Kurzfassung
Moderne Informations- und Kommunikationstechnologien ermöglichen die umfassende Speicherung großer Datenmengen, ihre Auswertung wird jedoch oftmals nicht hinreichend fokussiert. Insbesondere die effektive Nutzung des in den Informationsspeichern vorhandenen Wissens zur prädiktiven Entscheidungs- und Planungsunterstützung ist von höchster Bedeutung. Dieser Beitrag beschreibt am Beispiel drei unterschiedlicher, anwendungsspezifischer Ansätze der Wissensentdeckung die zunehmende Relevanz des Data-Mining im Produktlebenszyklus.
Abstract
Modern information technology provides opportunities for an overall storing of huge amounts of data, however their analysis is often not sufficiently focused. Especially the effective use of existing knowledge for a predictive planning and decision support is of paramount importance. This paper describes the increasing relevance of Data-Mining in the product lifecycle based on three different, application-specific approaches of knowledge discovery.
References
1. Geisberger, E.; Broy, M. (Hrsg.): agendaCPS – Integrierte Forschungsagenda Cyber-Physical Systems. Springer-Verlag, Berlin, Heidelberg2012Search in Google Scholar
2. Deuse, J.; Busch, F.; Weisner, K.; Steffen, M.: Gestaltung sozio-technischer Arbeitssysteme für Industrie 4.0. In: Hirsch-Kreinsen, H.; Ittermann, P.: Niehaus, I. (Hrsg.): Digitalisierung industrieller Arbeit. Nomos Verlagsgesellschaft, Baden-Baden2015, S. 147–16410.5771/9783845263205-148Search in Google Scholar
3. Kagermann, H.; Wahlster, W.; Helbig, J.: Umsetzungsempfehlungen für das Zukunftsprojekt Industrie 4.0 – Abschlussbericht des Arbeitskreis Industrie 4.0. Forschungsunion im Stifterverband für die Deutsche Wissenschaft, Berlin 2013Search in Google Scholar
4. Deuse, J.; Wiegand, M.; Erohin, O.; Lieber, D.; Klinkenberg, R.: Big Data Analytics in Produktion und Instandhaltung. In: Biedermann, H. (Hrsg.): Instandhaltung im Wandel. Industrie 4.0 – Herausforderungen und Lösungen; 28. Instandhaltungsforum. TÜV Media, Köln2014, S. 33–48Search in Google Scholar
5. Deuse, J.; Erohin, O.; Lieber, D.: Wissensentdeckung in vernetzten, industriellen Datenbeständen. In: Kersten, W. (Hrsg.): Industrie 4.0. Wie intelligente Vernetzung und kognitive Systeme unsere Arbeit verändern. Gito (Schriftenreihe der Hochschulgruppe für Arbeits- und Betriebsorganisation e. V.), Berlin 2014, S. 373–395Search in Google Scholar
6. Eickelmann, M.; Schallow, J.; Jalali-Sousanabady, J.; Deuse, J.: Lebenszyklusübergreifende Qualitätsservices – Cloudbasierte Service-Plattform zur intelligenten Prognose qualitätsbestimmender Daten. ZWF110 (2015) 4, S. 167–17110.3139/104.111286Search in Google Scholar
7. Weskamp, M.; Tamas, A.; Wochinger, T.; Schatz, A.: Studie – Einsatz und Nutzenpotenziale von Data-Mining in Produktionsunternehmen. Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA, Mannheim2014Search in Google Scholar
8. Lieber, D.; Stolpe, M.; Konrad, B.; Deuse, J.; Morik, K.: Quality Prediction in Interlinked Manufacturing Processes based on Supervised & Unsupervised Machine Learning. In: Procedia CIRP – 46th CIRP Conference on Manufacturing Systems. Elsevier, Setubal, Portugal, 2013, S. 193–198Search in Google Scholar
9. Deuse, J.; Konrad, B.; Bohnen, F.: Renaissance of Group Technology: Reducing Variability to Match Lean Production Prerequisites. In: Proceedings of IFAC MIM Conference on Manufacturing Modelling. Management and Control, St. Petersburg, Russia 2013, S. 998–100310.3182/20130619-3-ru-3018.00319Search in Google Scholar
10. Hastie, T.; Tibshirani, R.; Friedman, J.: The Elements of Statistical Learning: Data-Mining, Inference, and Prediction. Springer-Verlag, New York200110.1007/978-0-387-21606-5Search in Google Scholar
11. Fayyad, U.; Piatetsky-Shapiro, G.; Smyth, P.: From Data-Mining to Knowledge Discovery in Databases. AI Magazine17 (1996) 3, S. 37–54Search in Google Scholar
12. Otte, R.; Otte, V.; Kaiser, V.: Data-Mining für die industrielle Praxis. Carl Hanser Verlag, München, Wien2004Search in Google Scholar
13. Pötter, T.; Folmer, J.; Vogel-Heuser, B.: Enabling Industrie 4.0 – Chancen und Nutzen für die Prozessindustrie. In: Bauernhansl, T.; ten Hompel, M.; Vogel-Heuser (Hrsg.): Industrie 4.0 in Produktion, Automatisierung und Logistik. Springer Fachmedien, Wiesbaden2014, S. 17010.1007/978-3-658-04682-8_8Search in Google Scholar
14. Kuckartz, U.; Rädiker, S.; Ebert, T.; Schehl, J.: Statistik – Eine verständliche Einführung. Springer Fachmedien, Wiesbaden2013, S.22310.1007/978-3-531-19890-3Search in Google Scholar
15. Schmitt, R.; Schmitt, S.; Linder, A.; Rüßmann, M.; Heinrichs, V.: Fehlerinformationen nutzen-Produkte nachhaltig absichern. In: Schmitt, R. (Hrsg.): 18. Business Forum Qualität WZL. Apprimus Verlag, Aachen2014, S. 1–2Search in Google Scholar
16. Herrmann, A.; Huber, F.: Produktmanagement – Grundlagen – Methoden – Beispiele. Gabler Verlag, Wiesbaden2009, S. 1Search in Google Scholar
17. Weise, J.: Planung und Steuerung von Innovationsprojekten. Deutscher Universitäts-Verlag, Dissertation, Technische Universität Berlin, 2007Search in Google Scholar
18. Schröder, W.: Ganzheitliches Instandhaltungsmanagement – Aufbau, Ausgestaltung und Bewertung. Gabler Verlag, Dissertation, Montanuniversität Leoben, 2010Search in Google Scholar
19. Alcalde Rasch, A.: Erfolgspotential Instandhaltung: Theoretische Untersuchung und Entwurf eines ganzheitlichen Instandhaltungsmanagements. Erich Schmidt Verlag, Berlin2000Search in Google Scholar
20. Setoyama, I.: Quality Maintenance. In: Suzuki, T. (Hrsg.): TPM in Process Industries. Productivity Press, New York1994, S. 235–260Search in Google Scholar
21. Boysen, N.; Fliedner, M.; Scholl, A.: Production planning of mixed-model assembly lines: overview and extensions. Production Planning & Control20 (2009) 5, S. 455–47110.1080/09537280903011626Search in Google Scholar
22. Nyhuis, P.; Klemke, T.; Wagner, C.: Wandlungsfähigkeit – ein systemischer Ansatz. In: Nyhuis, P. (Hrsg.): Wandlungsfähige Produktionssysteme. Gito (Schriftenreihe der Hochschulgruppe für die Arbeits- und Betriebsorganisation e. V.), Berlin2010, S. 3–21Search in Google Scholar
23. Bohnen, F.: Eine Methodik zur Produktionsnivellierung auf der Basis von Fertigungsfamilien. Dissertation, RWTH Aachen, zugl. Shaker Verlag, Schriftenreihe Industrial Engineering, Aachen 2013Search in Google Scholar
© 2015, Carl Hanser Verlag, München