Verbundprojekt: Digitalisierung des Industrialisierungsprozesses in der Automobil- und Zulieferindustrie (DIAZI); Teilvorhaben: Datenerfassung und -strukturierung zur Erkennung und Vorhersage von Wertschöpfung und Nicht-Wertschöpfung

Abstract

DIAZI untersuchte, wie heterogene Produktions-, Maschinen-, Datenbank- und Simulationsdaten im Automobil- und Zulieferumfeld strukturiert, semantisch beschrieben und für datenbasierte Prozessoptimierung nutzbar gemacht werden können. Der Beitrag der Hochschule Landshut umfasste produktionorientierte Datenerfassung und -strukturierung, einen industriellen Datenkatalog mit Metadaten und Data Lineage, Node-RED-basierte Integrationsflüsse, regelbasierte Erfassung der Nicht-Wertschöpfung nach Lean-Prinzipien sowie Dashboard-Komponenten zur Wertstromtransparenz. Die Ergebnisse zeigen, dass eine nachvollziehbare Datenbasis Voraussetzung für belastbare KPI-Berechnung, Klassifikation der Nicht-Wertschöpfung und spätere KI-Dienste ist. Validierungen mit realen Produktionsdaten, Simulationsdaten und Lernfabrikdaten bestätigen die Übertragbarkeit der entwickelten Datenmodelle, Regeln und Visualisierungskonzepte. Die Arbeiten schaffen verwertbare Grundlagen für industrielle Anwendungen, Folgeprojekte, Lehre und Forschung zu Industrial AI, Datenkatalogen und nachhaltiger Prozessoptimierung. DIAZI investigated how heterogeneous production, machine, database and simulation data in the automotive and supplier industry can be systematically acquired, structured, cataloged and used for AI-supported process transparency. The contribution of the University of Applied Sciences Landshut included production-oriented data acquisition and structuring, an industrial data catalog with metadata and data lineage, Node-RED-based integration flows, rule-based waste detection according to Lean principles, and dashboard components for value stream transparency. The results show that a traceable data foundation is a prerequisite for reliable KPI calculation, waste classification and later AI services. Validations with real production data, simulation data and learning factory data confirm the transferability of the developed data models, rules and visualization concepts. The work provides exploitable foundations for industrial applications, follow-up projects, teaching and research on industrial AI, data catalogs and sustainable process optimization.