Ableitung eines Vorgehensmodells zur systematischen Wissensgenerierung aus Sensordaten
-
Dirk A. Molitor
Dirk A. Molitor, M. Sc., geb. 1996, studierte Wirtschaftsingenieurwesen mit technischer Fachrichtung Maschinenbau an der Technischen Universität Darmstadt. Seit dem Abschluss des Masterstudiums im April 2020 arbeitet er als Wissenschaftlicher Mitarbeiter am Institut für Produktionstechnik und Umformmaschinen und beforscht regelungstechnische und zustandsüberwachende Fragestellungen von Umformmaschinen und mehrstufigen Umformprozessen.
,
Christian Kubik
Christian Kubik, M. Sc., geb. 1990, schloss 2019 das Maschinenbaustudium an der TU Darmstadt ab und forscht seitdem als Wissenschaftlicher Mitarbeiter am Institut für Produktionstechnik und Umformmaschinen in der Abteilung Prozessketten und Anlagen, wo sein Forschungsschwerpunkt auf der Zustandsbewertung mehrstufiger Blechumformprozesse mittels maschineller Lernverfahren liegt.
Maximilian Knoll, M. Sc., geb. 1990, schloss 2017 das Maschinenbaustudium an der TU Darmstadt ab und forscht seitdem als Wissenschaftlicher Mitarbeiter am Institut für Produktionstechnik und Umformmaschinen (PtU) in der Abteilung Prozessketten und Anlagen zu Regelung von Produkteigenschaften von Umformtechnischen Produkten am Beispiel des Stanzlochwalzens.
Marco Becker, M. Sc., geb. 1991, schloss 2019 das Maschinenbaustudium an der TU Darmstadt ab und forscht seitdem als Wissenschaftlicher Mitarbeiter am PtU in der Abteilung Profiliertechnik zu intelligenten Profilierprozessen durch die Inline-Überwachung. Ziel ist die technische und energetische Prozessoptimierung durch gezielte Erfassung und Analyse von Sensordaten.
Prof. Dr.-Ing. Dipl.-Wirtsch.-Ing. Peter Groche, geb. 1961, leitet das Institut für Produktionstechnik und Umformmaschinen der Technischen Universität Darmstadt. 1986 schloss er ein Maschinenbaustudium an der Technischen Universität Braunschweig ab und arbeitete anschließend als Wissenschaftlicher Mitarbeiter an der Gottfried Wilhelm Leibniz Universität Hannover, an der er 1990 promovierte. Nachdem er im Jahre 1996 mit der Otto Kienzle Medaille ausgezeichnet wurde und 1997 ein Fernstudium des Wirtschaftsingenieurwesens an der Fernuniversität Hagen absolvierte, folgte er 1999 dem Ruf zur Professur am PtU. Dort leitet er bis heute 60 Mitarbeitende und forscht an neuen Prozessen und Maschinen sowie mikroskopischen Phänomenen rund um innovative Möglichkeiten der Umformtechnik.
Abstract
In diesem Beitrag wird das KDT-EA (Knowledge Discovery in Time Series for Engineering Applications) vorgestellt, eine Verbesserung des bestehenden KDD-Prozesses, um speziell die Analyse von aufgezeichneten Zeitreihen in Produktionsprozessen zu adressieren. Es werden die Schritte von der Datenerfassung bis zur Implementierung der entwickelten Modelle in die Produktionsprozesse beschrieben und die Schlüsselfaktoren für eine erfolgreiche Machine-Learning-Anwendung identifiziert. Am Beispiel der Vorhersage des Biegewinkels in einem Folgeverbundwerkzeugprozess wird der Einfluss der einzelnen Entscheidungen innerhalb der Prozessschritte auf die Modellleistung aufgezeigt.
Abstract
This paper presents the KDT-EA (Knowledge Discovery in Time Series for Engineering Applications), an improvement of the existing KDD process to especially address the analysis of recorded time series in production processes. The steps from data acquisition to the implementation of the developed models in the production processes are described and the key factors for a successful machine learning application are identified. Using the example of predicting the bending angle in a progressive die process, the influence on the model performance of the individual decisions within the process steps is demonstrated.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
About the authors
Dirk A. Molitor, M. Sc., geb. 1996, studierte Wirtschaftsingenieurwesen mit technischer Fachrichtung Maschinenbau an der Technischen Universität Darmstadt. Seit dem Abschluss des Masterstudiums im April 2020 arbeitet er als Wissenschaftlicher Mitarbeiter am Institut für Produktionstechnik und Umformmaschinen und beforscht regelungstechnische und zustandsüberwachende Fragestellungen von Umformmaschinen und mehrstufigen Umformprozessen.
Christian Kubik, M. Sc., geb. 1990, schloss 2019 das Maschinenbaustudium an der TU Darmstadt ab und forscht seitdem als Wissenschaftlicher Mitarbeiter am Institut für Produktionstechnik und Umformmaschinen in der Abteilung Prozessketten und Anlagen, wo sein Forschungsschwerpunkt auf der Zustandsbewertung mehrstufiger Blechumformprozesse mittels maschineller Lernverfahren liegt.
Maximilian Knoll, M. Sc., geb. 1990, schloss 2017 das Maschinenbaustudium an der TU Darmstadt ab und forscht seitdem als Wissenschaftlicher Mitarbeiter am Institut für Produktionstechnik und Umformmaschinen (PtU) in der Abteilung Prozessketten und Anlagen zu Regelung von Produkteigenschaften von Umformtechnischen Produkten am Beispiel des Stanzlochwalzens.
Marco Becker, M. Sc., geb. 1991, schloss 2019 das Maschinenbaustudium an der TU Darmstadt ab und forscht seitdem als Wissenschaftlicher Mitarbeiter am PtU in der Abteilung Profiliertechnik zu intelligenten Profilierprozessen durch die Inline-Überwachung. Ziel ist die technische und energetische Prozessoptimierung durch gezielte Erfassung und Analyse von Sensordaten.
Prof. Dr.-Ing. Dipl.-Wirtsch.-Ing. Peter Groche, geb. 1961, leitet das Institut für Produktionstechnik und Umformmaschinen der Technischen Universität Darmstadt. 1986 schloss er ein Maschinenbaustudium an der Technischen Universität Braunschweig ab und arbeitete anschließend als Wissenschaftlicher Mitarbeiter an der Gottfried Wilhelm Leibniz Universität Hannover, an der er 1990 promovierte. Nachdem er im Jahre 1996 mit der Otto Kienzle Medaille ausgezeichnet wurde und 1997 ein Fernstudium des Wirtschaftsingenieurwesens an der Fernuniversität Hagen absolvierte, folgte er 1999 dem Ruf zur Professur am PtU. Dort leitet er bis heute 60 Mitarbeitende und forscht an neuen Prozessen und Maschinen sowie mikroskopischen Phänomenen rund um innovative Möglichkeiten der Umformtechnik.
Danksagung
Die Autoren bedanken sich für die Förderung und Unterstützung der Projekte bei der DFG (Sonderforschungsbereich 805 „Beherrschung von Unsicherheit in lasttragenden Systemen des Maschinenbaus“ und Schwerpunktprogramm 2183 „Eigenschaftsgeregelte Umformprozesse“) und dem vom BMWi geförderten „Mittelstand 4.0 Kompetenzzentrum“ in Darmstadt. Weiterhin bedanken sich die Autoren bei der Bruderer AG für die Bereitstellung der Schnellläuferpresse BSTA 810 – 145 und bei Phoenix Feinbau GmbH & Co. KG für die Bereitstellung des Folgeverbundwerkzeugs.
Literatur
1 Seifert, I.; Bürger, M.; Wangler, L.; Christmann-Budian, S.; Rohde, M., Gabriel, P.; Zinke, G.: Potenziale der künstlichen Intelligenz im produzierenden Gewerbe in Deutschland – Studie im Auftrag des Bundesministeriums für Wirtschaft und Energie (BMWi) im Rahmen der Begleitforschung zum Technologieprogramm PaiCE. iit-Institut für Innovation und Technik in der VDI / VDE Innovation + Technik GmbH, Berlin 2018Search in Google Scholar
2 Russell, S. J.; Norvig, P.; Davis, E.; Edwards, D.: Artificial intelligence – A Modern Approach (Global Edition). Pearson, Boston 2016Search in Google Scholar
3 Yin, S.; Kaynak, O.: Big Data for Modern Industry: Challenges and Trends. Proceedings of the IEEE 103 (2015) 2, S. 143–146 DOI: 10.1109/JPROC.2015.238895810.1109/JPROC.2015.2388958Search in Google Scholar
4 Weichert, D.; Link, P.; Stoll, A.; Rüping, S.; Ihlenfeldt, S.; Wrobel, S.: A Review of Machine Learning for the Optimization of Production Processes. International Journal of Advanced Manufacturing Technology 104 (2019) 5–8, S. 1889–1902 DOI: 10.1007/s00170-019-03988-510.1007/s00170-019-03988-5Search in Google Scholar
5 Krüger, J.; Fleischer, J.; Franke, J.; Groche, P.: KI in der Produktion – Künstliche Intelligenz erschliessen für Unternehmen (WGP-Standpunktpaper). WGP Wissenschaftliche Gesellschaft für Produktionstechnik e. V., Hannover 2019Search in Google Scholar
6 Fayyad, U.; Piatetsky-Shapiro, G.; Smyth, P.: Knowledge Discovery and Data Mining – Towards a Unifying Framework. In: KDD-96 Proceedings of the Second International Conference on Knowledge Discovery and Data Mining (1996) S. 82–88Search in Google Scholar
7 James Li, C.: Signal Processing in Manufacturing Monitoring. In: Wang, L.; Gao, R. X. (Hrsg.): Condition Monitoring and Control for Intelligent Manufacturing. Springer-Verlag, London 2006, S. 245–265Search in Google Scholar
8 Kohavi, R.; John, G. H.: Wrappers for Feature Subset Selection. Artificial Intelligence 97 (1997) 1–2, S. 273–324 DOI: 10.1016/S0004-3702(97)00043-X10.1016/S0004-3702(97)00043-XSearch in Google Scholar
9 Hoppe, F.; Hohmann, J.; Knoll, M.; Kubik, C.; Groche, P.: Feature-based Supervision of Shear Cutting Processes on the Basis of Force Measurements: Evaluation of Feature Engineering and Feature Extraction. Procedia Manufacturing 34 (2019), S. 847–856 DOI: 10.1016/j.promfg.2019.06.16410.1016/j.promfg.2019.06.164Search in Google Scholar
© 2021 Walter de Gruyter GmbH, Berlin/Boston, Germany
Articles in the same Issue
- Inhalt
- Editorial
- Mensch und Maschine Hand in Hand
- Technologietrends
- Trends der Fertigungs-IT 2021
- Intelligente Fertigung
- Magnetführung in der Optikfertigung
- Produktivität
- Vorschubanpassung auf Basis realer Qualitätsdaten bei Fräsprozessen
- Geschäftsmodelle
- Erfolgsgrößen datengetriebener Geschäftsmodelle
- Technologiemanagement
- Potenzialbasierte Bewertung innovativer Technologien in der Produktion
- Fabrikplanung
- Software für eine automatisierte mehrdimensionale Fabriklayoutoptimierung
- Produktionssysteme
- Anpassung von Produktionssystemen an die Auswirkungen des Klimawandels
- Bestellwesen
- Lagerverhalten unter Prognoseunsicherheit mit dynamischen Bestellpolitiken
- Remanufacturing
- Konzept einer automatisierten und modularen Befundungsstation in der wandlungsfähigen Produktion
- Montagesysteme
- Strukturierung eines Montagesystems bei Fertigungszeitspreizung
- Digitales Modell
- Aufwandsarme Rekonstruktion von Bestandsanlagen
- Simulation
- Berechnung der statischen axialen Steifigkeit von Planentenrollengewindetrieben
- 5G-Industrie
- Industrielle Produktionsanlagen modular erweitern mit 5G
- Smart Services
- Smart Service-Transformation mit Geschäftsmodellmustern
- Automatisierung
- Industrie 4.0-gerechte und automatisierte Handhabungstechnik für Freiformoberflächen
- Cloud computing
- Cloud-Nutzung in der Industrie 4.0
- Maschinelles Lernen
- Ableitung eines Vorgehensmodells zur systematischen Wissensgenerierung aus Sensordaten
- Anwendungen des maschinellen Lernens in der Produktion aus Auftrags- und Produktsicht
- Digitale Technologien
- Entwicklung eines Bewertungsinstruments für neue digitale Technologien in KMU
- Vorschau
- Vorschau
Articles in the same Issue
- Inhalt
- Editorial
- Mensch und Maschine Hand in Hand
- Technologietrends
- Trends der Fertigungs-IT 2021
- Intelligente Fertigung
- Magnetführung in der Optikfertigung
- Produktivität
- Vorschubanpassung auf Basis realer Qualitätsdaten bei Fräsprozessen
- Geschäftsmodelle
- Erfolgsgrößen datengetriebener Geschäftsmodelle
- Technologiemanagement
- Potenzialbasierte Bewertung innovativer Technologien in der Produktion
- Fabrikplanung
- Software für eine automatisierte mehrdimensionale Fabriklayoutoptimierung
- Produktionssysteme
- Anpassung von Produktionssystemen an die Auswirkungen des Klimawandels
- Bestellwesen
- Lagerverhalten unter Prognoseunsicherheit mit dynamischen Bestellpolitiken
- Remanufacturing
- Konzept einer automatisierten und modularen Befundungsstation in der wandlungsfähigen Produktion
- Montagesysteme
- Strukturierung eines Montagesystems bei Fertigungszeitspreizung
- Digitales Modell
- Aufwandsarme Rekonstruktion von Bestandsanlagen
- Simulation
- Berechnung der statischen axialen Steifigkeit von Planentenrollengewindetrieben
- 5G-Industrie
- Industrielle Produktionsanlagen modular erweitern mit 5G
- Smart Services
- Smart Service-Transformation mit Geschäftsmodellmustern
- Automatisierung
- Industrie 4.0-gerechte und automatisierte Handhabungstechnik für Freiformoberflächen
- Cloud computing
- Cloud-Nutzung in der Industrie 4.0
- Maschinelles Lernen
- Ableitung eines Vorgehensmodells zur systematischen Wissensgenerierung aus Sensordaten
- Anwendungen des maschinellen Lernens in der Produktion aus Auftrags- und Produktsicht
- Digitale Technologien
- Entwicklung eines Bewertungsinstruments für neue digitale Technologien in KMU
- Vorschau
- Vorschau
