Skip to main content
Erweiterte Suche
Anmelden
nach oben
Erschienen in:

2020 | OriginalPaper | Buchkapitel

Machine Learning for Predictive and Prescriptive Analytics of Operational Data in Smart Manufacturing

verfasst von : Katerina Lepenioti, Minas Pertselakis, Alexandros Bousdekis, Andreas Louca, Fenareti Lampathaki, Dimitris Apostolou, Gregoris Mentzas, Stathis Anastasiou

Erschienen in: Advanced Information Systems Engineering Workshops

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

Informationen wahrzunehmen und Erkenntnisse aus Daten zu extrahieren ist eine der größten Herausforderungen in der intelligenten Fertigung. Echtzeit-Datenanalyse steht in realen Szenarien vor mehreren Herausforderungen, während ein riesiger Schatz an Alt-, Unternehmens- und Betriebsdaten unangetastet bleibt. Der aktuelle Aufsatz nutzt die jüngsten Fortschritte des (tiefen) maschinellen Lernens zur Durchführung prädiktiver und präskriptiver Analysen auf der Grundlage von Unternehmens- und Betriebsdaten, die darauf abzielen, den Bediener in der Werkstatt zu unterstützen. Um dies zu erreichen, implementiert er Algorithmen wie Recurrent Neural Networks für prädiktive Analysen und Multi-Objective Reinforcement Learning für präskriptive Analysen. Der vorgeschlagene Ansatz wird in einem prädiktiven Wartungsszenario in der Stahlinduktion demonstriert.
Mit KI übersetzt

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
Nächstes Kapitel Towards Predictive Maintenance for Flexible Manufacturing Using FIWARE
Literatur
1.
2.
Menezes, B., Kelly, J., Leal, A., Le Roux, G.: Predictive, prescriptive and detective analytics for smart manufacturing in the information age. IFAC-PapersOnLine 52, 568–573 (2019)CrossRef
3.
4.
5.
Pertselakis, M., Lampathaki, F., Petrali, P.: Predictive maintenance in a digital factory shop-floor: data mining on historical and operational data coming from manufacturers’ information systems. In: Proper, H., Stirna, J. (eds.) Advanced Information Systems Engineering Workshops. LNBIP, vol. 349, pp. 120–131. Springer, Cham (2019). https://​doi.​org/​10.​1007/​978-3-030-20948-3_​11CrossRef
6.
Yang, H., Kumara, S., Bukkapatnam, S., Tsung, F.: The internet of things for smart manufacturing: a review. IISE Trans. 51, 1190–1216 (2019)CrossRef
7.
Lee, J., Lapira, E., Bagheri, B., Kao, H.: Recent advances and trends in predictive manufacturing systems in big data environment. Manuf. Lett. 1, 38–41 (2013)CrossRef
8.
Kobbacy, K., Fawzi, B., Percy, D., Ascher, H.: A full history proportional hazards model for preventive maintenance scheduling. Qual. Reliab. Eng. Int. 13, 187–198 (1997)CrossRef
9.
Lin, C., Tseng, H.: A neural network application for reliability modelling and condition-based predictive maintenance. Int. J. Adv. Manuf. Technol. 25, 174–179 (2004)CrossRef
10.
Choudhary, A., Harding, J., Tiwari, M.: Data mining in manufacturing: a review based on the kind of knowledge. J. Intell. Manuf. 20, 501–521 (2008)CrossRef
11.
Harding, J., Shahbaz, M., Kusiak, A.S.: Data mining in manufacturing: a review. J. Manuf. Sci. Eng. 128, 969–976 (2005)CrossRef
12.
Bey-Temsamani, A., Engels, M., Motten, A., Vandenplas, S., Ompusunggu, A.P.: A practical approach to combine data mining and prognostics for improved predictive maintenance. In: The Data Mining Case Studies Workshop (DMCS), 15th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2009), Paris, pp. 37–44 (2009)
13.
Bastos, P., Lopes, I., Pires, L.C.M.: Application of data mining in a maintenance system for failure prediction. In: Safety, Reliability and Risk Analysis: Beyond the Horizon: 22nd European Safety and Reliability, vol. 1, pp. 933–940 (2014)
14.
15.
Susto, G., Schirru, A., Pampuri, S., McLoone, S., Beghi, A.: Machine learning for predictive maintenance: a multiple classifier approach. IEEE Trans. Ind. Inf. 11, 812–820 (2015)CrossRef
16.
17.
Vater, J., Harscheidt, L., Knoll, A.: Smart manufacturing with prescriptive analytics. In: 2019 8th International Conference on Industrial Technology and Management (ICITM), pp. 224–228. IEEE (2019)
18.
Lepenioti, K., Bousdekis, A., Apostolou, D., Mentzas, G.: Prescriptive analytics: literature review and research challenges. Int. J. Inf. Manag. 50, 57–70 (2020)CrossRef
19.
Sutton, R., Barto, A.G.: Reinforcement Learning: An Introduction. MIT Press, Cambridge (2018)MATH
20.
21.
Rocchetta, R., Bellani, L., Compare, M., Zio, E., Patelli, E.: A reinforcement learning framework for optimal operation and maintenance of power grids. Appl. Energy 241, 291–301 (2019)CrossRef
22.
Li, G., Gomez, R., Nakamura, K., He, B.: Human-centered reinforcement learning: a survey. IEEE Trans. Hum. Mach. Syst. 49, 337–349 (2019)CrossRef
23.
Liu, C., Xu, X., Hu, D.: Multiobjective reinforcement learning: a comprehensive overview. IEEE Trans. Syst. Man Cybern. Syst. 45, 385–398 (2015)CrossRef
24.
Tozer, B., Mazzuchi, T., Sarkani, S.: Many-objective stochastic path finding using reinforcement learning. Expert Syst. Appl. 72, 371–382 (2017)CrossRef
25.
Griffith, S., Subramanian, K., Scholz, J., Isbell, C., Thomaz, A.L.: Policy shaping: integrating human feedback with reinforcement learning. In: NIPS (2013)
Metadaten
Titel
Machine Learning for Predictive and Prescriptive Analytics of Operational Data in Smart Manufacturing
verfasst von
Katerina Lepenioti
Minas Pertselakis
Alexandros Bousdekis
Andreas Louca
Fenareti Lampathaki
Dimitris Apostolou
Gregoris Mentzas
Stathis Anastasiou
Copyright-Jahr
2020
Buch
Advanced Information Systems Engineering Workshops

Print ISBN: 978-3-030-49164-2

Electronic ISBN: 978-3-030-49165-9

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-3-030-49165-9_1

Premium Partner

    Bildnachweise