Kurzfassung
Maschinelles Lernen ermöglicht es, Gesetzmäßigkeiten automatisch aus Eingangsdaten und verknüpften Zielwerten zu „erlernen“ und Vorhersagen abzuleiten. Dies kann in der Produktion zur Prozessstabilisierung genutzt werden. Ein strukturierter Implementierungsansatz ist nötig, der datentechnische Anforderungen definiert und den Nutzen der digitalen zur analogen Problemlösungen abwägt. Am Institut PTW der TU Darmstadt wurde ein solcher Ansatz entwickelt. Erste Versuche zeigen, dass die Methode gezieltes maschinelles Lernen unterstützt und akkurate Vorhersagen zur Prozessstabilisierung ermöglicht.
Abstract
Machine learning helps to discover correlations in data automatically and can be used to stabilize production processes. A structured implementation approach is needed that defines data requirements and benchmarks the digital value with analogue problem solving methods. A structured approach was developed and tested at the institute PTW at TU Darmstadt that helps to facilitate the implementation of machine learning in production.
References
1. Feldmann, S.; Herweg, O.; Rauen, H.; Synek, P.: Predictive Maintenance, Service der Zukunft – und wo er wirklich steht. Studienergebnisse, Roland Berger, München 2017, Verfügbar unter www.rolandberger.com/de/Publications/pub_predictive_maintenance_2017.html [Letzter Abruf: 10.8.2017]Search in Google Scholar
2. Gölzer, P.: Big Data in Industrie 4.0 – Eine strukturierte Aufarbeitung von Anforderungen, Anwendungsfällen und deren Umsetzung. Friedrich-Alexander-Universität Erlangen-Nürnberg, Open Access Publikation 2017, S. 125–164Search in Google Scholar
3. Reitmaier, T.: Aktives Lernen für Klassifikationsprobleme unter der Nutzung von Strukturinformationen. In: Hölldobler, S. et al. (Hrsg.): Ausgezeichnete Informatikdissertationen 2015, Lecture Notes in Informatics (LNI), Gesellschaft für Informatik, Bonn2016, S. 239–248Search in Google Scholar
4. Kotsiantis, S. B.: Supervised Machine Learning: A Review of Classification Techniques. Informatica31 (2007), S. 249–268Search in Google Scholar
5. Widodo, A.; Yang, B.-S.: Support Vector Machine in Machine Condition Monitoring and Fault Diagnosis. Mechanical Systems and Signal Processing21 (2007) 6, S. 2560–257410.1016/j.ymssp.2006.12.007Search in Google Scholar
6. Lee, J.; Wu, F.; Zhao, W.; Ghaffari, M.; Liao, L.; Siegel, D.: Prognostics and Health Management Design for Rotary Machinery Systems–Reviews, Methodology and Applications. Mechanical Systems and Signal Processing42 (2014), S. 314–33410.1016/j.ymssp.2013.06.004Search in Google Scholar
7. Meudt, T.; Metternich, J.; Abele, E.: Value Stream Mapping 4.0. CIRP Annals–Manufacturing Technology66 (2017), S. 413–41610.1016/j.cirp.2017.04.005Search in Google Scholar
8. Rößler, M. P.; Abele, E.: Uncertainty in the Analysis of the Overall Equipment Effectiveness on the Shop Floor. IOP Conference Series: Materials Science and Engineering46 (2013), S. 1–910.1088/1757-899X/46/1/012019Search in Google Scholar
9. Hölbfer, S. A.: Modell zur Auswahl von Instandhaltungsstrategien in anlageintensiven Industriebetrieben. Montanuniversität Leoben, Lehrstuhl Wirtschafts- und Betriebswissenschaften, Open Access Publikation 2014, S. 105–149Search in Google Scholar
10. Biedermann, H.: Lean Smart Maintenance: wertschöpfende, lernorientierte und ressourceneffiziente Instandhaltung. In: Biedermann, H. (Hrsg.): Lean Smart Maintenance, Konzepte, Instrumente und Anwendungen für eine effiziente und intelligente Instandhaltung. TÜV Media GmbH, Köln2016, S. 19–2910.1007/978-3-658-12097-9_7Search in Google Scholar
11. Sarwar, M.; Haider, J.; Persson, M.: Scientific Evaluation of Cutting-Off Process in Bandsawing. In: Scientific Proceedings, 8th International Congress–Machines, Technologies, Materials, Bulgarien 2011, S. 29–32Search in Google Scholar
12. Kotsiantis, S. B.; Kanellopoulos, D.; Pintelas, P. E.: Data Preprocessing for Supervised Learning. International Journal of Computer, Electrical, Automation, Control and Information Engineering12 (2007), S. 4091–4096Search in Google Scholar
13. Saglam, H.: Tool Wear Monitoring in Bandsawing Using Neural Networks and Taguchi's Design of Experiments. The International Journal of Advanced Manufacturing Technology55 (2011), S. 969–98210.1007/s00170-010-3133-1Search in Google Scholar
14. Hashemian, H. M.: State-of-the-Art Predictive Maintenance Techniques. IEEE Transactions on Instrumentation and Measurement60 (2011) 10, S. 226–23610.1109/TIM.2010.2047662Search in Google Scholar
15. Dietrich, J.: Praxis der Zerspantechnik. Springer Fachmedie, Wiesbaden2016, S. 25–3110.1007/978-3-658-14053-3Search in Google Scholar
16. Leys, C.; Ley, C.; Klein, O.; Bernard, P.; Licata, L.: Detecting Outliers. Journal of Experimental Social Psychology49 (2013) 4, S. 764–76610.1016/j.jesp.2013.03.013Search in Google Scholar
17. de Jonge, B.; Teunter, R.; Tinga, T.: The Influence of Practical Factors on the Benefits of Condition-based Maintenance over Time-based Maintenance. Reliability Engineering & System Safety158 (2017), S. 21–3010.1016/j.ress.2016.10.002Search in Google Scholar
18. Diaconsecu, E.: The Use of NARX Neural Networks to Predict Chaotic Time Series. WSEAS Transactions on Computer Research3 (2008) 3, S. 182–191Search in Google Scholar
© 2017, Carl Hanser Verlag, München
