Business-Intelligence-System für Produktionsanlagen

In dieser Phase hat unser Team die bestehende ERP-Plattform des Kunden untersucht, die Geschäftsprozesse analysiert, Alternativen und die bestmögliche technologische Lösung ermittelt. Wir haben ein Modell entworfen, das die Geschäftseinheiten im System und ihre Beziehungen beschreibt, einen detaillierten Plan für die Entwicklung der einzelnen Module erstellt und den Arbeitsablauf mit dem Kunden vereinbart.

Wir haben die Technologien empfohlen, die am besten zu den Bedürfnissen des Kunden passten. Ngx-datatable wurde gewählt, um komplexe Datensätze im Format von Tabellen zu verarbeiten. Die Komponente bietet alle Funktionen für Tabellen (sortieren, filtern usw.), ist flexibel und leicht. Für Datenvisualisierungen und die Erstellung von Diagrammen auf Grundlage dynamischer Daten wurde D3.js verwendet. Auf diese Weise werden die Daten in einer anschaulichen Form dargestellt, um einfacher und schneller Schlussfolgerungen ziehen zu können. Für maschinelles Lernen haben wir uns aufgrund seiner hohen Skalierbarkeit für TensorFlow.js entschieden, um bei Bedarf das auf verschiedenen Geräten nutzen zu können.

Für die schnelle und effiziente Datenanalyse hat unser Entwicklungsteam ein Modul mit Algorithmen des maschinellen Lernens implementiert. Ziel war es, die Veränderungsmuster der Anlagenparameter zu definieren und ihre Wirksamkeit zu analysieren. Die Algorithmen erhalten die Informationen automatisch aus dem ERP-System und lernen, welche Konfigurationen am effizientesten sind, um die für jede Anlage, Werkhalle oder sogar Maschine festgelegten Ziele zu erreichen. Auf diese Weise findet das Modul Trends und Muster, die nicht unmittelbar erkennbar sind, aber gewinnbringend bei der Optimierung der Herstellungskosten genutzt werden können.

Das Modul für maschinelles Lernen arbeitet in den vom Hersteller angegebenen Grenzen und kennzeichnet oder speichert keine Daten über eine Branche, ein Werk, eine Werkhalle oder eine Maschine. Die ML-Algorithmus analysieren lediglich statistische Daten. Dadurch stellt das Modul kein Sicherheitsrisiko dar und kann einem potenziellen Eindringling oder Insider keine wichtigen Informationen über die Produktionskapazitäten und -artikel des Kunden liefern.

Nachdem wir uns mit dem Kunden über den Projektstrukturplan geeinigt hatten, entwickelten wir ein MVP.

Wir haben alle zwei Wochen ein Modul geliefert, die Aufgaben in Slack besprochen und wöchentliche Videokonferenzen in Google Meet abgehalten.

Jede Entwicklungsphase wurde mit Unit- und manuellen Tests abgeschlossen, so dass wir selbst kleine Fehler frühzeitig erkannten und behoben, bevor sie zu Problemen werden konnten.

Nachdem wir uns mit dem Kunden über den Projektstrukturplan geeinigt hatten, entwickelten wir ein MVP.

Wir lieferten Modul für Modul alle zwei Wochen, besprachen Aufgaben in Slack und verfolgten Aufgaben in Jira.

Jede Entwicklungsphase wurde mit Unit- und manuellen Tests abgeschlossen, so dass wir selbst kleinste Fehler so früh wie möglich erkennen und beheben konnten, um zu verhindern, dass sie sich zu großen Problemen entwickeln.