Bestandsanlagen in der smarten Produktion

Optimierungs- und Integrationsstrategien anhand eines Praxisbeispiels

  • Tim Voigt FH Bielefeld
  • Martin Kohlhase FH Bielefeld
  • Armin Peter Miele AG

Abstract

Moderne Unternehmen im produzierenden Gewerbe stellen sich täglich den Herausforderungen des Marktes und der globalen Wirtschaft. Ein Schlüssel zum Erfolg ist die smarte Produktion. Eine Aufgabe, die es zur Einführung einer smarten Produktion zu bewältigen gilt, stellt die Einbindung von Bestandsanlagen in einen Industrie-4.0-Kontext dar. In diesem Artikel werden die wesentlichen Schritte und datenbasierten Ansätze beschrieben, um Bestandsanlagen in eine smarte Produktion einzubetten. Dazu zählen die Datenerfassung, der Einsatz von maschinellen Lernverfahren sowie die Abbildung von Expertenwissen mit einem Random Forest.

References

  1. Wende, J., Kiradjiev, P. (2014). Eine Implementierung von Losgröße 1 nach Industrie-4.0-Prinzipien. e & i Elektrotechnik und Informationstechnik, 131(7), 202-206.
  2. Huber, S., Wiemer, H., Schneider, D., Ihlenfeldt, S. (2019). DMME: Data mining methodology for engineering applications–a holistic extension to the CRISP-DM model. Procedia CIRP, 79, 403-408.
  3. Wirth, R., Hipp, J. (2000,). CRISP-DM: Towards a standard process model for data mining. In Proceedings of the 4th international conference on the practical applications of knowledge discovery and data mining (pp. 29-39). London, UK: Springer-Verlag.
  4. Wuscher, S., Voigt, S., Fischer, M. (2016). Wissensbewahrung ausscheidender Mitarbeiter. In Wissensmanagement im Mittelstand (pp. 121-134). Springer Gabler, Berlin, Heidelberg.
  5. Husenbeth, A.; Berens, G.; Stegelmeyer, D. (2019). Die Anwendung des maschinellen Lernens – Fokus Interaktionsprozess in Predictive Maintenance Projekten. In Tagungsband des 18. Instandhaltungsforums 2019, pp. 78-88. Fraunhofer IML, 2019.
  6. Smith, E. A. (2001). The role of tacit and explicit knowledge in the workplace. Journal of knowledge Management.
  7. Schleffler, G. (1993). Elektrotauchlackierung in der allgemeinen Industrie. Industrie-Lackierbetrieb: I-Lack : Zentralblatt für Lackier- und Beschichtungstechnik 12, pp. 435-440.
  8. Schleipen, M., Gilani, S. S., Bischoff, T., Pfrommer, J. (2016). OPC UA & Industrie 4.0-enabling technology with high diversity and variability. Procedia Cirp, 57, 315-320.
  9. Ester, M., Kriegel, H. P., Sander, J., Xu, X. (1996). A density-based algorithm for discovering clusters in large spatial databases with noise. In Kdd (Vol. 96, No. 34, pp. 226-231).
  10. Raykar, V. C., Yu, S., Zhao, L. H., Valadez, G. H., Florin, C., Bogoni, L., & Moy, L. (2010). Learning from crowds. Journal of Machine Learning Research, 11(Apr), 1297-1322.
Veröffentlicht
2020-04-09
Zitieren
VOIGT, Tim; KOHLHASE, Martin; PETER, Armin. Bestandsanlagen in der smarten Produktion. atp magazin, [S.l.], v. 62, n. 4, p. 62-69, apr. 2020. ISSN 2364-3137. Verfügbar unter: <http://ojs.di-verlag.de/index.php/atp_edition/article/view/2451>. Date accessed: 02 juni 2020. doi: https://doi.org/10.17560/atp.v62i4.2451.
Rubrik
Hauptbeitrag / Peer-Review