Verwendung binärer Datenwerte für eine KI-gestützte Instandhaltung 4.0
| dc.contributor.author | Wanner, Jonas | |
| dc.contributor.author | Herm, Lukas-Valentin | |
| dc.contributor.author | Hartel, Dennis | |
| dc.contributor.author | Janiesch, Christian | |
| dc.date.accessioned | 2021-03-25T13:40:14Z | |
| dc.date.available | 2021-03-25T13:40:14Z | |
| dc.date.issued | 2019 | |
| dc.description.abstract | Die vierte industrielle Revolution forciert den digitalen Wandel von Fertigungsanlagen und schafft neue Optimierungspotenziale. Ein Kernbereich, der von einer Nutzenmachung digitaler Informationen entscheidend profitieren kann, ist die Instandhaltung von Maschinen. Sie dient der Gewährleistung eines reibungslosen Fertigungsablaufs. Aktuell führen dabei noch immer unerwartete Probleme zu hohen Opportunitätskosten. Eine effektive Adressierung ist durch mangelnde Information über den Maschinenzustand gehemmt, sodass Servicemitarbeitern sowohl eine Fehlererkennung, -lokalisierung, als auch -identifizierung schwerfallen. Abhilfe versprechen innovative Verfahren der Datenanalyse, welche Maschinenzustandsdaten intelligent auswerten und nutzbar machen. Diese sollen zukünftig bei Instandhaltungsfragen unterstützen und den Gesamtprozess optimieren. Fraglich erscheint in diesem Zusammenhang jedoch die Beschaffenheit aktueller Fertigungsanlagen im deutschen, produzierenden Mittelstand. Wie eine von uns durchgeführte Befragung zeigt, stammen Zustandsdaten noch überwiegend aus Lichtschranken, Motorspannungen und Positionierungstastern. Derartige, binäre Datenwerte erschweren die maschinelle Datenanalyse über moderne Auswertungsverfahren. Der Beitrag nimmt sich der Problemstellung unter Verzicht von Erweiterungen an der Fertigungsanlage selbst an. Gemeinsam mit Partnern aus der Industrie wurde ein schrittweiser Entwicklungsansatz erarbeitet, wie trotz einer Restriktion auf binäre Datenwerte eine umfassende Instandhaltungsunterstützung möglich ist. Die Umsetzung basiert auf Techniken aus den Bereichen des Process Mining und des maschinellen Lernens. Ein Demonstrator evaluiert die Praxistauglichkeit. The fourth industrial revolution is quickening the digital transformation of shop floors, enabling immense potential for optimization. Maintenance is an important area that can profit decisively from making digital information serviceable. It serves to guarantee a smooth production process. Currently, unexpected problems still lead to high opportunity costs. Effectively addressing them is hampered by a lack of transparency, which makes it difficult for service staff to detect, localize, and identify faults. Innovative data analysis methods, which allow to intelligently evaluate and use machine condition data, promise a remedy. In the future, these will support maintenance issues and optimize the overall process. However, the condition of current shop floors in German medium-sized manufacturing companies appears inadequate. As a survey conducted by us revealed, machinery data still comes mainly from light sensors, motor voltages, and positioning scanners. Such binary data values complicate data analysis of modern evaluation methods. The paper at hand addresses this problem without a need for shop floor extensions. Together with partners from industry, a step-by-step development approach was developed to show how comprehensive maintenance support is possible despite restrictions on binary data values. The implementation is based on techniques from the areas of process mining and machine learning. A demonstrator evaluates the practical suitability. | de |
| dc.identifier.doi | 10.1365/s40702-019-00560-3 | |
| dc.identifier.pissn | 2198-2775 | |
| dc.identifier.uri | http://dx.doi.org/10.1365/s40702-019-00560-3 | |
| dc.identifier.uri | https://dl.gi.de/handle/20.500.12116/36017 | |
| dc.publisher | Springer | |
| dc.relation.ispartof | HMD Praxis der Wirtschaftsinformatik: Vol. 56, No. 6 | |
| dc.relation.ispartofseries | HMD Praxis der Wirtschaftsinformatik | |
| dc.subject | Binäre Daten | |
| dc.subject | Binary Data | |
| dc.subject | Datastream Processing | |
| dc.subject | Echtzeitauswertung | |
| dc.subject | Industrial Internet of Things | |
| dc.subject | Industrie 4.0 | |
| dc.subject | Instandhaltung | |
| dc.subject | Machine Learning | |
| dc.subject | Maintenance | |
| dc.subject | Maschinelles Lernen | |
| dc.subject | Process Mining | |
| dc.title | Verwendung binärer Datenwerte für eine KI-gestützte Instandhaltung 4.0 | de |
| dc.type | Text/Journal Article | |
| gi.citation.endPage | 1281 | |
| gi.citation.startPage | 1268 |