Bestandsanlagen in der smarten Produktion
Optimierungs- und Integrationsstrategien anhand eines Praxisbeispiels
DOI:
https://doi.org/10.17560/atp.v62i4.2451Schlagworte:
Digitalisierung, Industrie 4.0, Bestandsanlagen, implizites Wissen, maschinelles LernenAbstract
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.
Literaturhinweise
Wende, J., Kiradjiev, P. (2014). Eine Implementierung von Losgröße 1 nach Industrie-4.0-Prinzipien. e & i Elektrotechnik und Informationstechnik, 131(7), 202-206.
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.
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.
Wuscher, S., Voigt, S., Fischer, M. (2016). Wissensbewahrung ausscheidender Mitarbeiter. In Wissensmanagement im Mittelstand (pp. 121-134). Springer Gabler, Berlin, Heidelberg.
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.
Smith, E. A. (2001). The role of tacit and explicit knowledge in the workplace. Journal of knowledge Management.
Schleffler, G. (1993). Elektrotauchlackierung in der allgemeinen Industrie. Industrie-Lackierbetrieb: I-Lack : Zentralblatt für Lackier- und Beschichtungstechnik 12, pp. 435-440.
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.
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).
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.
Downloads
Veröffentlicht
Ausgabe
Rubrik
Lizenz
Die Zeitschrift und alle in ihr enthaltenen Beiträge und Abbildungen sind urheberrechtlich geschützt. Jede Verwertung außerhalb der engen Grenzen des Urheberrechtsgesetzes ist ohne Zustimmung des Verlages unzulässig und strafbar. Das gilt insbesondere für Vervielfältigungen, Übersetzungen, Mikroverfilmungen und die Einspeicherung und Bearbeitung in elektronischen Systemen. Auch die Rechte der Wiedergabe durch Vortrag, Funk- und Fernsehsendung, im Magnettonverfahren oder ähnlichem Wege bleiben vorbehalten.
