%0 Journal Article %1 KlaegerSchultMajschak17im-gito %A Klaeger, Tilman %A Schult, Andre %A Majschak, Jens-Peter %D 2017 %J Industrie 4.0 Management %K 01841 gito paper embedded numerical ai factory process admin assist user data analysis learn zzz.i40 %N 4 %P 25--28 %T Lernfähige Bedienerassistenz für Verarbeitungsmaschinen: Situationsgerechte Ausgabe von Hinweisen zur nachhaltigen Beseitigung von Störungen %V 33 %X Bei Verarbeitungsanlagen handelt es sich um verkettete Hochleistungsmaschinen zum Herstellen und Verpacken von Massenbedarfsgütern wie Lebensmitteln, Pharmazeutika oder Getränken aus biogenen Rohstoffen. Die Anforderungen an die Maschinen steigen stetig durch höhere Produktionsgeschwindigkeit und größere Flexibilität, um auf derselben Anlage verschiedene Produkte herstellen zu können. Durch die Individualisierung der Massenprodukte in Industrie 4.0 wird dieser Trend noch verstärkt. Störungen im Prozess, bspw. infolge schwankender Produkteigenschaften, sind jedoch auch in den modernsten Anlagen nicht vollständig vermeidbar. Daher sind auch weiterhin Menschen in der Produktion erforderlich, die in den Prozess eingreifen und Störungen beseitigen. Die Identifikation der Störungsursache und Lösungsstrategie erfordert jedoch umfangreiches Erfahrungs- und Prozesswissen. Dieses Wissen geht den Unternehmen jedoch zunehmend verloren, wodurch hohe Produktionsverluste entstehen. Mithilfe selbstlernender Assistenzsysteme sollen Bediener unterstützt und Produktionsverluste minimiert werden. Die Ergebnisse zeigen, dass bereits bei kleinen Maschinen mit wenigen prozessrelevanten Signalen hohe Genauigkeiten mit hohen Lerngeschwindigkeiten erreicht werden können. Insbesondere die Gradient Boosted Trees und die Random Forests zeigen vielversprechende Ergebnisse. Die weit verbreiteten k-Nearest Neighbors und künstlichen neuronalen Netze weisen geringe Genauigkeiten auf. Insbesondere bei den künstlichen neuronalen Netzen kann dies auf die zu geringe Datenmenge zurückgeführt werden. Aktuelle Entwicklungen im Bereich tiefer neuronaler Netze (Deep Learning) können zwar die Merkmalsextraktion noch deutlich verbessern, allerdings sind hier sehr große Datenmengen erforderlich. Zum Erreichen dieser Ergebnisse ist jedoch eine aufwendige Merkmaisextraktion auf Basis von Prozesswissen notwendig. Durch verstärkte Einbindung von Prozessmodellen kann hier eine Vereinfachung erreicht werden.

@article{KlaegerSchultMajschak17im-gito, abstract = {Bei Verarbeitungsanlagen handelt es sich um verkettete Hochleistungsmaschinen zum Herstellen und Verpacken von Massenbedarfsgütern wie Lebensmitteln, Pharmazeutika oder Getränken aus biogenen Rohstoffen. Die Anforderungen an die Maschinen steigen stetig durch höhere Produktionsgeschwindigkeit und größere Flexibilität, um auf derselben Anlage verschiedene Produkte herstellen zu können. Durch die Individualisierung der Massenprodukte in Industrie 4.0 wird dieser Trend noch verstärkt. Störungen im Prozess, bspw. infolge schwankender Produkteigenschaften, sind jedoch auch in den modernsten Anlagen nicht vollständig vermeidbar. Daher sind auch weiterhin Menschen in der Produktion erforderlich, die in den Prozess eingreifen und Störungen beseitigen. Die Identifikation der Störungsursache und Lösungsstrategie erfordert jedoch umfangreiches Erfahrungs- und Prozesswissen. Dieses Wissen geht den Unternehmen jedoch zunehmend verloren, wodurch hohe Produktionsverluste entstehen. Mithilfe selbstlernender Assistenzsysteme sollen Bediener unterstützt und Produktionsverluste minimiert werden. Die Ergebnisse zeigen, dass bereits bei kleinen Maschinen mit wenigen prozessrelevanten Signalen hohe Genauigkeiten mit hohen Lerngeschwindigkeiten erreicht werden können. Insbesondere die Gradient Boosted Trees und die Random Forests zeigen vielversprechende Ergebnisse. Die weit verbreiteten k-Nearest Neighbors und künstlichen neuronalen Netze weisen geringe Genauigkeiten auf. Insbesondere bei den künstlichen neuronalen Netzen kann dies auf die zu geringe Datenmenge zurückgeführt werden. Aktuelle Entwicklungen im Bereich tiefer neuronaler Netze (Deep Learning) können zwar die Merkmalsextraktion noch deutlich verbessern, allerdings sind hier sehr große Datenmengen erforderlich. Zum Erreichen dieser Ergebnisse ist jedoch eine aufwendige Merkmaisextraktion auf Basis von Prozesswissen notwendig. Durch verstärkte Einbindung von Prozessmodellen kann hier eine Vereinfachung erreicht werden.}, added-at = {2017-11-17T10:19:39.000+0100}, author = {Klaeger, Tilman and Schult, Andre and Majschak, Jens-Peter}, biburl = {https://www.bibsonomy.org/bibtex/23771136b9da5f66e22f28a23c26b9dce/flint63}, file = {Gito Download:2017/KlaegerSchultMajschak17im-gito.pdf:PDF}, groups = {public}, interhash = {7dd27d70316b2b91865013fa831f3ad2}, intrahash = {3771136b9da5f66e22f28a23c26b9dce}, issn = {1434-1980}, journal = {Industrie 4.0 Management}, keywords = {01841 gito paper embedded numerical ai factory process admin assist user data analysis learn zzz.i40}, number = 4, pages = {25--28}, timestamp = {2018-04-16T11:37:51.000+0200}, title = {{Lernf{\"a}hige Bedienerassistenz f{\"u}r Verarbeitungsmaschinen: Situationsgerechte Ausgabe von Hinweisen zur nachhaltigen Beseitigung von St{\"o}rungen}}, username = {flint63}, volume = 33, year = 2017 }