Startseite Einsatz digitaler Systeme zur Prozessüberwachung
Artikel
Lizenziert
Nicht lizenziert Erfordert eine Authentifizierung

Einsatz digitaler Systeme zur Prozessüberwachung

Ein methodischer Implementierungsansatz zur Verfügbarkeitserhöhung und Qualitätsverbesserung
  • Alexander Busse , Tobias Meudt und Joachim Metternich
Veröffentlicht/Copyright: 3. November 2017
Veröffentlichen auch Sie bei De Gruyter Brill
Manuskript einreichen Informationen für Autor*innen
Zeitschrift für wirtschaftlichen Fabrikbetrieb
Aus der Zeitschrift Zeitschrift für wirtschaftlichen Fabrikbetrieb Band 112 Heft 10

Kurzfassung

Maschinelles Lernen ermöglicht es, Gesetzmäßigkeiten automatisch aus Eingangsdaten und verknüpften Zielwerten zu „erlernen“ und Vorhersagen abzuleiten. Dies kann in der Produktion zur Prozessstabilisierung genutzt werden. Ein strukturierter Implementierungsansatz ist nötig, der datentechnische Anforderungen definiert und den Nutzen der digitalen zur analogen Problemlösungen abwägt. Am Institut PTW der TU Darmstadt wurde ein solcher Ansatz entwickelt. Erste Versuche zeigen, dass die Methode gezieltes maschinelles Lernen unterstützt und akkurate Vorhersagen zur Prozessstabilisierung ermöglicht.

Abstract

Machine learning helps to discover correlations in data automatically and can be used to stabilize production processes. A structured implementation approach is needed that defines data requirements and benchmarks the digital value with analogue problem solving methods. A structured approach was developed and tested at the institute PTW at TU Darmstadt that helps to facilitate the implementation of machine learning in production.

Alexander Busse, M. Sc., und Dipl.-Wirtsch.-Ing. Tobias Meudt sind Wissenschaftliche Mitarbeiter der Forschungsgruppe Center für industrielle Produktivität (CiP) am Institut für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) an der Technischen Universität Darmstadt (TU Darmstadt).

Prof. Dr.-Ing. Joachim Metternich ist Institutsleiter des PTW an der TU Darmstadt.

References

1. Feldmann, S.; Herweg, O.; Rauen, H.; Synek, P.: Predictive Maintenance, Service der Zukunft – und wo er wirklich steht. Studienergebnisse, Roland Berger, München 2017, Verfügbar unter www.rolandberger.com/de/Publications/pub_predictive_maintenance_2017.html [Letzter Abruf: 10.8.2017]Suche in Google Scholar

2. Gölzer, P.: Big Data in Industrie 4.0 – Eine strukturierte Aufarbeitung von Anforderungen, Anwendungsfällen und deren Umsetzung. Friedrich-Alexander-Universität Erlangen-Nürnberg, Open Access Publikation 2017, S. 125–164Suche in Google Scholar

3. Reitmaier, T.: Aktives Lernen für Klassifikationsprobleme unter der Nutzung von Strukturinformationen. In: Hölldobler, S. et al. (Hrsg.): Ausgezeichnete Informatikdissertationen 2015, Lecture Notes in Informatics (LNI), Gesellschaft für Informatik, Bonn2016, S. 239–248Suche in Google Scholar

4. Kotsiantis, S. B.: Supervised Machine Learning: A Review of Classification Techniques. Informatica31 (2007), S. 249–268Suche in Google Scholar

5. Widodo, A.; Yang, B.-S.: Support Vector Machine in Machine Condition Monitoring and Fault Diagnosis. Mechanical Systems and Signal Processing21 (2007) 6, S. 2560–257410.1016/j.ymssp.2006.12.007Suche in Google Scholar

6. Lee, J.; Wu, F.; Zhao, W.; Ghaffari, M.; Liao, L.; Siegel, D.: Prognostics and Health Management Design for Rotary Machinery Systems–Reviews, Methodology and Applications. Mechanical Systems and Signal Processing42 (2014), S. 314–33410.1016/j.ymssp.2013.06.004Suche in Google Scholar

7. Meudt, T.; Metternich, J.; Abele, E.: Value Stream Mapping 4.0. CIRP Annals–Manufacturing Technology66 (2017), S. 413–41610.1016/j.cirp.2017.04.005Suche in Google Scholar

8. Rößler, M. P.; Abele, E.: Uncertainty in the Analysis of the Overall Equipment Effectiveness on the Shop Floor. IOP Conference Series: Materials Science and Engineering46 (2013), S. 1–910.1088/1757-899X/46/1/012019Suche in Google Scholar

9. Hölbfer, S. A.: Modell zur Auswahl von Instandhaltungsstrategien in anlageintensiven Industriebetrieben. Montanuniversität Leoben, Lehrstuhl Wirtschafts- und Betriebswissenschaften, Open Access Publikation 2014, S. 105–149Suche in Google Scholar

10. Biedermann, H.: Lean Smart Maintenance: wertschöpfende, lernorientierte und ressourceneffiziente Instandhaltung. In: Biedermann, H. (Hrsg.): Lean Smart Maintenance, Konzepte, Instrumente und Anwendungen für eine effiziente und intelligente Instandhaltung. TÜV Media GmbH, Köln2016, S. 19–2910.1007/978-3-658-12097-9_7Suche in Google Scholar

11. Sarwar, M.; Haider, J.; Persson, M.: Scientific Evaluation of Cutting-Off Process in Bandsawing. In: Scientific Proceedings, 8th International Congress–Machines, Technologies, Materials, Bulgarien 2011, S. 29–32Suche in Google Scholar

12. Kotsiantis, S. B.; Kanellopoulos, D.; Pintelas, P. E.: Data Preprocessing for Supervised Learning. International Journal of Computer, Electrical, Automation, Control and Information Engineering12 (2007), S. 4091–4096Suche in Google Scholar

13. Saglam, H.: Tool Wear Monitoring in Bandsawing Using Neural Networks and Taguchi's Design of Experiments. The International Journal of Advanced Manufacturing Technology55 (2011), S. 969–98210.1007/s00170-010-3133-1Suche in Google Scholar

14. Hashemian, H. M.: State-of-the-Art Predictive Maintenance Techniques. IEEE Transactions on Instrumentation and Measurement60 (2011) 10, S. 226–23610.1109/TIM.2010.2047662Suche in Google Scholar

15. Dietrich, J.: Praxis der Zerspantechnik. Springer Fachmedie, Wiesbaden2016, S. 25–3110.1007/978-3-658-14053-3Suche in Google Scholar

16. Leys, C.; Ley, C.; Klein, O.; Bernard, P.; Licata, L.: Detecting Outliers. Journal of Experimental Social Psychology49 (2013) 4, S. 764–76610.1016/j.jesp.2013.03.013Suche in Google Scholar

17. de Jonge, B.; Teunter, R.; Tinga, T.: The Influence of Practical Factors on the Benefits of Condition-based Maintenance over Time-based Maintenance. Reliability Engineering & System Safety158 (2017), S. 21–3010.1016/j.ress.2016.10.002Suche in Google Scholar

18. Diaconsecu, E.: The Use of NARX Neural Networks to Predict Chaotic Time Series. WSEAS Transactions on Computer Research3 (2008) 3, S. 182–191Suche in Google Scholar

Online erschienen: 2017-11-03
Erschienen im Druck: 2017-10-27

© 2017, Carl Hanser Verlag, München

Artikel in diesem Heft

  1. Editorial
  2. Qualifizierung für Industrie 4.0
  3. Inhalt/Contents
  4. Inhalt
  5. Qualifizierung
  6. KMU 4.0: Arbeiten und Lernen mit digitalen Medien
  7. Kompetenzorientierte Arbeitsplatzwechsel
  8. Die Lernfabrik als Export-Erfolg
  9. Das Projekt „PALM4.Q“
  10. Digitale Assistenz
  11. Einsatz digitaler Systeme zur Prozessüberwachung
  12. Gute digitale Assistenz in der Produktion
  13. Smart Devices
  14. Smart Devices in der Fertigung
  15. Lean Management
  16. Zero Inventory – ein überholtes Konzept?
  17. Kommissionierung
  18. Work-by-Inclusion – Inklusives Informationssystem für die Kommissionierung mittels Datenbrille
  19. Modellierung
  20. Modellierung von elastischen Fügeverbindungen
  21. CFK-Bearbeitung
  22. Präzisionsbeschnitt von CFK-Metall-Verbunden
  23. Montage
  24. Fügen von Elektrodenfolien in der Batteriezellherstellung
  25. Instandhaltung
  26. Instandhaltungsmanagement für die Fabrik der Zukunft
  27. Energiemanagement
  28. Realisierung eines digitalen Energieausweises für industrielle Erzeugnisse
  29. Intelligente Fabrik
  30. Smart Factory Assessment (SFA)
  31. Sicherheit
  32. Moderne Sicherheitskonzepte für Industrie 4.0
  33. Datenerfassung
  34. Manufacturing Integration Platform
  35. Vorschau/Preview
  36. Vorschau
https://doi.org/10.3139/104.111784

Artikel in diesem Heft

  1. Editorial
  2. Qualifizierung für Industrie 4.0
  3. Inhalt/Contents
  4. Inhalt
  5. Qualifizierung
  6. KMU 4.0: Arbeiten und Lernen mit digitalen Medien
  7. Kompetenzorientierte Arbeitsplatzwechsel
  8. Die Lernfabrik als Export-Erfolg
  9. Das Projekt „PALM4.Q“
  10. Digitale Assistenz
  11. Einsatz digitaler Systeme zur Prozessüberwachung
  12. Gute digitale Assistenz in der Produktion
  13. Smart Devices
  14. Smart Devices in der Fertigung
  15. Lean Management
  16. Zero Inventory – ein überholtes Konzept?
  17. Kommissionierung
  18. Work-by-Inclusion – Inklusives Informationssystem für die Kommissionierung mittels Datenbrille
  19. Modellierung
  20. Modellierung von elastischen Fügeverbindungen
  21. CFK-Bearbeitung
  22. Präzisionsbeschnitt von CFK-Metall-Verbunden
  23. Montage
  24. Fügen von Elektrodenfolien in der Batteriezellherstellung
  25. Instandhaltung
  26. Instandhaltungsmanagement für die Fabrik der Zukunft
  27. Energiemanagement
  28. Realisierung eines digitalen Energieausweises für industrielle Erzeugnisse
  29. Intelligente Fabrik
  30. Smart Factory Assessment (SFA)
  31. Sicherheit
  32. Moderne Sicherheitskonzepte für Industrie 4.0
  33. Datenerfassung
  34. Manufacturing Integration Platform
  35. Vorschau/Preview
  36. Vorschau
Jetzt anmelden und 20% sparen
Institutioneller Zugang
Wie funktioniert Authentifizierung?
Haben Sie eine Idee, wie wir unsere Website verbessern können?
Bitte schreiben Sie uns.
© 2025 De Gruyter Brill
Heruntergeladen am 2.11.2025 von https://www.degruyterbrill.com/document/doi/10.3139/104.111784/html?lang=de
Button zum nach oben scrollen