Kurzfassung
Das Arbeitsumfeld von Produktentwicklern und Konstrukteuren unterliegt einem ständigen Wandel. Die fortschreitende Globalisierung der Märkte, der steigenden Innovationsdruck und die erhöhten Individualität und Dynamik der einzelnen Absatzregionen, lassen die Anforderungen an Produkte sowie an Produktentstehungsprozesse immer differenzierter werden. Der Lehrstuhl für Konstruktionstechnik (KTmfk) der Friedrich-Alexander Universität Erlangen-Nürnberg (FAU) erforscht Data-Mining-Lösungen für die Produktentstehung, die den Unternehmen helfen mit dieser Entwicklung Schritt halten zu können.
Abstract
The working environment of product developers and design engineers is constantly changing. The progressive globalization of markets, the increasing pressure to innovate and the increased individuality and dynamics of the worldwide sales regions demand new requirements for products as well as for the product development and the production processes. The Chair of Engineering Design of the Friedrich-Alexander Universität Erlangen-Nürnberg (FAU) is developing Data-Mining solutions to help organizations keep up with this trend.
References
1. Breitsprecher, T.; Wartzack, S.: Der Einsatz von Gaußprozessen zur Beschleunigung der automatischen Wissensakquisition. In: Krause, D.; Paetzold, K.; Wartzack, S. (Hrsg.): Design for X. Beiträge zum 25. DfX-Symposium. Bamberg 2014, S. 227–236Search in Google Scholar
2. Fayyad, U.; Piatetsky-Shapiro, G.; Smyth, P.: From Data Mining to Knowledge Discovery in Databases. AI Magazine17 (1996), S. 37–54Search in Google Scholar
3. Glaser, H.: Netze des Wissens: Von Dr. Faustus zum Glasperlenspieler. In: Beyrer, K.; Andritzky, M. (Hrsg.): Das Netz. Sinn und Sinnlichkeit vernetzter Systeme. Braus, Heidelberg2002, S. 115–124Search in Google Scholar
4. Haberfellner, R.; Sturm, R.: Zur Akademisierung der Berufswelt: Europäische und österreichische Entwicklungen im Kontext von Wissensgesellschaft, Wissensarbeit und Wissensökonomie. 106. AMS Report, 2014Search in Google Scholar
5. Han, J.; Kamber, M.; Pei, J.: Data mining: Concepts and Techniques. Morgan Kaufmann Publishers, Waltham, 2012Search in Google Scholar
6. Heyer, G.; Quasthoff, U.; Wittig, T.: Text Mining: Wissensrohstoff Text. W3L, Herdecke, 2006Search in Google Scholar
7. IEC 61400-11 ed2.1: Wind turbine generator systems – Part 11: Acoustic noise measurement techniques. Geneva (Switzerland), 2006Search in Google Scholar
8. Kleijnen, J. P.: Statistical Tools for Simulation Practitioners. Marcel Dekker, Inc, 1986Search in Google Scholar
9. Küstner, C.; Breitsprecher, T.; Wartzack, S.: Design for noise reduction – The architecture of an engineering assistance system for the development of noise-reduced rotating systems. In: Lindemann, U.; Srinivasan, V.; Kim, Y. S.; Lee, S. W.; Clarkson, J.; Cascini, G. (Hrsg.); Proceedings of the 19th International Conference on Engineering Design (ICED13), Seoul 2013, S. 81–90Search in Google Scholar
10. Küstner, C.; Breitsprecher, T.; Wartzack, S.: Die Auswirkung der Reihenfolge von Mess- und Simulationsdaten auf das Ergebnis der Kreuzvalidierung in KDD Prozessen. In: Krause, D.; Paetzold, K.; Wartzack, S. (Hrsg.): Design for X – Beiträge zum 24. DfX-Symposium, 19.-20. September, Jesteburg, 2013, S. 175–186Search in Google Scholar
11. Küstner, C.; Wartzack, S.: The realization of an engineering assistance system for the development of noise-reduced rotating machines. In: Proceedings of the 20th International Conference on Engineering Design (ICED15), Vol. 4: Design for X, Design to X, Milan, Italy, 27.-30.07.2015Search in Google Scholar
12. Lasica, J. D.: The Net never forgets. http://www.salon.com/1998/11/25/feature_253/, [Letzter Zugriff: 11.09.2015]Search in Google Scholar
13. Merklein, M.; Allwood, J.: Bulk forming of sheet metal. CIRP Annals – Manufacturing Technology61 (2012) 2, S. 725–74510.1016/j.cirp.2012.05.007Search in Google Scholar
14. Mohr, H.: Wissensnetze heute. In: Beyrer, K.; Andritzky, M. (Hrsg.): Das Netz. Sinn und Sinnlichkeit vernetzter Systeme. Braus, Heidelberg2002, S. 125–129Search in Google Scholar
15. Otte, R.; Otte, V.; Kaiser, V.: Data Mining für die industrielle Praxis. Carl Hanser Verlag, München, Wien2004Search in Google Scholar
16. Rasmussen, C. E.: Gaussian Processes in Machine Learning. Advanced lectures on machine learning. Springer-Verlag, Berlin, Heidelberg2004, S. 63–7110.1007/978-3-540-28650-9_4Search in Google Scholar
17. Rojas, R.: Neural Networks: A systematic introduction. New York: Springer, 1996.10.1007/978-3-642-61068-4Search in Google Scholar
18. Schieber, A.; Hilbert, A.: Entwicklung eines generischen Vorgehensmodells für Text-Mining. Dresdner Beiträge zur Wirtschaftsinformatik, Nr. 69, 2014Search in Google Scholar
19. Siebertz, K.; van Bebber, D. T.; Hochkirchen, T.: Statistische Versuchsplanung: Design of Experiments (DoE). Springer-Verlag, Berlin, Heidelberg201010.1007/978-3-642-05493-8Search in Google Scholar
20. Sprügel, T. C.; Hallmann, M.; Wartzack, S.: A Concept for FE Plausibility Checks in Structural Mechanics. NAFEMS World Congress. San Diego, USA, 2015Search in Google Scholar
21. Sprügel, T. C.; Wartzack, S.: „Concept and application of automatic part-recognition with Artificial Neural Networks, In: Lindemann, U. (Hrsg.): Proceedings of the 20th International Conference on Engineering Design 2015, 27.-30. July 2015, Milan, Italy, 2015, ICED15Search in Google Scholar
22. Sprügel, T. C.; Wartzack, S.: Konzept zur automatischen Bauteilerkennung innerhalb der FE-Software Umgebung mittels Künstlichen Neuronalen Netzen. In: Krause, D.; Paetzold, K.; Wartzack, S. (Hrsg.): Design for X – Beiträge zum 25. DfX-Symposium 2014, 01.-02. Oktober 2014, Bamberg, 2014, S. 99–110Search in Google Scholar
23. Sprügel, T.; Wartzack, S.: Konzept zur automatischen Bauteilerkennung von Normteilen in ANSYS Mechanical mittels Künstlichen Neuronalen Netzen. ANSYS Conference & 32th CADFEM Users' Meeting. 04. – 06. Juni, Nürnberg, 2014Search in Google Scholar
24. Tan, P. N.; Steinbach, M.; Kumar, V.: Introduction to Data Mining. Pearson Addison Wesley, Boston, 2005Search in Google Scholar
25. Webster, J. J.; KIT, C.: Tokenization as the Initial Phase in NLP. In: Association for Computational Linguistics (Hrsg.): Coling'92 Proceedings of the 14th conference on Computational linguistics. 23.08.-28.08.1992, Nantes/France 10.3115/992424.992434Search in Google Scholar
26. Weiss, S. M.: Text Mining. Predictive Methods for Analyzing Unstructured Information. Springer-Verlag, New York, 200510.1007/978-0-387-34555-0Search in Google Scholar
27. Williams, C.: Prediction with Gaussian Processes: From Linear Regression to Linear Prediction and Beyond. In: Jordan, M. (Hrsg.): Learning in Graphical Models, 1998, Vol. 89, S. 599–62110.1007/978-94-011-5014-9Search in Google Scholar
28. Witten, I. H.; Eibe, F.; Hall, M. A.: Data Mining – Practical Machine Learning Tools and Techniques. Morgan Kaufmann, Amsterdam2011Search in Google Scholar
© 2015, Carl Hanser Verlag, München