Accessible Requires Authentication Published by De Gruyter August 14, 2021

Maschinelles Lernen bei hohem Variantenreichtum und kleinen Serien

Herausforderungen für die Nutzbarkeit und Implikationen am Beispiel der Nutzfahrzeugproduktion

Challenges for the Usability of Machine Learning with a High Number of Variants and Small Series
Patrick Ruediger-Flore, Moritz Glatt and Jan C. Aurich

Abstract

Mit der fortschreitenden Digitalisierung wachsen die Forderungen nach der Ausschöpfung des Potentials der dabei erhobenen Daten. Hierfür haben die Methoden des Maschinellen Lernens ihre Praxistauglichkeit bewiesen. Jedoch ergeben sich bei der Anwendung dieser Technologie in Produktionssystemen mit hohem Variantenreichtum und kleinen Serien, vielschichtige Herausforderungen. Das Feature Engineering als Teil der Datenaufbereitung birgt hierbei ein großes Potential zur deren Bewältigung. Anhand des Beispiels der Nutzfahrzeugproduktion werden in diesem Beitrag Handlungsempfehlungen hierzu aufgezeigt.

Abstract

With the advancing digitization, the demands for the exhaustion of the collected data’s potential are growing. The machine learning methods have proven their practical suitability for this. However, when using this technology in production systems with many variants and small series, complex challenges arise. Feature engineering as part of the data preparation has excellent potential for coping with these. The example of commercial vehicle production shows the recommendations for action in this article.


Tel.: +49 (0) 631 205-4282

Danksagung

Das Forschungsprojekt „Nutzung von Künstlicher Intelligenz in der Nutzfahrzeugproduktion“ wird von der Europäischen Union (EU) aus dem Fonds für Regionale Entwicklung (EFRE) und dem Commercial Vehicle Cluster Südwest gefördert.

Literatur

1 Lehmann, F. H.; Grzegorski, A.: Anlaufmanagement in der Nutzfahrzeugindustrie am Beispiel Daimler Trucks. In: Schuh, G.; Stölzle, W.; Straube, F.: Anlaufmanagement in der Automobilindustrie erfolgreich umsetzen – Ein Leitfaden für die Praxis. Springer-Verlag, Berlin, Heidelberg 2008, S. 81–90 10.1007/978-3-540-78407-4_7 Search in Google Scholar

2 Press, G.: Cleaning Big Data: Most Time-Consuming, Least Enjoyable Data Science Task, Survey Says (2016). Online unter https://www.forbes.com/sites/gilpress/2016/03/23/data-preparation-most-timeconsuming-least-enjoyable-data-sciencetask-survey-says/?sh=14f528906f63, Forbes, Enterprise & Cloud, Search in Google Scholar

3 De Oliveira Nascimento, L.; Muniz, J.; Rocha, H. M.: Commercial Vehicle Production Flexibility Factors. IFIP WG 5.7 International Conference, APMS, 2016 10.1007/978-3-319-51133-7_112 Search in Google Scholar

4 Adewumi, A.; Akinyelu, A.: A Survey of Machine-Learning and Nature-Inspired Based Credit Card Fraud Detection Techniques. International Journal of System Assurance Engineering and Management 8 (2017), S. 937–953 10.1007/s13198-016-0551-y Search in Google Scholar

5 Kamper, A.; Kreisköther, K.; Büning, M. K.; Möller, T.; Busch, M.: Vorausschauende Instandhaltung durch Maschinelles Lernen in der Prozessindustrie. ZWF 113 (2018) 4, S. 195–198 10.3139/104.111890 Search in Google Scholar

6 Puls, T.: Schwere Nutzfahrzeuge: Ein Überblick – Eine ökonomische und ökologische Einordnung des schweren Nutzfahrzeugs in Europa. Institut der deutschen Wirtschaft, 2018 Search in Google Scholar

7 Seifert, I.; Bürger, M.; Wangler, L.; Chritian-Budian, S.; Rohde, M.; Gabriel, P.; Zinke, G.: Potenziale der künstlichen Intelligenz im produzierenden Gewerbe in Deutschland. BMWi, Berlin 2018 Search in Google Scholar

8 Zheng, A.; Casari, A.: Feature Engineering for Machine Learning Principles – Principles and Techniques for Data Scientists. O’Reilly Media Inc., 2018 Search in Google Scholar

9 Brecher, C.; Janis, O.; Lohrmann, V.; Fey, M.: Merkmalsbasierte Qualitätsprädiktion durch maschinelles Lernen: Anwendung künstlicher neuronaler Netze zur prozessparallelen virtuellen Prüfung von Qualitätsmerkmalen anhand maschineninterner Daten. ZWF 114 (2019) 11, S. 784–787 10.3139/104.112177 Search in Google Scholar

10 Eickelmann, M.; Wiegand, M.; Deuse, J.; Bernerstätter, R.: Bewertungsmodell zur Analyse der Datenreife: Herleitung des Reifegrads der Datenqualität für die Anwendung maschineller Lernverfahren in der industriellen Produktion. ZWF 114 (2019) 1–2, S. 29–33 10.3139/104.112037 Search in Google Scholar

11 Madry, A.; Makelov, A.; Schmidt, L.; Tsipras, D.; Vladu, A.: Towards Deep Learning Models Resistant to Adverserarial Attacks. arXiv:1706.06083 (2019) Search in Google Scholar

12 Stetco, A.; Dinmohammadi, F.; Zhao, X.; Robu, V.; Flynn, D.; Barnes, M.; Keane, J.; Nenadic, G.: Machine Learning Methods for Wind Turbine Condition Monitoring: A Review. Renewable Energy 133 (2019), S. 620–635 10.1016/j.renene.2018.10.047 Search in Google Scholar

13 Mildenhall, B.; Srinivasan, P.; Tancik, M.; Barron, J. T.; Ramamoorth, R.; Ng, R.: Representing Scenes as Neural Radiance Fields for View Synthesis. ECCV (2020) 10.1007/978-3-030-58452-8_24 Search in Google Scholar

14 Daimler AG (Hrsg.): Mercedes-Benz Werk Wörth: Zahlen. Daten. Fakten (2021). Online unter https://truckworld.mercedes-benz.com/de_DE/production-plant-woerth/numbers-data-facts.html Search in Google Scholar

Published Online: 2021-08-14
Published in Print: 2021-08-31

© 2021 Walter de Gruyter GmbH, Berlin/Boston, Germany