Kurzfassung
Eine hohe Verfügbarkeit von Produktionsanlagen bei gleichzeitig hoher Produktqualität ist Voraussetzung, um eine termingerechte Produktion zu ermöglichen. Ziel der Instandhaltung ist es daher, Verschleißfolgen und somit Kosten, Qualitäts- und Verfügbarkeitsbeeinträchtigungen durch zum richtigen Zeitpunkt durchgeführte Instandhaltungsmaßnahmen zu minimieren. Hierzu wird ein Leitstand entwickelt, der Ausfallzeitpunkte durch Verknüpfung von unterschiedlichen Daten prognostizieren und bereits während der Produktion Qualitätsabweichungen erkennen kann.
Abstract
A high plant availability accompanied by a high level of product quality is an important prerequisite to secure on-time production. The aim of maintenance planning is the minimization of wear effects and hence costs, quality- and availability impairments of production facilities by applying appropriate maintenance measures at the best point in time. For this purpose, a maintenance control center is developed, which is able to forecast and anticipate failure moments and reveal variation in quality on a real-time basis by linking various data.
References
1. Colledani, M.; Tolio, T.: Integrated Quality, Production Logistics and Maintenance Analysis of Multi-stage Asynchronous Manufacturing Systems with Degrading Machines. Annals of the CIRP61 (2012) 1, S. 455–45810.1016/j.cirp.2012.03.072Search in Google Scholar
2. Matyas, K.: Instandhaltungslogistik. 5. vollst. überarb. und erw. Aufl., Carl Hanser Verlag, München, Wien201310.3139/9783446435896Search in Google Scholar
3. Rasch, A.: Erfolgspotential Instandhaltung. Erich Schmidt Verlag, Berlin2000Search in Google Scholar
4. Siener, M.; Aurich, J. C.: Quality Oriented Maintenance Scheduling. CIRP Journal of Manufacturing Science and Technology4 (2011) 1, S. 15–2310.1016/j.cirpj.2011.06.014Search in Google Scholar
5. WappisJ.: Taschenbuch Null-Fehler-Management: Umsetzung von Six Sigma. Carl Hanser Verlag, München, Wien201010.3139/9783446426481Search in Google Scholar
6. Fayyad, U. M.; Piatetsky-Shapiro, G.; Smyth, P.: From Data-Mining to Knowledge Discovery: An Overview. In: Fayyad, U. M.; Piatetsky-Shapiro, G.; Uthurusamy, R. (Hrsg.): Advances in Knowledge Discovery and Data Mining. AAAI Press, Menlo Park, Calif.1996. The MIT Pr., Cambridge, Mass.1996, S. 1–34Search in Google Scholar
7. Hall, P.; Dean, J.; Kabul, I. K.; Silva, J.: An Overview of Machine Learning with SAS® Enterprise Miner™. Paper SAS313 – 2014, 2014. S.1–24Search in Google Scholar
8. Kucheryavski, S. V.; Kvaal, K.; Halstensen, M.; Mortensen, P. P.; Dahl, C. K.; Minkkinen, P.; EsbensenK.H.: Optimal Corrections for Digitization and Quantification Effects in Angle Measure Technique (AMT) Texture Analysis. Journal of Chemometrics22 (2008) 11–12, S. 722–73710.1002/cem.1118Search in Google Scholar
9. Schenkendorf, R.; Böhm, T.: Aspekte einer datengetriebenen, zustandsabhängigen Instandhaltung – Teil 1: Informative Merkmalsextraktion als Basis einer zuverlässigen Zustandsdiagnose. Eisenbahningenieur (2014) November, S. 14–18Search in Google Scholar
10. Runkler, TA.: Data Mining: Methoden und Algorithmen intelligenter Datenanalyse. Vieweg+Teubner Verlag, Wiesbaden2010Search in Google Scholar
11. Loh, W. Y.: Classification and regression trees. WIREs Data Mining and Knowledge Discovery (2011) 1, S. 14–2310.1002/widm.8Search in Google Scholar
12. Cleve, J.; Lämmel, U.: Data Mining. Oldenbourg Wissenschaftsverlag, München201410.1524/9783486720341Search in Google Scholar
© 2015, Carl Hanser Verlag, München
