Mithilfe des entwickelten Prognoseansatzes ist es im Echtzeitbetrieb möglich, innerhalb eines gegebenen Zeitfensters Prognosen bezüglich der Eintretenswahrscheinlichkeit von Störungen zu bestimmen. Bei Überschreiten bestimmter Schwellwerte werden im graphischen Interface des Monitoring-Systems Warnmeldungen angezeigt, die auf den kritischen Zustand von wichtigen Zielgrößen der Lackieranlage hinweisen.
Das bestehende klassische, rein relationale Datenbanksystem wurde erfolgreich in ein Big Data-System überführt. Durch die neuen Möglichkeiten entfallen Aggregationen und Filter zur Begrenzung der Datenmengen. Damit wurde die Auflösung der Daten (Granulariät), der Umfang der Historie und die Durchgängigkeit der betrachtbaren Zeiträume stark erhöht.
Ziel des Projektes war es den leistungsfähigsten Stream-Prozessor zu identifizieren und eine virtualisierbare Umgebung zu entwerfen, die die Bereitstellung der Stream-Prozessoren vereinfacht und deren Ressourcenverwendung im Hadoop Cluster optimiert. Wir entwickelten eine Big Data-Plattform, auf der Stream-Prozessoren getestet und analysiert werden können. Der Kunden erhielt ebenso eine konkrete Empfehlung und die hierzu optimale Konfiguration der Streaming-Datenverarbeitungsstrecke.
Mit Hilfe von Deep Learning sollten Auffälligkeiten und Muster in geschäftsrelevanten Daten automatisch erkannt werden, welche anschließend von menschlichen Analysten bewertet werden. Wir entwickelten ein System mit dem potentielle Fehlfunktionen im Rabattvergabesystem sowie der automatischen Abrechnungsmechanismen sofort erkannt werden. Die Lösung wurde in das bestehende produktive Hadoop-/Data-Warehouse-Umfeld des Kunden
Unser Kunde hatte nach Konzepten zur Steigerung der Transparenz des Produktionsablaufes gesucht, welche zu einer besseren Rückverfolgung in der Produktion der Halbleiter und daraus folgend auch zu einer proaktiveren Kundenbetreuung beitragen sollen. Das von uns entwickelte Big Data-Konzept ermöglicht unserem Kunden den Aufbau eines produktiven Forward- und Backward Tracings, welches zu einer schnelleren und unkomplizierteren Fehlerdekodierung beitragen soll.
Unser Kunde suchte nach einer Softwarelösung, um zukünftig Ausfälle und Zeitverluste in seiner Fertigung für Karosserien zu reduzieren. Wir entwickelten ein System, mit dem das Verhalten von Industrierobotern und angeschlossenen Komponenten kontinuierlich analysiert und zukünftige Ereignisse vorhergesagt werden können. Prognostizierte Störungen werden dem Kunden nun direkt angezeigt, dadurch können die Verantwortlichen schon vor dem Auftreten einer Störung / Stillstand präventiv eingreifen.