategie und der Digitalen Agenda der Bundesregierung.

Diese Broschüre gibt einen abschließenden Überblick über die technischen Ergebnisse und Forschungsbereiche der verschiedenen Leuchtturmprojekte und beleuchtet darüber hinaus auch übergeordnete Themen, die im Laufe des Programms eine zentrale Rolle eingenommen haben.

Download (PDF, 2MB)

Lesen Sie den original Artikel auf Bundesministerium für Wirtschaft und Energie.

Big-Data-Projekte: Großes Potenzial oder doch zum Scheitern verurteilt?

Fraunhofer IESE, Claudia Reis, 06.11.2017

Was motiviert einen Anbieter für Produktionssteuerungs- und Qualitätssicherungssoftware sowie Dienstleistungen im Bereich High-Tech-Fertigung zur Einführung von Big-Data-Lösungen? Welche Herausforderungen können mit solchen Lösungen gemeistert werden? Und warum scheitern dennoch so viele Big-Data-Vorhaben in den Unternehmen? Im Interview stand uns Dr. Dirk Ortloff, Department Manager bei der camLine GmbH und Mitglied im Konsortium des Big-Data-Forschungsprojektes PRO-OPT, zu diesen Fragen Rede und Antwort.

Der Kundennutzen aus dem Projekt PRO-OPT:

• Prototypische Analysen über Standorte sind jetzt möglich
• Potenzial für die Abschaffung von teils manuellen Prozessen; viel mehr Digitalisierung
• Neue Datenanalysen und -visualisierungen
• Flexible Möglichkeit, Desktop-Analysen mit Big-Data-Analysen zu verknüpfen

Interview

Herr Ortloff, was war Ihre Motivation, sich beim Forschungsprojekt PRO-OPT zu beteiligen?
Wir hatten uns aus zwei Motivationen heraus entschieden, uns am Projekt PRO-OPT zu beteiligen: Zum einen wollten wir einfach mehr über Big-Data-Technologien lernen, weil wir diese in unsere Produktpalette integrieren wollen. Außerdem hatte sich einer unserer größten Kunden, ein namhafter Automobilzulieferer, bereits entschieden, im Projekt mitzuwirken und seine besonderen Supply-Chain-Herausforderungen hier einzubringen. Dieser Automobilzulieferer arbeitet unter anderem mit unserer Data-Warehouse-Lösung LineWorks mDICE, die wir nun im Projekt prototypisch um neue Big-Data-Ansätze erweitert haben. mDICE ist unser Tool zur detaillierten Traceability-Analyse aus den Tracking- und Tracing-Daten der gesamten Produktion sowie zum KPI Reporting.

Was waren denn die besonderen Herausforderungen dieses Automobilzulieferers?
Ein zentrales Thema war die Garantieabwicklung und Analyse der Tracking- und Tracing-Daten. Automobilzulieferer müssen bei Garantieanfragen schnell reagieren und als Teil der Supply Chain Auswertungen über ihre Produktion fahren – Stichwort Traceability. Dies gilt in einigen Bereichen auch für verbaute Teile von Zulieferern. Vom Automobilkonzern geforderte Reaktionszeiten von 24 Stunden waren bei der Unternehmensstruktur von über 60 Werken und deren lokaler Datenhoheit über die interne Supply Chain nur schwer realisierbar. Analysen nahm der Automobilzulieferer in jedem Werk separat vor und führte sie anschließend zusammen. Mit der Folge, dass die Reaktionsfristen manchmal nicht einzuhalten waren. Zudem führten die teilweise langen Laufzeiten bei zu weit gefassten Abfragekriterien zu Abbrüchen durch Timeouts. Außerdem ließ das eingesetzte Warehouse-System aufgrund der existierenden technischen Limitierungen bei so großen Datenmengen die Implementierung zusätzlich gewünschter Reports und Analysen einfach nicht zu.

Welchen Kundennutzen kann der Automobilzulieferer aus dem Projekt PRO-OPT ziehen?
Mit den prototypisch umgesetzten Big-Data-Erweiterungen und der ansatzweisen Umsetzung neuer Möglichkeiten sind nun teilautomatisierte Analysen über alle Standorte durchführbar – die lokale Datenhoheit bleibt dabei trotzdem erhalten. Durch die schnellen Datenanalysen über die interne Supply Chain konnten Abfragen teilweise um Größenordnungen beschleunigt werden. Dadurch kann der Zulieferer sehr rasch nachvollziehen, ob die Garantieansprüche an ihn gerechtfertigt sind oder nicht. Und das innerhalb der vom Automobilkonzern geforderten 24-Stunden-Frist. Somit können nun Garantieansprüche häufiger abgewehrt und Strafen wegen Überschreitung der Frist vermieden werden. Darüber hinaus sind jetzt erste Versionen von völlig neuen Datenanalysen und Visualisierungen möglich, durch die unser Kunde tiefere Einsichten in die Produktion und das Verhalten der Maschinen erhält. Generell hat das Projekt PRO-OPT für das Unternehmen die Perspektive auf Lösungen geschaffen, Desktop-Analysen flexibel mit Big-Data-Analysen zu verknüpfen.

Warum scheitern denn Ihrer Ansicht nach so viele Big-Data-Projekte in den Unternehmen?
Vielen Unternehmen fehlt einfach das Know-how, um große Big-Data-Projekte zu stemmen. Getreu dem Motto »Wir machen erst mal einen Data Lake« führen sie alle verfügbaren Daten in einem System zusammen. Denn oft unterliegen sie dem Irrglauben, dass man so viele Daten wie möglich in das System stecken sollte, um maximal viele und maximal flexible Auswertungen fahren zu können. So funktioniert das leider nicht, da wir hier ein Performance-Problem erwarten können. Deshalb muss sich das Unternehmen auch bei Big-Data-Analysen im Vorfeld Gedanken über sinnvolle Auswertungen machen, die unter Berücksichtigung der Kosten-Nutzen-Relation einen Mehrwert bieten. Eine vorgeschaltete Potenzialanalyse ist zu empfehlen und kann hier Aufschluss geben. Hinzu kommt, dass vielen Unternehmen das praktische Know-how bei der Speicherung der Daten in verteilten Systemen fehlt.

Speicherung in verteilten Systemen – wie muss ich mir das vorstellen?
Klassische Data-Warehouse-Systeme arbeiten mit relationalen Datenbanken, z. B. SQL. Diese stoßen bei datenintensiven Anwendungen und den damit verbundenen Transaktionslasten zunehmend auf Leistungs- und Effizienzprobleme. Nicht mehr akzeptable Reaktionszeiten sind die Folge. Im Projekt PRO-OPT haben wir für die Big-Data-Analysen NoSQL-Datenbanken eingeführt. Diese sind von Grund auf als verteilte, horizontal skalierende Systeme ausgelegt. Sie können riesige Datenmengen effizient speichern und punkten auch bei einer großen Anzahl parallel stattfindender Schreib- und Lesezugriffe mit ausgezeichneten Antwortzeiten – teilweise sehen wir hier eine Verbesserung der Antwortzeiten um Größenordnungen. Allerdings benötigt man auch bei NoSQL-Datenbanken ein gewisses Fachwissen, um tatsächlich schnellen Zugriff zu ermöglichen: Denn zusammengehörende Daten sollten nicht willkürlich zusammengewürfelt, sondern aufgeteilt in möglichst wenige Partitionen auf den einzelnen Rechnern gespeichert werden.

Inwiefern werden Sie die Erkenntnisse aus dem Projekt in Ihre Softwarelösungen für Produktionsunternehmen einfließen lassen?
Unsere Data-Warehouse-Lösung mDice haben wir dahingehend prototypisch erweitert, dass wir nun auch eine NoSQL-Datenbank mit verteilten Systemen integriert haben. Dadurch haben wir die Performance deutlich verbessert, und die PRO-OPT-Architektur bietet jetzt die Möglichkeit des Zugriffs über Standorte hinweg, ohne Daten zentralisieren zu müssen. Außerdem haben wir unser Datenanalysetool Cornerstone um Big-Data-Datenbankabfragen und -analysen sowie neue Visualisierungen erweitert. Auch im Bereich Supply Chain Quality Management haben wir in unser Tool LineWorks SQM die Erkenntnisse aus dem Projekt einfließen lassen. Hier geht es um die Fragestellung, wie Qualitätsdaten über die Supply Chain weitergegeben werden können. Das heißt, Qualitätsdaten werden schon vor der Lieferung ausgetauscht, sodass der Empfänger die Lieferung vor Versand freigeben oder sperren kann und die Wareneingangskontrolle nur noch stichprobenartig durchführen muss.

Wie konnte das Fraunhofer IESE zum Erfolg des Projektes PRO-OPT beitragen?
Neben einer hervorragenden technischen Projektleitungskompetenz sind die Wissenschaftler des Fraunhofer IESE bestens vertraut mit der Umsetzung von Big-Data-Projekten. Die Zusammenarbeit in PRO-OPT hat gezeigt, wie wichtig es ist, sich beim Thema Big Data Experten an die Seite zu holen. Potenzialanalysen, verteilte Datenbanksysteme, Datenmodellierung, Softwarearchitektur – das sind einige der Themen, die das IESE kompetent in das Projekt eingebracht hat. So hat das Institut die Ausarbeitung der zweckmäßigen PRO-OPT-Architektur übernommen. Außerdem haben die IESE-Kollegen für uns den ersten Datenmodellierungsansatz ausgearbeitet, sodass man gleich in Richtung Query-based Modeling gekommen ist. Mit Query-based Modeling möchte man schnellere Antwortzeiten erzielen, indem Daten als konkrete Antworten auf Fragestellungen angesehen und entsprechend auch als Antwortdaten für jede einzelne Fragestellung modelliert werden. Insgesamt kann man sagen, dass die Zusammenarbeit mit den Big-Data-Experten des Fraunhofer IESE unsere Lernkurve unglaublich reduziert hat.

Zum 31.12.2017 wird das vom Bundesministerium geförderte Projekt PRO-OPT nach drei Jahren Laufzeit zu Ende gehen. Wird Ihre Zusammenarbeit mit dem Fraunhofer IESE danach weitergehen?
Das will ich doch schwer hoffen. Gerne würden wir die erfolgreiche Zusammenarbeit mit dem Fraunhofer-IESE-Konsortium weiter ausbauen und sind gerade dabei, die nächsten Weichen zu stellen.

PRO-OPT ist ein Forschungs- und Entwicklungsprojekt im Rahmen des Technologieprogramms »Smart Data – Innovationen aus Daten« des Bundesministeriums für Wirtschaft und Energie. Projektziel ist es, Unternehmen in dezentralen, kooperativen Strukturen (Smart Ecosystems) die effektive und intelligente Analyse großer Datenmengen zu ermöglichen. Vor allem durch die Digitalisierung und Automatisierung fallen bei der Produktion immer größere Datenmengen an. Die Datenquellen liegen dabei verteilt in unterschiedlichen Standorten eines Teilnehmers oder bei verschiedenen, wirtschaftlich unabhängigen Teilnehmern des Ecosystems − insbesondere deshalb, weil in die Produktion meist nicht nur Teile aus eigener Fertigung eingehen. Übergreifende Analysen müssen unter Berücksichtigung von Zugriffsberechtigungen auf diese Quellen heruntergebrochen werden. Big-Data-Strategien sollen hier helfen, diese Analysen zu ermöglichen bzw. effizienter zu gestalten. Die Lösung wird in der Automobildomäne angesiedelt, da diese in Deutschland eine Schlüsselstellung besitzt und einen starken Leuchtturmeffekt für weitere Branchen hat.

 

 

Eniac INTEGRATE project

Eniac INTEGRATE Projekt

Integrierte Lösungen für agile Fertigungen in High-Mix-Halbleiterfabriken

Pflege und Ausbau einer profitablen und konsistenten Fertigungsbasis in Europa sind von zentraler strategischer Bedeutung, sowohl in wirtschaftlicher als auch in politischer Hinsicht. Das ENIAC JU Projekt INTEGRATE hat zur Aufgabe, die Effizienz der Waferfertigung zu steigern, indem die Gesamtzykluszeit verbessert wird, die Betriebskosten für Produktionsanlagen zu verringern, Standard- und Nicht-Standard-Lose simultan zu verwalten sowie die Produktqualität zu verbessern. Dies wird dank modernster Fortschritte in den Fertigungswissenschaften und durch Förderung der verstärkten Zusammenarbeit im Rahmen lokaler / regionaler Ökosysteme erreicht.

Eniac IMPROVE project

Eniac IMPROVE Projekt

IMPROVE (Implementing Manufacturing Science Solutions to Increase Equipment Productivity and Fab Performance) ist ein auf 36 Monate angelegtes Forschungsprojekt. Es wurde im Rahmen einer europaweiten Ausschreibung des ENIAC Joint Undertaking (European Nanoelectronics Initiative Advisory Council) als bestbewerteter Forschungsvorschlag für eine Förderung durch die Europäische Union und ihre Mitgliedsstaaten ausgewählt.

Im Rahmen von IMPROVE werden Methoden und Werkzeuge für eine bessere Kontrolle von Prozessschwankungen und reduzierte Durchlaufzeiten in den Fertigungsprozessen entwickelt. Damit lassen sich teure Anlagen und Ausrüstungen in der Halbleiterindustrie flexibler und kosteneffizienter einsetzen.

Das Projekt gliedert sich in folgende Themenbereiche:

  • die Entwicklung virtueller Messtechniken (Virtual Metrology), die die Prozesskontrolle auf Wafer-Ebene gewährleistet, um Standard-Messtechniken zu ersetzen
  • die Entwicklung einer vorausschauenden Instandhaltung (Predictive Maintenance), um die Zuverlässigkeit von Maschinen zu verbessern, die Wartungszyklen zu optimieren, sowie die Maschinenlaufzeit zu erhöhen
  • die Entwicklung einer variablen Qualitätskontrolle (Adaptive Control Planning), damit zukünftig nicht notwendige Messungen vermieden werden können