Skip to main content
Disciplines
Automotive Business IT + Informatics Construction + Real Estate Electrical Engineering + Electronics Energy + Sustainability Insurance + Risk Finance + Banking Management + Leadership Marketing + Sales Mechanical Engineering + Materials
Events
DE
EN
Books
Journals
Topic Page
Marketing
Start single access now
Access for companies
EXTENDED SEARCH
Log in
Top
Published in:
Read chapter Read first chapter

2021 | OriginalPaper | Chapter

10. Digitalisierungspotenziale der Instandhaltung 4.0 – Von der Aufbereitung binärer Daten zum Einsatz transparenter künstlicher Intelligenz

Authors : Jonas Wanner, Lukas-Valentin Herm, Christian Janiesch

Published in: IoT – Best Practices

Publisher: Springer Fachmedien Wiesbaden

Log in

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

search-config
loading …

Zusammenfassung

Ein Kernbereich der von digitalen Informationen entscheidend profitieren kann ist die Instandhaltung von Maschinen. Sie dient der Gewährleistung eines reibungslosen Fertigungsablaufs. Mithilfe von Verfahren der Datenanalyse sollen hierfür künftig Maschinenzustandsdaten ausgewertet werden. Fraglich bleibt die aktuelle Beschaffenheit von Fertigungsanlagen im deutschen, produzierenden Mittelstand. Wie eine Umfrage zeigt, stammen Zustandsdaten noch immer überwiegend von Lichtschranken, Positionierungstastern und Motorspannungen. Binäre Datenwerte erschweren datenbasierte Auswertungsverfahren jedoch. Der Beitrag nimmt sich der Problemstellung an. Gemeinsam mit Partnern aus der Industrie wurde ein schrittweiser Entwicklungsansatz erarbeitet, wie trotz dieser Datenrestriktion eine umfassende Unterstützung möglich wird. Die Umsetzung basiert auf Techniken aus den Bereichen Process Mining und erklärbare künstliche Intelligenz. Ein Demonstrator evaluiert die Praxistauglichkeit.

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 Konzeption und Realisierung eines Produktionssystems für die modulare Fertigung in der Automobilindustrie
next chapter Automatisierung von Geschäftsprozessen im Maschinen- und Anlagenbau – Fallstudie zu Predictive Maintenance
Literature
van der Aalst W, Adriansyah A, De Medeiros AKA, Arcieri F, Baier T, Blickle T, Bose JC, Van Den Brand P, Brandtjen R, Buijs J (2011) Process mining manifesto. In: International conference on business process management. Berlin/Heidelberg, S 169–194
Andaloussi AA, Burattin A, Weber B (2018) Toward an automated labeling of event log attributes. Enterprise, business-process and information systems modeling. Springer, Cham, S 82–96
Bayomie D, Helal IM, Awad A, Ezat E, ElBastawissi A (2016) Deducing case IDs for unlabeled event logs. In: Reichert M, Reijers HA (Hrsg) BPM 2015, Bd 256. Springer, Cham, S 242–254
Bose RJC, Mans RS, van der Aalst WM (2013) Wanna improve process mining results? 2013 IEEE symposium on computational intelligence and data mining (CIDM). Singapore, S 127–134
Dam HK, Tran T, Ghose A (2018) Explainable software analytics. In: Proceedings of the 40th international conference on software engineering: new ideas and emerging results. Gothenburg, S 53–56
Delen D (2015) Real-world data mining: applied business analytics and decision making. Pearson Eduction, Upper Saddle River
Delen D, Demirkan H (2013) Data, information and analytics as services. Decis Support Syst 55:359–363CrossRef
DIN (2003) DIN 31051:2003-06: Grundlagen der Instandhaltung. DIN Deutsches Institut für Normung e.V., Berlin
Ferreira D, Zacarias M, Malheiros M, Ferreira P (2007) Approaching process mining with sequence clustering: experiments and findings. In: Alonso G, Dadam P, Rosemann M (Hrsg) BPM 2007, Bd 4714. Springer, Heidelberg, S 360–374
Ferreira DR, Gillblad D (2009) Discovering process models from unlabelled event logs. In: Dayal U, Eder J, Koehler J, Reijers HA (Hrsg) BPM 2009, Bd 5701. Springer, Heidelberg, S 143–158
Goodfellow I, Bengio Y, Courville A (2016) Deep learning. MIT Press, Cambridge, MAMATH
Goodman B, Flaxman S (2017) European Union regulations on algorithmic decision-making and a „right to explanation“. AI Mag 38(3):50–57
Gunning D (2017) Explainable artificial intelligence (xai). Defense Advanced Research Projects Agency (DARPA), nd Web 2
Halaška, M, Šperka, R (2018) Process mining–the enhancement of elements industry 4.0. In: 2018 4th international conference on computer and information sciences (ICCOINS). Stockholm, S 1–6
He QP, Wang J (2018) Statistics pattern analysis: a statistical process monitoring tool for smart manufacturing. Comput Aided Chem Eng 44:2071–2076CrossRef
Heinrich K, Zschech P, Janiesch C, Bonin M (2020) Ein Vergleich aktueller Deep-Learning-Architekturen zur Prognose von Prozessverhalten. 15. Internationale Tagung Wirtschaftsinformatik (WI), Potsdam
Hermann M, Pentek T, Otto B (2016) Design principles for industrie 4.0 scenarios. In: 2016 49th Hawaii international conference on system sciences (HICSS). Koloa, S 3928–3937
Kober J, Bagnell JA, Peters J (2013) Reinforcement learning in robotics: a survey. Int J Robot Res 32(11):1238–1274CrossRef
Kotsiantis SB, Zaharakis I, Pintelas P (2007) Supervised machine learning: a review of classification techniques. Informatica 31(3):249–268MathSciNet
Marsland S (2011) Machine learning: an algorithmic perspective. Taylor & Francis, New YorkCrossRef
Peffers K, Tuunanen T, Niehaves B (2018) Design science research genres: introduction to the special issue on exemplars and criteria for applicable design science research. Eur J Inf Syst 27(2):129–139CrossRef
Redding G, Dumas M, Ter Hofstede AH, Iordachescu A (2008) Transforming object-oriented models to process-oriented models. In: ter Hofstede AHM, Benatallah B, Paik H-Y (Hrsg) BPM Workshops 2007, Bd 4928. LNCS, Heidelberg, S 132–143
Saul LK, Roweis ST (2003) Think globally, fit locally: unsupervised learning of low dimensional manifolds. J Mach Learn Res 4:119–155MathSciNetMATH
Suriadi S, Andrews R, ter Hofstede AH, Wynn MT (2017) Event log imperfection patterns for process mining: towards a systematic approach to cleaning event logs. Inf Syst 64:132–150CrossRef
Swartout WR (1983) XPLAIN: a system for creating and explaining expert consulting programs. Artif Intell 21(3):285–325CrossRef
Walicki M, Ferreira DR (2011) Sequence partitioning for process mining with unlabeled event logs. Data Knowl Eng 70(10):821–841CrossRef
Wang G, Gunasekaran A, Ngai EW, Papadopoulos T (2016) Big data analytics in logistics and supply chain management: certain investigations for research and applications. Int J Prod Econ 176:98–110CrossRef
Wang S, Chaovalitwongse W, Babuska R (2012) Machine learning algorithms in bipedal robot control. IEEE Trans Syst Man Cybern Part C 42(5):728–743CrossRef
Wang Z, Gao J, Chen R, Wang J (2018) A modified KNN algorithm for activity recognition in smart home. In: International congress of economics and business, vol 96, Guilin
Wanner J, Herm L-V, Janiesch C (2020) How much is the black box? The value of explainability inf machine learning models. In: 28th European conference on information systems (ECIS). AIS, Marrakesh
Webster J, Watson R (2002) Analyzing the past to prepare for the future: writing a literature review. Manag Inf Syst Q 26(2):xiii–xxiii
Yang H, Park M, Cho M, Song M, Kim S (2014) A system architecture for manufacturing process analysis based on big data and process mining techniques. In: 2014 IEEE international conference on big data (Big Data). Washington DC, S 1024–1029
Metadata
Title
Digitalisierungspotenziale der Instandhaltung 4.0 – Von der Aufbereitung binärer Daten zum Einsatz transparenter künstlicher Intelligenz
Authors
Jonas Wanner
Lukas-Valentin Herm
Christian Janiesch
Copyright Year
2021
Book
IoT – Best Practices

Print ISBN: 978-3-658-32438-4

Electronic ISBN: 978-3-658-32439-1

Copyright Year: 2021

DOI
https://doi.org/10.1007/978-3-658-32439-1_10

Premium Partner

    Image Credits