Kurzfassung
Der Beitrag zeigt auf, wie der manuelle Prozessschritt der Typenvertreterbildung während eines Fabrikplanungsprojekts mittels Clustering-Algorithmen automatisiert werden kann. Hierfür werden der Prozess der Typenvertreterbildung systematisch analysiert und die Anforderungen an den Clustering-Algorithmus abgeleitet. Anhand dieser werden verschiedene Algorithmen ausgewählt und in zwei Beispielen angewendet. Durch den Vergleich der Resultate kann ein geeigneter Algorithmus ausgewählt werden. Auf dieser Basis wird der resultierende Gesamtprozess für die Typenvertreterbildung visualisiert.
Abstract
The article shows how the manual process step of type substitution during a factory planning project can be automated using clustering algorithms. For this purpose the process of type substitution is systematically analyzed and the requirements for the clustering algorithm are derived. Based on these requirements, different algorithms are selected and applied in two examples. By comparing the results a suitable algorithm can be selected. On this basis, the resulting overall process for type representative formation is presented.
Literatur
1. Schenk, M.; Wirth, S.; Müller, E.: Fabrikplanung und Fabrikbetrieb – Methoden für die wandlungsfähige, vernetzte und ressourceneffiziente Fabrik. Springer-Verlag, Berlin, Heidelberg2014, S. 7–1510.1007/978-3-642-05459-4Search in Google Scholar
2. Pawellek, G.: Ganzheitliche Fabrikplanung – Grundlagen, Vorgehensweise, EDV-Unterstützung. Springer-ViewegVerlag, Wiesbaden2014, S. 72, 191 10.1007/978-3-662-43728-5Search in Google Scholar
3. Helbing, K.; Mund, H.; Reichel, M.: Handbuch Fabrikprojektierung. Springer-Verlag Berlin, Heidelberg2010, S. 140410.1007/978-3-642-01618-9Search in Google Scholar
4. Goodwin, J.: SAGE Secondary Data Analysis Volume 1, SAGE Publications Ltd., 2012, S. 193Search in Google Scholar
5. Backhaus, K.; Erichson, B.; Plinke, W.; Weiber, R.: Multivariate Analysemethoden. Springer-Gabler-Verlag, Wiesbaden2018, S. 47610.1007/978-3-662-56655-8Search in Google Scholar
6. Gan, G.; Ma, C.; Wu, J.: Data Clustering – Theory, Algorithms and Applications. Philadelphia, Pennsylvania: SIAM, 2007, S. 710.1137/1.9780898718348Search in Google Scholar
7. Bacher, J.; Pöge, A.; Wenzig, K.: Clusteranalyse – Anwedungsorientierte Einführung in Klassifikationsverfahren. Oldenbourg Verlag, München2010, S. 18–1910.1524/9783486710236Search in Google Scholar
© 2020, Carl Hanser Verlag, München
