Top

Published in:

2021 | OriginalPaper | Chapter

15. Das Internet of Production als Fundament der Datenverwertung in der Produktion

Herausforderungen und Lösungsansätze des datengetriebenen Erkenntnisgewinns

Authors : Marco Becker, Matthias Brockmann, Philipp Niemietz, Daniel Trauth, Thomas Bergs, Christian Brecher

Published in: Monetarisierung von technischen Daten

Publisher: Springer Berlin Heidelberg

Activate our intelligent search to find suitable subject content or patents.

search-config

AI-assisted search

Off

Zusammenfassung

Das Internet of Things entfaltet erst durch die Überwindung von bestehenden Produkt- und Industriegrenzen sein volles ökonomisches Potenzial. Trotzdem werden Cyberphysische Systeme in der Forschung bisher oftmals isoliert betrachtet. Der Begriff des Internet of Production (IoP) steht für die Vision eines übergreifenden Austauschs von Daten und Informationen zwischen Produktentwicklung, Produktion und Nutzungsphase – über bestehende Organisationsgrenzen hinaus. Die Realisierung des IoP ist mit Herausforderungen im Bereich der datengetriebenen Modellierung sowie der Infrastruktur verbunden. In diesem Buchbeitrag werden die bestehenden Herausforderungen erläutert und Lösungsansätze skizziert. Der Schwerpunkt liegt auf der datengetriebenen Modellierung. Im Speziellen wird die Problematik des Lernens von kausalen Zusammenhängen, die Interpretierbarkeit von Machine-Learning-Modellen sowie die Integration von Domänenwissen in Lernalgorithmen diskutiert. Abschließend werden zwei Anwendungsbeispiele des „Digital Material Shadows“ vorgestellt. Diese veranschaulichen wie mithilfe von Machine Learning Erkenntnisse über den Materialzustand eines Werkstücks gewonnen werden können. Ziel dieser Digital Material Shadows ist es, langfristig Fertigungsprozesse adaptiv an die individuellen Materialeigenschaften des vorliegenden Werkstücks bzw. Rohmaterials anzupassen.

Dont have a licence yet? Then find out more about our products and how to get one now:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

inform now

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

inform now

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

inform now

previous chapter Putting a Price Tag on Data

next chapter Grafischer Ansatz zur Energieoptimierung durch künstliche Intelligenz

Niyato D, Lu X, Wang P, Kim D, Han Z (2016) Economics of internet of things: an information market approach. IEEE Wireless Commun 23(4):136–145. https://doi.org/10.1109/MWC.2016.7553037

Wortmann F, Flüchter K (2015) Internet of things. Bus Inf Syst Eng 57(3):221–224. https://doi.org/10.1007/s12599-015-0383-3CrossRef

Côrte-Real N, Ruivo P, Oliveira T (2020) Leveraging internet of things and big data analytics initiatives in European and American firms: is data quality a way to extract business value? Inf Manag 57(1):103141. https://doi.org/10.1016/j.im.2019.01.003CrossRef

Porter ME, Heppelmann JE (2014) How smart, connected products are transforming competition. Harv Bus Rev 92(11):64–88

Manyika J, Chui M, Bisson P, Woetzel J, Dobbs R, Bughin J, Aharon D (2015) The internet of things: mapping the value beyong the hype. Full Report. McKinsey Global Institute. https://www.mckinsey.de/business-functions/mckinsey-digital/our-insights/the-internet-of-things-the-value-of-digitizing-the-physical-world. Zugegriffen: 30. Nov. 2020

Gleim L, Pennekamp J, Liebenberg M, Buchsbaum M, Niemietz P, Knape S, Epple A, Storms S, Trauth D, Bergs T, Brecher C, Decker S, Lakemeyer G, Wehrle K (2020) FactDAG: formalizing data interoperability in an internet of production. IEEE Internet Things J 7(4):3243–3253. https://doi.org/10.1109/jiot.2020.2966402CrossRef

Pennekamp J, Glebke R, Henze M, Meisen T, Quix C, Hai R, Gleim L, Niemietz P, Rudack M, Knape S, Epple A, Trauth D, Vroomen U, Bergs T, Brecher C, Buhrig-Polaczek A, Jarke M, Wehrle K (2019) Towards an infrastructure enabling the internet of production. In: 2019 IEEE international conference on industrial cyber physical systems (ICPS). IEEE, S 31–37

Niemietz P, Pennekamp J, Kunze I, Trauth D, Wehrle K, Bergs T (2020) Stamping process modelling in an internet of production. Procedia Manuf 49:61–68. https://doi.org/10.1016/j.promfg.2020.06.012CrossRef

Hoffmann JB, Heimes P, Senel S (2019) IoT platforms for the internet of production. IEEE Internet Things J 6(3):4098–4105. https://doi.org/10.1109/jiot.2018.2875594CrossRef

10.

Gao R, Wang L, Teti R, Dornfeld D, Kumara S, Mori M, Helu M (2015) Cloud-enabled prognosis for manufacturing. CIRP Ann 64(2):749–772. https://doi.org/10.1016/j.cirp.2015.05.011CrossRef

11.

Liebenberg M, Jarke M (2020) Information systems engineering with digital shadows: concept and case studies. In: Dustdar S, Yu E, Salinesi C, Rieu D, Pant V (Hrsg) Advanced information systems engineering, Bd 12127. Springer International Publishing, Cham, S 70–84

12.

Jones D, Snider C, Nassehi A, Yon J, Hicks B (2020) Characterising the digital twin: a systematic literature review. CIRP J Manuf Sci Technol 29:36–52. https://doi.org/10.1016/j.cirpj.2020.02.002CrossRef

13.

Lee J, Lapira E, Bagheri B, Kao H-a (2013) Recent advances and trends in predictive manufacturing systems in big data environment. Manuf Lett 1(1):38–41. https://doi.org/10.1016/j.mfglet.2013.09.005CrossRef

14.

Kritzinger W, Karner M, Traar G, Henjes J, Sihn W (2018) Digital twin in manufacturing: a categorical literature review and classification. IFAC-PapersOnLine 51(11):1016–1022. https://doi.org/10.1016/j.ifacol.2018.08.474CrossRef

15.

Bauernhansl T, Hartleif S, Felix T (2018) The digital shadow of production – a concept for the effective and efficient information supply in dynamic industrial environments. Procedia CIRP 72:69–74. https://doi.org/10.1016/j.procir.2018.03.188CrossRef

16.

Schuh G, Häfner C, Hopmann C, Rumpe B, Brockmann M, Wortmann A, Maibaum J, Dalibor M, Bibow P, Sapel P, Kröger M (2020) Effizientere Produktion mit Digitalen Schatten. ZWF 115(special):105–107. https://doi.org/10.3139/104.112339

17.

Bergs T, Niemietz P, Kaufman T, Trauth D (2020) Punch-to-punch variations in stamping processes. In: 2020 IEEE 18th world symposium on applied machine intelligence and informatics (SAMI). IEEE, S 213–218

18.

Spirtes P (2010) Introduction to causal inference. J Mach Learn Res 11(54):1643–1662

19.

Pearl J (2019) The seven tools of causal inference, with reflections on machine learning. Commun ACM 62(3):54–60. https://doi.org/10.1145/3241036CrossRef

20.

Schölkopf B (2019) Causality for machine learning. https://arxiv.org/abs/1911.10500

21.

Peters J, Janzing D, Schölkopf B (2017) Elements of causal inference. Foundations and learning algorithms. Adaptive computation and machine learning. MIT Press, CambridgeMATH

22.

Wuest T, Weimer D, Irgens C, Thoben K-D (2016) Machine learning in manufacturing: advantages, challenges, and applications. Prod Manuf Res 4(1):23–45. https://doi.org/10.1080/21693277.2016.1192517CrossRef

23.

Pearl J (2009) Causal inference in statistics: an overview. Statist Surv 3:96–146. https://doi.org/10.1214/09-ss057MathSciNetCrossRefMATH

24.

Spirtes P, Zhang K (2016) Causal discovery and inference: concepts and recent methodological advances. Appl Inform (Berl) 3:3. https://doi.org/10.1186/s40535-016-0018-xCrossRef

25.

Tian J, Pearl J (2001) Causal discovery from changes. In: Proceedings of the seventeenth conference on uncertainty in artificial intelligence, August, 2001, S 512–521

26.

Pearl J (1995) Causal diagrams for empirical research. Biometrika 82(4):669. https://doi.org/10.2307/2337329MathSciNetCrossRefMATH

27.

Zhang J (2007) Generalized do-calculus with testable causal assumptions. In: Proceedings of the eleventh international conference on artificial intelligence and statistics, S 667–674

28.

Guo R, Cheng L, Li J, Hahn PR, Liu H (2020) A survey of learning causality with data. ACM Comput Surv 53(4):1–37. https://doi.org/10.1145/3397269CrossRef

29.

Lopez-Paz D, Nishihara R, Chintala S, Scholkopf B, Bottou L (2017) Discovering causal signals in images. In: Proceedings IEEE conference on computer vision and pattern recognition (CVPR) 2017. IEEE, S 58–66

30.

Roscher R, Bohn B, Duarte MF, Garcke J (2020) Explainable machine learning for scientific insights and discoveries. IEEE Access 8:42200–42216. https://doi.org/10.1109/access.2020.2976199CrossRef

31.

Dosilovic FK, Brcic M, Hlupic N (2018) Explainable artificial intelligence: a survey. In: 2018 41st international convention on information and communication technology, electronics and microelectronics (MIPRO), Opatija, Kroatien, 21–25 Mai 2018. IEEE, S 210–215

32.

Chattopadhyay A, Manupriya P, Sarkar A, Balasubramanian VN (2019) Neural network attributions: a causal perspective. In: Proceedings of the 36th international conference on machine learning, Long Beach, California, PMLR 97, 2019

33.

Barredo Arrieta A, Díaz-Rodríguez N, Del Ser J, Bennetot A, Tabik S, Barbado A, Garcia S, Gil-Lopez S, Molina D, Benjamins R, Chatila R, Herrera F (2020) Explainable artificial intelligence (XAI): concepts, taxonomies, opportunities and challenges toward responsible AI. Inf Fusion 58:82–115. https://doi.org/10.1016/j.inffus.2019.12.012CrossRef

34.

Christoph Molnar Interpretable Machine Learning. https://christophm.github.io/interpretable-ml-book/

35.

Murdoch WJ, Singh C, Kumbier K, Abbasi-Asl R, Yu B (2019) Definitions, methods, and applications in interpretable machine learning. Proc Natl Acad Sci USA 116(44):22071–22080. https://doi.org/10.1073/pnas.1900654116MathSciNetCrossRefMATH

36.

Kapteyn MG, Knezevic DJ, Huynh DBP, Tran M, Willcox KE (2020) Data-driven physics-based digital twins via a library of component-based reduced-order models. Int J Numer Methods Eng. https://doi.org/10.1002/nme.6423CrossRef

37.

van Rueden L, Mayer S, Beckh K, Georgiev B, Giesselbach S, Heese R, Kirsch B, Pfrommer J, Pick, Annika, Ramamurthy, Rajkumar, Walczak M, Garcke J, Bauckhage C, Schuecker, Jannis (2020) Informed machine learning – a taxonomy and survey of integrating knowledge into learning systems. https://arxiv.org/abs/1903.12394. Zugegriffen: 30. Okt. 2020

38.

Teng T-H, Tan A-H, Zurada JM (2015) Self-organizing neural networks integrating domain knowledge and reinforcement learning. IEEE Trans Neural Netw Learn Syst 26(5):889–902. https://doi.org/10.1109/tnnls.2014.2327636MathSciNetCrossRef

39.

Koller D, Friedman N (2009) Probabilistic graphical models. Principles and techniques. Adaptive computation and machine learning. MIT Press, Cambridge

40.

Pennekamp J, Henze M, Schmidt S, Niemietz P, Fey M, Trauth D, Bergs T, Brecher C, Wehrle K (2019) Dataflow challenges in an internet of production. In: Cavallaro L, Kinder J, Holz T (Hrsg) Proceedings of the ACM workshop on cyber-physical systems security & privacy – CPS-SPC’19. ACM Press, New York, S 27–38

41.

Glebke R, Henze M, Wehrle K, Niemietz P, Trauth D, Mattfeld MBA P, Bergs T (2019) A Case for integrated data processing in large-scale cyber-physical systems. In: Bui T (Hrsg) Proceedings of the 52nd Hawaii international conference on system sciences

42.

Unterberg M, Niemietz P, Trauth D, Wehrle K, Bergs T (2019) In-situ material classification in sheet-metal blanking using deep convolutional neural networks. Prod Eng Res Dev 13(6):743–749. https://doi.org/10.1007/s11740-019-00928-wCrossRef

43.

Eichler J (2014) Elektromagnetismus. In: Eichler J (Hrsg) Physik für das Ingenieurstudium. Springer Fachmedien Wiesbaden, Wiesbaden, S 187–246

44.

Santa-aho S, Laitinen A, Sorsa A, Vippola M (2019) Barkhausen noise probes and modelling: a review. J Nondestruct Eval 38(4). https://doi.org/10.1007/s10921-019-0636-z

45.

Franco FA, González MFR, de Campos MF, Padovese LR (2013) Relation between magnetic Barkhausen noise and hardness for Jominy Quench tests in SAE 4140 and 6150 steels. J Nondestruct Eval 32(1):93–103. https://doi.org/10.1007/s10921-012-0162-8CrossRef

46.

Klocke F, König W (2008) Fertigungsverfahren 1. Drehen, Fräsen, Bohren. Springer, Berlin

47.

Brinksmeier E, Gläbe R, Klocke F, Lucca DA (2011) Process signatures – an alternative approach to predicting functional workpiece properties. Procedia Eng 19:44–52. https://doi.org/10.1016/j.proeng.2011.11.078CrossRef

48.

Buchholz SH (2014) Bewertung des Substitutionsrisikos von Fertigungssystemen, 1. Aufl. Apprimus Wissenschaftsverlag, s. l.

49.

Lundberg SM, Erion G, Chen H, DeGrave A, Prutkin JM, Nair B, Katz R, Himmelfarb J, Bansal N, Lee S-I (2020) From local explanations to global understanding with explainable AI for trees. Nat Mach Intell 2(1):56–67. https://doi.org/10.1038/s42256-019-0138-9CrossRef

50.

Apley DW, Zhu J (2020) Visualizing the effects of predictor variables in black box supervised learning models. J R Stat Soc B 82(4):1059–1086. https://doi.org/10.1111/rssb.12377MathSciNetCrossRef

51.

Friedman JH (2001) Greedy function approximation: a gradient boosting machine. Ann Stat 29(5):1189–1232. https://doi.org/10.1214/aos/1013203451MathSciNetCrossRefMATH

Title: Das Internet of Production als Fundament der Datenverwertung in der Produktion
Authors: Marco Becker
Matthias Brockmann
Philipp Niemietz
Daniel Trauth
Thomas Bergs
Christian Brecher
Publisher: Springer Berlin Heidelberg
Book: Monetarisierung von technischen Daten
Print ISBN: 978-3-662-62914-7

Electronic ISBN: 978-3-662-62915-4

Copyright Year: 2021
DOI: https://doi.org/10.1007/978-3-662-62915-4_15

Springer Professional

Zusammenfassung

Please log in to get access to your license.

Dont have a licence yet? Then find out more about our products and how to get one now:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"

Premium Partner