Skip to content
Licensed Unlicensed Requires Authentication Published by De Gruyter September 23, 2019

Production Analytics

Produktionsdaten anwendergerecht auswerten

Production Analytics
User-friendly Evaluation of Production Data
Günther Schuh, Jan-Philipp Prote, Frederick Sauermann and Seth Schmitz

Kurzfassung

Produzierende Unternehmen sehen sich mit einer steigenden Komplexität in ihrer Produktion konfrontiert. Vielfach wird versucht, Erkenntnisse zur Beherrschung dieser Komplexität durch Auswertung von Daten mit Verfahren der Künstlichen Intelligenz (KI) zu gewinnen. Insbesondere für kleine und mittlere Unternehmen (KMU) stellt dies jedoch eine große Hürde dar. Daher wurde ein KI-Tool entwickelt, das Unternehmen hilft, einerseits das Potenzial für KI unternehmensindividuell abzuschätzen und andererseits aufwandsarm KI-Verfahren anzuwenden.

Abstract

Manufacturing companies face an increasing complexity in their production in recent years. In many cases, they attempt to gain knowledge for mastering this complexity by evaluating data using artificial intelligence (AI) methods. However, this represents a major hurdle especially for small- and medium-sized enterprises (SME). Therefore, an AI tool was developed that helps companies to estimate the company-specific potential for AI and to apply AI procedures with a minimum of effort.


Prof. Dr.-Ing. Dipl.-Wirt. Ing. Günther Schuh, geb. 1958, ist Inhaber des Lehrstuhls für Produktionssystematik am Werkzeugmaschinenlabor WZL der RWTH Aachen, Direktoriumsmitglied am Fraunhofer-Institut für Produktionstechnologie IPT in Aachen und Direktor des Forschungsinstituts für Rationalisierung e. V. (FIR) an der RWTH Aachen. Er ist Gründer der Schuh & Co. Firmengruppe in Würselen, St. Gallen und Atlanta. Prof. Schuh ist in mehreren Aufsichts- und Verwaltungsräten tätig.

Dr.-Ing. Jan-Philipp Prote, geb. 1986, studierte Wirtschaftsingenieurwesen mit der Fachrichtung Maschinenbau an der RWTH Aachen sowie Industrial Engineering an der Tsinghua University in Peking. Er ist Oberingenieur und Abteilungsleiter der Abteilung Produktionsmanagement am Werkzeugmaschinenlabor WZL der RWTH Aachen.

Frederick Sauermann, M. Sc., geb. 1991, studierte Wirtschaftsingenieurwesen mit der Fachrichtung Maschinenbau an der RWTH Aachen und der Chalmers University of Technology in Göteborg. Er ist Wissenschaftlicher Mitarbeiter am Werkzeugmaschinenlabor WZL der RWTH Aachen und Leiter der Gruppe Produktionslogistik in der Abteilung Produktionsmanagement.

Seth Schmitz, M. Sc., M. Sc., geb. 1991, studierte Wirtschaftsingenieurwesen mit der Fachrichtung Maschinenbau an der RWTH Aachen sowie Industrial Engineering an der Tsinghua University in Peking. Er ist Wissenschaftlicher Mitarbeiter am Werkzeugmaschinenlabor WZL der RWTH Aachen in der Gruppe Prozessmanagement in der Abteilung Produktionsmanagement.


Literatur

1. ElMaraghy, H.; Schuh, G.; ElMaraghy, W.; Piller, F.; Schönsleben, P.; Tseng, M.; Bernard, A.: Product Variety Management. CIRP Annals62 (2013) 2, S. 62965210.1016/j.cirp.2013.05.007Search in Google Scholar

2. Schuh, G.; Reinhart, G.; Prote, J.-P.; Sauermann, F.; Horsthofer, J.; Oppolzer, F.; Knoll, D.: Data Mining Definitions and Applications for the Management of Production Complexity. Procedia CIRP81 (2019), S. 87487910.1016/j.procir.2019.03.217Search in Google Scholar

3. Harding, J.; Shahbaz, M.; Kusiak, A.: Data Mining in Manufacturing: A Review. Journal of Manufacturing Science and Engineering128 (2006) 4, S. 96997610.1115/1.2194554Search in Google Scholar

4. Wang, K.: Applying Data Mining to Manufacturing: The Nature and Implications. Journal of Intellectual Manufacturing18 (2007) 4, S. 48749510.1007/s10845-007-0053-5Search in Google Scholar

5. Wirth, R.; Hipp, J.: CRISP-DM: Towards a Standard Process Model for Data Mining. In: Proceedings of the 4th International Conference on the Practical Application of KDD and Data Mining. 11th-13th April 2000, Manchester, UK. Practical Application Co, Blackpool, Lancashire, UK, S. 2939Search in Google Scholar

6. Mikut, R.; Reischl, M.: Data Mining Tools. WIREs Data Mining Knowl Discov1 (2011) 5, S. 43144310.1002/widm.24Search in Google Scholar

7. Stone, D.; Jarrett, C.; Woodroffe, M.; Minocha, S.: User Interface Design and Evaluation. Elsevier, Amsterdam2005Search in Google Scholar

8. Nielsen, J.: Heuristic Evaluation. In: Nielsen, J.; Mack, R.L. (Hrsg.): Usability Inspection Methods. John Wiley & Sons, New York, NY1994Search in Google Scholar

Online erschienen: 2019-09-23
Erschienen im Druck: 2019-09-27

© 2019, Carl Hanser Verlag, München