Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Kongresse
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Veranstaltungskalender Awards MyNewsletter Firmensuche
Kunden Login
Über Einzelzugang informieren
Über Unternehmenszugang informieren
Referenzkunden
12. Internationaler Motorenkongress 2025 | 25. + 26. Februar 2025

Treffpunkt der Community für Antriebe und nachhaltige Kraftstoffe

Der Kongress beleuchtet die zukünftige Rolle des Verbrennungsmotors und seiner nichtfossilen Kraftstoffe aus globaler Sicht mit führenden Experten. Seien Sie dabei! Weitere Informationen und Buchungsmöglichkeiten finden Sie auf unserer Website.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Kapitel lesen Erstes Kapitel lesen

2023 | OriginalPaper | Buchkapitel

2. Künstliche Intelligenz in der Fertigung

verfasst von : Tin-Chih Toly Chen, Yi-Chi Wang

Erschienen in: Künstliche Intelligenz und schlanke Produktion

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Zusammenfassung

Die Definition von künstlicher Intelligenz (KI) ist unbestimmt. Mit der Entwicklung von Computer-, Netzwerk- und Sensortechnologien wird sich die Bedeutung von KI weiterhin ändern [1]. Perico und Mattioli [2] haben KI-Technologien in zwei Kategorien unterteilt:
  • Datengetriebene KI (d. h., gehirnähnliches Lernen), einschließlich künstlicher neuronaler Netzwerke, maschinelles Lernen (überwachtes Lernen, unüberwachtes Lernen, statistisches Lernen), evolutionäres Rechnen, unscharfe Logik usw. Datengetriebene KI wird oft im Kontext von Mustererkennung, Klassifizierung, Clustering oder Wahrnehmung verwendet.
  • Symbolische KI (d. h., Modellierung und Wissensschlussfolgerung), einschließlich Ontologie, semantische Graphen, wissensbasierte Systeme, Schlussfolgerungen usw. Multikriterielle Entscheidungsfindung, Produktionsplanung und Auftragsplanung sind typische Anwendungen dieser Kategorie.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

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!

Jetzt informieren

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!

Jetzt informieren

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!

Jetzt informieren
Vorheriges Kapitel Grundlagen im Lean Management
Nächstes Kapitel KI-Anwendungen im Kaizen-Management
Literatur
1.
K.D. Pandl, S. Thiebes, M. Schmidt-Kraepelin, A. Sunyaev, On the convergence of artificial intelligence and distributed ledger technology: a scoping review and future research agenda. IEEE Access 8, 57075–57095 (2020)CrossRef
2.
P. Perico, J. Mattioli, Empowering process and control in lean 4.0 with artificial intelligence, in Third International Conference on Artificial Intelligence for Industries (2020), S. 6–9
3.
C. Labreuche, S. Fossier, Explaining multi-criteria decision aiding models with an extended Shapley value, in Proceedings of the Twenty-Seventh International Joint Conference on Artificial Intelligence (2018), S. 331–339
4.
5.
Y. Sun, L. Li, H. Shi, D. Chong, The transformation and upgrade of China’s manufacturing industry in Industry 4.0 era. Syst. Res. Behav. Sci. 37(4), 734–740 (2020)
6.
P. Palensky, D. Bruckner, A. Tmej, T. Deutsch, Paradox in AI–AI 2.0: the way to machine consciousness, in International Conference on IT Revolutions (2008), S. 194–215
7.
Y.H. Pan, Heading toward artificial intelligence 2.0. Engineering 2(4), 409–413 (2016)
8.
P.J. Lisboa, AI 2.0: Augmented intelligence, data science and knowledge engineering for sensing decision support, in Proceedings of the 13th International FLINS Conference (2018), S. 10–11
9.
B.H. Li, B.C. Hou, W.T. Yu, X.B. Lu, C.W. Yang, Applications of artificial intelligence in intelligent manufacturing: a review. Front. Inform. Technol. Electron. Eng. 18(1), 86–96 (2017)CrossRef
10.
11.
12.
13.
14.
15.
T. Wuest, D. Weimer, C. Irgens, K.D. Thoben, Machine learning in manufacturing: advantages, challenges, and applications. Prod. Manuf. Res. 4(1), 23–45 (2016)
16.
L. Haldurai, T. Madhubala, R. Rajalakshmi, A study on genetic algorithm and its applications. Int. J. Comput. Sci. Eng. 4(10), 139 (2016)
17.
D. Graupe, Principles of Artificial Neural Networks, vol. 7 (World Scientific, 2013)
18.
J. Mockus, Bayesian Approach to Global Optimization: Theory and Applications, Bd. 37 (Springer Science & Business Media, 2012)
19.
H.C. Wu, T. Chen, CART–BPN approach for estimating cycle time in wafer fabrication. J. Ambient. Intell. Humaniz. Comput. 6(1), 57–67 (2015)CrossRef
20.
C. Wang, X.P. Tan, S.B. Tor, C.S. Lim, Machine learning in additive manufacturing: state-of-the-art and perspectives. Addit. Manuf. 36, 101538 (2020)
21.
S.C.H. Lu, D. Ramaswamy, P.R. Kumar, Efficient scheduling policies to reduce mean and variation of cycle time in semiconductor manufacturing plant. IEEE Trans. Semicond. Manuf. 7(3), 374–388 (1994)CrossRef
22.
T.C. Chen, Y.C. Wang, Y.C. Lin, A fuzzy-neural system for scheduling a wafer fabrication factory. Int. J. Innov. Comput. Inform. Control 6(2), 687–700 (2010)
23.
A. Amindoust, S. Ahmed, A. Saghafinia, A. Bahreininejad, Sustainable supplier selection: a ranking model based on fuzzy inference system. Appl. Soft Comput. 12(6), 1668–1677 (2012)CrossRef
24.
T. Madhusudan, J.L. Zhao, B. Marshall, A case-based reasoning framework for workflow model management. Data Knowl. Eng. 50(1), 87–115 (2004)CrossRef
25.
A. González-Briones, J. Prieto, F. De La Prieta, E. Herrera-Viedma, J.M. Corchado, Energy optimization using a case-based reasoning strategy. Sensors 18(3), 865 (2018)CrossRef
26.
J. Lim, M.J. Chae, Y. Yang, I.B. Park, J. Lee, J. Park, Fast scheduling of semiconductor manufacturing facilities using case-based reasoning. IEEE Trans. Semicond. Manuf. 29(1), 22–32 (2015)CrossRef
27.
P.C. Chang, J.C. Hsieh, T.W. Liao, A case-based reasoning approach for due-date assignment in a wafer fabrication factory, in International Conference on Case-Based Reasoning (2001), S. 648–659
28.
S. Shigeo, A.P. Dillon. A Revolution in Manufacturing: The SMED System (Routledge, 2019)
29.
R.J. Kuo, L.M. Lin, Application of a hybrid of genetic algorithm and particle swarm optimization algorithm for order clustering. Decis. Support Syst. 49(4), 451–462 (2010)CrossRef
30.
T. Chen, C.W. Lin, Smart and automation technologies for ensuring the long-term operation of a factory amid the COVID-19 pandemic: an evolving fuzzy assessment approach. Int. J. Adv. Manuf. Technol. 111(11), 3545–3558 (2020)CrossRef
31.
H. Kurniawan, T.D. Sofianti, A.T. Pratama, P.I. Tanaya, Optimizing production scheduling using genetic algorithm in textile factory. J. Syst. Manage. Sci. 4(4), 27–44 (2014)
32.
Y.Y. Hong, P.S. Yo, Novel genetic algorithm-based energy management in a factory power system considering uncertain photovoltaic energies. Appl. Sci. 7(5), 438 (2017)CrossRef
33.
T. Chen, Estimating unit cost using agent-based fuzzy collaborative intelligence approach with entropy-consensus. Appl. Soft Comput. 73, 884–897 (2018)CrossRef
34.
T. Chen, Y.C. Lin, A fuzzy-neural system incorporating unequally important expert opinions for semiconductor yield forecasting. Internat. J. Uncertain. Fuzziness Knowl.-Based Syst. 16(01), 35–58 (2008)CrossRef
35.
T.C.T. Chen, Y.C. Wang, Fuzzy dynamic-prioritization agent-based system for forecasting job cycle time in a wafer fabrication plant. Complex Intell. Syst. 7(4), 2141–2154 (2021)CrossRef
36.
J. Wang, J. Zhang, X. Wang, Bilateral LSTM: a two-dimensional long short-term memory model with multiply memory units for short-term cycle time forecasting in re-entrant manufacturing systems. IEEE Trans. Indus. Inform. 14(2), 748–758 (2017)CrossRef
37.
G. Montavon, W. Samek, K.R. Müller, Methods for interpreting and understanding deep neural networks. Digit Signal Process 73, 1–15 (2018)MathSciNetCrossRef
38.
E. Alhoniemi, J. Hollmén, O. Simula, J. Vesanto, Process monitoring and modeling using the self-organizing map. Integr. Comput. Aided Eng. 6(1), 3–14 (1999)CrossRef
39.
L.B. Fazlic, Z. Avdagic, I. Besic, GA-ANFIS expert system prototype for detection of tar content in the manufacturing process, in 2015 38th International Convention on Information and Communication Technology, Electronics and Microelectronics (2015), S. 1194–1199
40.
J. Moyne, J. Samantaray, M. Armacost, Big data capabilities applied to semiconductor manufacturing advanced process control. IEEE Trans. Semicond. Manuf. 29(4), 283–291 (2016)CrossRef
41.
42.
B. Jones, I. Jenkinson, Z. Yang, J. Wang, The use of Bayesian network modelling for maintenance planning in a manufacturing industry. Reliab. Eng. Syst. Saf. 95(3), 267–277 (2010)CrossRef
43.
J. Lee, J. Son, S. Zhou, Y. Chen, Variation source identification in manufacturing processes using Bayesian approach with sparse variance components prior. IEEE Trans. Autom. Sci. Eng. 17(3), 1469–1485 (2020)
44.
L. Yang, J. Lee, Bayesian Belief Network-based approach for diagnostics and prognostics of semiconductor manufacturing systems. Robot. Comput.-Integr. Manuf. 28(1), 66–74 (2012)CrossRef
45.
T. Chen, A fuzzy-neural DBD approach for job scheduling in a wafer fabrication factory. Int. J. Innov. Comput. Inform. Control 8(6), 4024–4044 (2012)
46.
T. Chen, Y.C. Wang, H.C. Wu, A fuzzy-neural approach for remaining cycle time estimation in a semiconductor manufacturing factory—a simulation study. Int. J. Innov. Comput. Inform. Control 5(8), 2125–2139 (2009)
47.
T. Chen, Y.C. Wang, Y.C. Lin, A bi-criteria four-factor fluctuation smoothing rule for scheduling jobs in a wafer fabrication factory. Int. J. Innov. Comput. Inform. Control 6(10), 4289–4304 (2009)
48.
T.C.T. Chen, Fuzzy approach for production planning by using a three-dimensional printing-based ubiquitous manufacturing system. AI EDAM 33(4), 458–468 (2019)
49.
Y.C. Wang, M.C. Chiu, T. Chen, A fuzzy nonlinear programming approach for planning energy-efficient wafer fabrication factories. Appl. Soft Comput. 95, 106506 (2020)CrossRef
50.
H. Kodama, A scheme for three-dimensional display by automatic fabrication of three-dimensional model. IEICE Trans. Electron. J. 64-C(4), 237–241 (1981)
51.
T.C.T. Chen, Y.C. Lin, A three-dimensional-printing-based agile and ubiquitous additive manufacturing system. Robot. Comput.-Integr. Manuf. 55, 88–95 (2019)CrossRef
52.
A.H. Espera, J.R.C. Dizon, Q. Chen, R.C. Advincula, 3D-printing and advanced manufacturing for electronics. Prog. Addit. Manuf. 4(3), 245–267 (2019)CrossRef
53.
Q. Ge, A.H. Sakhaei, H. Lee, C.K. Dunn, N.X. Fang, M.L. Dunn, Multimaterial 4D printing with tailorable shape memory polymers. Sci. Rep. 6(1), 1–11 (2016)CrossRef
54.
55.
V.E. Sathishkumar, M. Lee, J. Lim, Y. Kim, C. Shin, J. Park, Y. Cho, An energy consumption prediction model for smart factory using data mining algorithms. KIPS Trans. Softw. Data Eng. 9(5), 153–160 (2020)
56.
K. Liu, X. Hu, H. Zhou, L. Tong, W.D. Widanage, J. Marco, Feature analyses and modeling of lithium-ion battery manufacturing based on random forest classification. IEEE/ASME Trans. Mechatron. 26(6), 2944–2955 (2021)CrossRef
57.
M.L. George Sr, D.K. Blackwell, D. Rajan, Lean Six Sigma in the Age of Artificial Intelligence: Harnessing the Power of the Fourth Industrial Revolution (McGraw-Hill Education, 2019)
58.
A. Susilawati, J. Tan, D. Bell, M. Sarwar, Fuzzy logic based method to measure degree of lean activity in manufacturing industry. J. Manuf. Syst. 34, 1–11 (2015)CrossRef
59.
A. Popa, R. Ramos, A.B. Cover, C.G. Popa, Integration of artificial intelligence and lean sigma for large field production optimization: application to Kern River Field, in SPE Annual Technical Conference and Exhibition (2005)
60.
K. Antosz, L. Pasko, A. Gola, The use of artificial intelligence methods to assess the effectiveness of lean maintenance concept implementation in manufacturing enterprises. Appl. Sci. 10(21), 7922 (2020)CrossRef
61.
T. Küfner, T.H.J. Uhlemann, B. Ziegler, Lean data in manufacturing systems: using artificial intelligence for decentralized data reduction and information extraction. Procedia CIRP 72, 219–224 (2018)CrossRef
62.
S. Vahabi Nejat, S. Avakh Darestani, M. Omidvari, M.A. Adibi, Evaluation of green lean production in textile industry: a hybrid fuzzy decision-making framework. Environ. Sci. Pollut. Res. 29(8), 11590–11611 (2022)
63.
A. Alinezhad, J. Khalili, COPRAS method. Internat. Ser. Oper. Res. Manage. Sci. 277, 87–91 (2019)
64.
G. Ante, F. Facchini, G. Mossa, S. Digiesi, Developing a key performance indicators tree for lean and smart production systems. IFAC-PapersOnLine 51(11), 13–18 (2018)CrossRef
65.
E. Pourjavad, R.V. Mayorga, A comparative study and measuring performance of manufacturing systems with Mamdani fuzzy inference system. J. Intell. Manuf. 30(3), 1085–1097 (2019)CrossRef
66.
M.A. Almomani, M. Aladeemy, A. Abdelhadi, A. Mumani, A proposed approach for setup time reduction through integrating conventional SMED method with multiple criteria decision-making techniques. Comput. Ind. Eng. 66(2), 461–469 (2013)CrossRef
67.
K. Maniya, M.G. Bhatt, A selection of material using a novel type decision-making method: preference selection index method. Mater. Des. 31(4), 1785–1789 (2010)CrossRef
Metadaten
Titel
Künstliche Intelligenz in der Fertigung
verfasst von
Tin-Chih Toly Chen
Yi-Chi Wang
Copyright-Jahr
2023
Buch
Künstliche Intelligenz und schlanke Produktion

Print ISBN: 978-3-031-44279-7

Electronic ISBN: 978-3-031-44280-3

Copyright-Jahr: 2023

DOI
https://doi.org/10.1007/978-3-031-44280-3_2

Premium Partner

    Marktübersichten

    Die im Laufe eines Jahres in der „adhäsion“ veröffentlichten Marktübersichten helfen Anwendern verschiedenster Branchen, sich einen gezielten Überblick über Lieferantenangebote zu verschaffen. 

    Zur Marktübersicht
    Bildnachweise