Logo des Repositoriums

Auflistung nach Schlagwort "Maschinendaten"

1 - 3 von 3
  • Zeitschriftenartikel
    Auf dem Weg zum vertrauensvollen, unternehmensübergreifenden automatisierten Datenaustausch von Maschinen – Identifikation von schützenswertem Wissen im Zeitalter von Industrie 4.0
    (HMD Praxis der Wirtschaftsinformatik: Vol. 58, No. 6, 2021) Adler, Leon; Frank, Andreas; Gimpel, Henner; Heger, Sebastian; Nüske, Niclas; Starke, Joachim; Waldmann, Daniela; Wöhl, Moritz
    Der unternehmensübergreifende Datenaustausch in der Welt von Industrie 4.0 birgt für Unternehmen immense Potenziale. So können Unternehmen wertvolles Wissen über den Einsatz ihrer Produkte gewinnen und ihren Kunden innovative Dienstleistungen anbieten. Umgekehrt können Kunden die Produkte zielgerichteter einsetzen, wenn sie beispielsweise Produktions- und Materialdetails kennen. Doch dabei möchte kein Unternehmen für sich geschäftskritisches Wissen an einen Partner im Wertschöpfungsnetzwerk freigeben. Zu groß ist das Risiko, Einblicke in beispielsweise Forschungs- und Entwicklungsergebnisse zu gewähren oder dem Kunden eine Kostenkalkulation aufgrund des genauen Prozessablaufes zu ermöglichen. Es ergibt sich die Frage, welche Daten bedenkenlos ausgetauscht werden können und in welchen Daten implizit wertvolles Wissen enthalten ist. Aus diesem Grund stellt der vorliegende Beitrag ein Vorgehensmodell zur Identifikation von schützenswertem Wissen vor dem Hintergrund des unternehmensübergreifenden automatisierten Datenaustauschs von Maschinen über Netzwerkplattformen vor. Mit Hilfe des Modells lassen sich Daten und Wissen analysieren und auf Basis der Schutzbedarfe und enthaltenen Potenziale einstufen. Ein möglichst umfangreicher unternehmensübergreifender Datenaustausch bei möglichst geringem Verlust von Know-how soll ermöglicht werden. Anschließend wird die Erprobung des Modells im Rahmen eines Anwendungsbeispiels vorgestellt und ein Ausblick gegeben. Cross-company data exchange in the world of industry 4.0 holds immense potential for companies. Companies can gain valuable knowledge about the use of their products and offer their customers innovative services. Conversely, customers can use their products in a more targeted way if they know production and material details, for example. But no company wants to share business-critical knowledge with a partner in the value creation network. The risk of providing insights into, for example, research and development results or enabling the customer to calculate costs based on the exact process flow is too great. The question arises as to which data can be exchanged without hesitation and which data implicitly contain valuable knowledge. For this reason, this article presents a process model for identifying knowledge worth protecting against the background of cross-company data networking. With the help of the model, data and knowledge can be analyzed and classified on the basis of protection requirements and contained potentials. The aim is to enable cross-company data exchange while preventing the violation of know-how. Subsequently, the testing of the model is presented in the context of an application example and an outlook is given.
  • Konferenzbeitrag
    Automatisierte Unterscheidung von Feldarbeit und Straßenfahrt für Landmaschinen mit Hilfe von unüberwachten KI-Methoden
    (44. GIL - Jahrestagung, Biodiversität fördern durch digitale Landwirtschaft, 2024) Manuel Geil, Jan-Henrik Helmig
    Manuel Geil, Jan-Henrik Helmig1, Julian Jour1, Bodo Mistele1, Jens Peters1, Katharina Stahl1 und Andreas Wübbeke1 Abstract: Die Dokumentation von Daten in der Agrarwirtschaft erweist sich für Landwirte als zunehmend aufwändige Tätigkeit, welche meist immer noch manuell erfolgt. Ziel unserer Forschungsarbeit ist es, Maschinendaten zu nutzen, um zwischen Feldarbeit und Straßenfahrt automatisch zu klassifizieren. Die Maschinendaten werden als kontinuierlicher Strom vom Maschinenstart bis zum Ausschalten der Maschine übermittelt und können Daten aus unterschiedlichen Tätigkeiten enthalten. Um ein manuelles Labeling als auch Erfassen der Feldgrenzen zu vermeiden, wird ein Ansatz verfolgt, mittels eines dichtebasierten Clustering-Verfahrens die Daten zu klassifizieren. Dieses Verfahren schien aufgrund der Dichte der Datenpunkte auf den Schlägen als vielversprechend. Im weiteren Verlauf konnte die Methode durch das Hinzuziehen der Fahrtgeschwindigkeit und das Bilden konvexer Hüllen weiter verbessert werden.
  • Konferenzbeitrag
    Transformation von Maschinendaten als Eingabe für maschinelle Lernverfahren zur Klassifikation von landwirtschaftlichen Arbeitsgängen
    (44. GIL - Jahrestagung, Biodiversität fördern durch digitale Landwirtschaft, 2024) Manuel Geil, Jan-Henrik Helmig
    Landwirte dokumentieren heutzutage noch immer häufig ihre Tätigkeiten auf Schlägen manuell, was eine aufwändige und fehleranfällige Tätigkeit darstellt. Dies wird zunehmend belastend, da die Dokumentationspflichten für Landwirte umfangreicher werden. In diesem Beitrag wurden bereits aufgenommene Maschinendaten zur Klassifikation von Maschinentätigkeiten analysiert und basierend darauf transformiert. Der daraus resultierende reduzierte Datensatz diente als Eingabe für maschinelle Lernverfahren zur Klassifikation von landwirtschaftlichen Tätigkeiten. Die Klassifikationsgenauigkeit der überprüften Verfahren lag bei über 93 %. Unter Einbezug von Daten einer fremden Landmaschine, mit denen die ML-Modelle vorher nicht trainiert wurden, war der Random Forest das Lernverfahren mit der höchsten Klassifikationsgenauigkeit. Die Ergebnisse dieser Arbeit zeigen, dass Klassifikationsmodelle maschineller Lernverfahren mit trans-formierten und reduzierten Maschinendaten Klassifikationsergebnisse zur automatisierten Tätigkeitsdokumentation liefern können.