Kurzfassung
Zur Entwicklung einer Sofortpreiskalkulation für CNC-Drehteile werden Machine-Learning-Ansätze sowie ein deterministischer Algorithmus untersucht. Der deterministische Algorithmus funktioniert ausschließlich für Drehteile mit geringer Komplexität. Die Machine Learning Modelle hingegen sind zukunftsfähiger, da die ersten Ergebnisse bereits sehr geringe Abweichungswerte zu den festgelegten Referenzpreisen erreichen können. Mit steigendem Datenaufkommen können beide Machine-Learning-Modelle mit geringem Aufwand weiter verbessert werden.
Abstract
Development and evaluation of the applicability of algorithms and predictive machine learning models. For the development of an immediate price calculation for CNC turned parts, machine learning frameworks as well as a deterministic algorithm are developed. The deterministic algorithm works exclusively for simple CNC turned parts. The machine learning models in contrary are significantly more promising, since the first results already achieve small deviation values related to the defined reference prices. With increasing data volume, both models can be further improved without great effort.
Literatur
Biesel, H.; Hame, H.: Vertrieb und Marketing in der digitalen Welt. So schaffen Unternehmen die Business Transformation in der Praxis. Springe-Verlag, Wiesbaden2018, S. 46 ff. 10.1007/978-3-658-17532-0Search in Google Scholar
acatech – Arbeitskreis Smart Service Welt (Hrsg.): Smart Service Welt – Umsetzungsempfehlungen für das Zukunftsprojekt Internetbasierte Dienste für die Wirtschaft. Abschlussbericht, Berlin2015, S. 81Search in Google Scholar
BITKOM (Hrsg.): Big Data im Praxiseinsatz – Szenarien, Beispiele, Effekte. Berlin 2012, S. 21Search in Google Scholar
Schmidt, T.: Potentialbewertung generativer Fertigungsverfahren für Leichtbauteile. Springer-Verlag, Berlin, Heidelberg2016, S. 154–16010.1007/978-3-662-52996-6Search in Google Scholar
Baumers, M.; Tuck, C.; Wildman, R.; Ashcroft, I.; Rosamond, E.; Hague, R.: Combined Build–Time, Energy Consumption and Cost Estimation for Direct Metal Laser Sintering. Proceedings of the Solid Freeform Fabrication (SFF) Symposium. The University of Texas at Austin 2012Search in Google Scholar
Opetuk, T.; Ćosić, P.: Application of Group Technology for Production Cost Eestimation. Zagreb 2012Search in Google Scholar
Heisel, U.; Klocke, F.; Uhlmann, E.; Spur, G.: Handbuch Spanen. Carl Hanser Verlag, München, Wien2014, S. 20Search in Google Scholar
Siemens Industry Software GmbH: Geolus – Innovation through Re-use. Plano, USA2015Search in Google Scholar
SEVISIO Industrie 4.0 GmbH & Co.KG: Kalkulation 4.0 – Kosten- und Zeitkalkulation in der Produktion. Online unter https://www.sevisio.de/kalkulation40/Search in Google Scholar
Institut für Integrierte Produktion Hannover (Hrsg.): Automatisierte Individualisierung – Konstruktionsbegleitende Konfiguration und Kalkulation von Produkten. Jahresbericht IPH, Hannover2010Search in Google Scholar
Engesserm, H.: Duden Informatik. 2. Aufl., Bibliographisches Institut & F.A. Brockhaus AG, Mannheim1993Search in Google Scholar
McDonald, C.: Demystifying AI, Machine Learning and Deep Learning. Machine Learning Examples. Hrsg. von MAPR Technologies Inc. 2017Search in Google Scholar
Manninen, P.; Öster, P. (Hrsg.): Applied Parallel and Scientific Computing. In: Proceedings of the 11th International Conference PARA 2012 Helsinki Finland June 10–13, 2012. Revised Selected Papers. Springer-Verlag, Berlin, Heidelberg201310.1007/978-3-642-36803-5Search in Google Scholar
Welc, J.; EsquerdoP.: Applied Regression Analysis for Business. Springer International Puplishing, Cham201810.1007/978-3-319-71156-0Search in Google Scholar
Schutt, R.; O´Neil, C.: Doing Data Science. O’Reilly, Sebastopol, CA, 2014, S. 98 ff.Search in Google Scholar
© 2018, Carl Hanser Verlag, München
