Existing plants in smart production
Optimisation strategies and a practical example
DOI:
https://doi.org/10.17560/atp.v62i4.2451Keywords:
digitalization, Industry 4.0, existing plants, tacit knowledge, machine learningAbstract
Modern manufacturing companies have to face the challenges of the market and the global economy every day. A key to success is smart production. A task that has to be fulfilled in order to realize smart production is the integration of existing plants into an Industry 4.0 context. This article describes the key steps involved and data-based approaches to integrating existing plants into a smart production environment. This includes data acquisition, the use of machine learning methods, and the modelling of expert knowledge using a random decision forest.
References
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
Published
Issue
Section
License
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.
