Zusammenfassung
Ein Kernbereich der von digitalen Informationen entscheidend profitieren kann ist die Instandhaltung von Maschinen. Sie dient der Gewährleistung eines reibungslosen Fertigungsablaufs. Mithilfe von Verfahren der Datenanalyse sollen hierfür künftig Maschinenzustandsdaten ausgewertet werden. Fraglich bleibt die aktuelle Beschaffenheit von Fertigungsanlagen im deutschen, produzierenden Mittelstand. Wie eine Umfrage zeigt, stammen Zustandsdaten noch immer überwiegend von Lichtschranken, Positionierungstastern und Motorspannungen. Binäre Datenwerte erschweren datenbasierte Auswertungsverfahren jedoch. Der Beitrag nimmt sich der Problemstellung an. Gemeinsam mit Partnern aus der Industrie wurde ein schrittweiser Entwicklungsansatz erarbeitet, wie trotz dieser Datenrestriktion eine umfassende Unterstützung möglich wird. Die Umsetzung basiert auf Techniken aus den Bereichen Process Mining und erklärbare künstliche Intelligenz. Ein Demonstrator evaluiert die Praxistauglichkeit.
Überarbeiteter Beitrag basierend auf Wanner et al. (2019) Verwendung binärer Datenwerte für eine KI-gestützte Instandhaltung 4.0, HMD – Praxis der Wirtschaftsinformatik 56, 1268–1281.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Similar content being viewed by others
Literatur
van der Aalst W, Adriansyah A, De Medeiros AKA, Arcieri F, Baier T, Blickle T, Bose JC, Van Den Brand P, Brandtjen R, Buijs J (2011) Process mining manifesto. In: International conference on business process management. Berlin/Heidelberg, S 169–194
Andaloussi AA, Burattin A, Weber B (2018) Toward an automated labeling of event log attributes. Enterprise, business-process and information systems modeling. Springer, Cham, S 82–96
Bayomie D, Helal IM, Awad A, Ezat E, ElBastawissi A (2016) Deducing case IDs for unlabeled event logs. In: Reichert M, Reijers HA (Hrsg) BPM 2015, Bd 256. Springer, Cham, S 242–254
Bose RJC, Mans RS, van der Aalst WM (2013) Wanna improve process mining results? 2013 IEEE symposium on computational intelligence and data mining (CIDM). Singapore, S 127–134
Dam HK, Tran T, Ghose A (2018) Explainable software analytics. In: Proceedings of the 40th international conference on software engineering: new ideas and emerging results. Gothenburg, S 53–56
Delen D (2015) Real-world data mining: applied business analytics and decision making. Pearson Eduction, Upper Saddle River
Delen D, Demirkan H (2013) Data, information and analytics as services. Decis Support Syst 55:359–363
DIN (2003) DIN 31051:2003-06: Grundlagen der Instandhaltung. DIN Deutsches Institut für Normung e.V., Berlin
Ferreira D, Zacarias M, Malheiros M, Ferreira P (2007) Approaching process mining with sequence clustering: experiments and findings. In: Alonso G, Dadam P, Rosemann M (Hrsg) BPM 2007, Bd 4714. Springer, Heidelberg, S 360–374
Ferreira DR, Gillblad D (2009) Discovering process models from unlabelled event logs. In: Dayal U, Eder J, Koehler J, Reijers HA (Hrsg) BPM 2009, Bd 5701. Springer, Heidelberg, S 143–158
Goodfellow I, Bengio Y, Courville A (2016) Deep learning. MIT Press, Cambridge, MA
Goodman B, Flaxman S (2017) European Union regulations on algorithmic decision-making and a „right to explanation“. AI Mag 38(3):50–57
Gunning D (2017) Explainable artificial intelligence (xai). Defense Advanced Research Projects Agency (DARPA), nd Web 2
Halaška, M, Šperka, R (2018) Process mining–the enhancement of elements industry 4.0. In: 2018 4th international conference on computer and information sciences (ICCOINS). Stockholm, S 1–6
He QP, Wang J (2018) Statistics pattern analysis: a statistical process monitoring tool for smart manufacturing. Comput Aided Chem Eng 44:2071–2076
Heinrich K, Zschech P, Janiesch C, Bonin M (2020) Ein Vergleich aktueller Deep-Learning-Architekturen zur Prognose von Prozessverhalten. 15. Internationale Tagung Wirtschaftsinformatik (WI), Potsdam
Hermann M, Pentek T, Otto B (2016) Design principles for industrie 4.0 scenarios. In: 2016 49th Hawaii international conference on system sciences (HICSS). Koloa, S 3928–3937
Kober J, Bagnell JA, Peters J (2013) Reinforcement learning in robotics: a survey. Int J Robot Res 32(11):1238–1274
Kotsiantis SB, Zaharakis I, Pintelas P (2007) Supervised machine learning: a review of classification techniques. Informatica 31(3):249–268
Marsland S (2011) Machine learning: an algorithmic perspective. Taylor & Francis, New York
Peffers K, Tuunanen T, Niehaves B (2018) Design science research genres: introduction to the special issue on exemplars and criteria for applicable design science research. Eur J Inf Syst 27(2):129–139
Redding G, Dumas M, Ter Hofstede AH, Iordachescu A (2008) Transforming object-oriented models to process-oriented models. In: ter Hofstede AHM, Benatallah B, Paik H-Y (Hrsg) BPM Workshops 2007, Bd 4928. LNCS, Heidelberg, S 132–143
Saul LK, Roweis ST (2003) Think globally, fit locally: unsupervised learning of low dimensional manifolds. J Mach Learn Res 4:119–155
Suriadi S, Andrews R, ter Hofstede AH, Wynn MT (2017) Event log imperfection patterns for process mining: towards a systematic approach to cleaning event logs. Inf Syst 64:132–150
Swartout WR (1983) XPLAIN: a system for creating and explaining expert consulting programs. Artif Intell 21(3):285–325
Vara B (2018) 2018 maintenance survey: playing offense and defense. https://www.plantengineering.com/articles/2018-maintenance-survey-playing-offense-and-defense/. Zugegriffen am 30.06.2019
Walicki M, Ferreira DR (2011) Sequence partitioning for process mining with unlabeled event logs. Data Knowl Eng 70(10):821–841
Wang G, Gunasekaran A, Ngai EW, Papadopoulos T (2016) Big data analytics in logistics and supply chain management: certain investigations for research and applications. Int J Prod Econ 176:98–110
Wang S, Chaovalitwongse W, Babuska R (2012) Machine learning algorithms in bipedal robot control. IEEE Trans Syst Man Cybern Part C 42(5):728–743
Wang Z, Gao J, Chen R, Wang J (2018) A modified KNN algorithm for activity recognition in smart home. In: International congress of economics and business, vol 96, Guilin
Wanner J, Herm L-V, Janiesch C (2020) How much is the black box? The value of explainability inf machine learning models. In: 28th European conference on information systems (ECIS). AIS, Marrakesh
Webster J, Watson R (2002) Analyzing the past to prepare for the future: writing a literature review. Manag Inf Syst Q 26(2):xiii–xxiii
Yang H, Park M, Cho M, Song M, Kim S (2014) A system architecture for manufacturing process analysis based on big data and process mining techniques. In: 2014 IEEE international conference on big data (Big Data). Washington DC, S 1024–1029
Förderhinweis
Dieses Forschungs- und Entwicklungsprojekt wurde mit Mitteln des Bayerischen Staatsministeriums für Wirtschaft, Landesentwicklung und Energie (StMWi) innerhalb des Förderprogramms „Informations- und Kommunikationstechnik“ (Kennzeichen IUK536/003) gefördert und vom Projektträger VDI + VDE Innovation + Technik GmbH betreut.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2021 Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Wanner, J., Herm, LV., Janiesch, C. (2021). Digitalisierungspotenziale der Instandhaltung 4.0 – Von der Aufbereitung binärer Daten zum Einsatz transparenter künstlicher Intelligenz. In: Meinhardt, S., Wortmann, F. (eds) IoT – Best Practices. Edition HMD. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-32439-1_10
Download citation
DOI: https://doi.org/10.1007/978-3-658-32439-1_10
Published:
Publisher Name: Springer Vieweg, Wiesbaden
Print ISBN: 978-3-658-32438-4
Online ISBN: 978-3-658-32439-1
eBook Packages: Computer Science and Engineering (German Language)