Direkt zum Inhalt
header image
Industrie 4.0 Management
35. Jahrgang, 2019, Ausgabe 4, Seite 39-42
Maschinelles Lernen in der Produktion
Anwendungsgebiete und frei verfügbare Datensätze

Jonathan Krauß, Jonas Dorißen, Hendrik Mende, Maik Frye, Fraunhofer IPT und Robert H. Schmitt, WZL RWTH Aachen

Steigende Rechenleistungen und bessere Datengrundlagen bei gleichzeitig sinkenden Kosten für Rechen- und Speicherkapazitäten stellen die Basis für den Einsatz von Machine Learning (ML) in der Produktion dar. Herausforderungen bestehen in der Identifizierung aussichtsreicher Anwendungsgebiete, dem Erkennen der mit diesen verbundenen Learning Tasks sowie dem Aufdecken passender Datensätze. In diesem Beitrag werden daher folgende Fragen beantwortet: Welche Anwendungsgebiete in der Produktion bieten das größte Potenzial für den Einsatz von ML? Welche frei zugänglichen Datensätze eignen sich, um eigene Erfahrungen zu sammeln und welche Learning Tasks sind damit verbunden? Was sind Best Practices für die Anwendungsgebiete?

Schlüsselwörter: Machine Learning, Produktionstechnologie, Anwendungsgebiete, Use Cases, Data Analytics, Künstliche Intelligenz, Big Data
Quellen:

Roosevelt Institute: Six Reasons Manufacturing is Central to the Economy. URL: http://rooseveltinstitute.org/six-reasons-manufacturing-central-economy/, Abrufdatum 02.04.2019.
[2] McKinsey: Manufacturing the future. The next era of global growth and innovation. 
URL: https://www.mckinsey.com/~/media/McKinsey/Business%20Functions/Operations Abrufdatum 02.04.2019.
[3] Ademujimi, T. T.; Brundage, M. P.; Prabhu, V. V.: A Review of Current Machine Learning Techniques Used in Manufacturing Diagnosis. In: Lödding, H.; Riedel, R.; Thoben, K.-D. u. a. (Hrsg): Advances in Production Management Systems. The Path to Intelligent, Collaborative and Sustainable Manufacturing. Cham 2017.
[4] Geissbauer, R.; Schrauf, S.; Berttram, P. u. a.: Digital Factories 2020: Shaping the future of manufacturing. URL: https://www.pwc.de/de/digitale-transformation/digital-factories-2020-shaping-the-future-of-manufacturing.pdf Abrufdatum 02.04.2019.
[5] Gursch, H.; Wuttei, A.; Gangloff Theresa: Learning Systems for Manufacturing Management Support. SamI40 workshop at i-KNOW ’16. Graz 2016.
[6] Harding, J. A.; Shahbaz, M.; Srinivas u. a.: Data Mining in Manufacturing: A Review. Journal of Manufacturing Science and Engineering 128 (2006) 4, S. 969.
[7] Lödding, H.; Riedel, R.; Thoben, K.-D. u. a. (Hrsg): Advances in Production Management Systems. The Path to Intelligent, Collaborative and Sustainable Manufacturing. Cham 2017.
[8] McKinsey & Company: Smartening up with Artificial Intelligence (AI). What’s in it for Germany and its Industrial Sector?. Düsseldorf, Berlin, München 2017.
[9] McKinsey Global Institute: The Age of Analytics: Competing in a Data-Driven World. In collaboration with McKinsey Analytics. Düsseldorf, Berlin, München 2016.
[10] Tata Consultancy Services Ltd. (TCS): The Emerging Big Returns on Big Data. A TCS 2013 Global Trend Study. URL: https://ch.semweb.ch/_/wordpress/wp-content/uploads/2013/08/TCS-Big-Data-Global-Trend-Study-2013.pdf Abrufdatum 02.04.2019.
[11] Tata Consultancy Services Ltd. (TCS): Using Big Data for Machine Learning Analytics in Manufacturing 2014. URL: https://pdfs.semanticscholar.org/2f6a/0e8a8ce601bd435aeaa140c7168177dc4820.pdf 02.04.2019.
[12] Wang, J.; Ma, Y.; Zhang, L. u. a.: Deep learning for smart manufacturing: Methods and applications. Journal of Manufacturing Systems 48 (2018), S. 144–156.
[13] World Economic Forum with A.T. Kearney: Technology and Innovation for the Future of Production: Accelerating Value Creation. Geneva, Switzerland 2017.
[14] Wuest, T.; Weimer, D.; Irgens, C. u. a.: Machine learning in manufacturing: advantages, challenges, and applications. Production & Manufacturing Research 4 (2016) 1, S. 23–45.
[15] Priya Singh: 10 Reasons why big data and analytics projects fail. URL: www.analyticsindiamag.com/10-reasons-big-data-analytics-projects-fail/, Abrufdatum 16.02.2019.
[16] Driscoll, M: Building data startups: Fast, big, and focused. URL: http://radar.oreilly.com/2011/08/building-data-startups.html, Abrufdatum 16.02.2019.
[17] von Enzberg, S; Waschbusch, L. M.: Datenanalyse. Big Data in der Produktion: große Daten = großes Potential. URL: www.industry-of-things.de/big-data-in-der-produktion-grosse-daten-grosses-potential-a-776716/, Abrufdatum 16.02.2019.
[18] Helden, J. von; Dorißen, J.: OPENMIND – On-demand production of entirely customised minimally invasive medical devices – H2020. Impact 2018 (2018) 10, S. 60–62.
[19] Deloitte: Predictive Maintenance. Taking pro-active measures based on advanced data analytics to predict and avoid machine failure 2017.URL: https://www2.deloitte.com/content/dam/Deloitte/de/Documents/deloitte-analytics/Deloitte_Predictive-Maintenance_PositionPaper.pdf Abrufdatum 02.04.2019.
[20] Deloitte: Predictive maintenance and the smart factory. URL: https://www2.deloitte.com/content/dam/Deloitte/us/Documents/process-and-operations/us-cons-predictive-maintenance.pdf Abrufdatum 02.04.2019.
[21] DIN: Arbeitsausschuss Künstliche Intelligenz gegründet. URL: www.din.de/de/din-und-seine-partner/presse/mitteilungen/arbeitsausschuss-kuenstliche-intelligenz-gegruendet-259904, Abrufdatum 27.02.2019.
[22] IEEE Standards Association: IEEE Launches Ethics Certification Program for Autonomous and Intelligent Systems. URL: https://standards.ieee.org/news/2018/ieee-launches-ecpais.html, Abrufdatum 27.02.2019.
[23] TÜV SÜD: TÜV SÜD und DFKI entwickeln „TÜV für Künstliche Intelligenz“. URL: www.tuev-sued.de/tuev-sued-konzern/presse/pressearchiv/tuv-sud-und-dfki-entwickeln-tuv-fur-kunstliche-intelligenz, Abrufdatum 27.02.2019.
[24] VDE Presse: KI: VDE|DKE und IEEE wollen Ethik in der Technik implementieren. URL: www.vde.com/de/presse/pressemitteilungen/vde-und-ieee-wollen-ethik-in-ki-implementieren, Abrufdatum 27.02.2019.
[25] Bundesministerium für Bildung und Forschung: Forschung und Innovation für die Menschen. Die Hightech-Strategie 2025. Berlin 2018.

Weitere Open Access Beiträge

 

SPS steuern Assistenzsysteme in der Digitalen Fabrik
Integration eines Laser-Assistenzsystems zur Werkerführung in die Steuerungsebene der Digitalen Fabrik

Ralf Müller-Polyzou, Nicolas Meier, Felix Berwanger und Anthimos Georgiadis, Leuphana Universität Lüneburg
https://doi.org/10.30844/I40M_19-4_S13-16

 

Ist Agilität Voraussetzung oder Folge einer zielgerichteten Digitalisierung? 

Dominic Lindner und Michael Amberg, FAU Erlangen-Nürnberg – Lehrstuhl für Wirtschaftsinformatik III inbs. IT-Management
https://doi.org/10.30844/I40M_19-4_S30-34

 

Der Intelligente Logistikraum: 
Neue Gestaltungsformen im Kontext der digitalen Transformation

Fabian Behrendt, Fraunhofer IFF, Magdeburg, SRH Fernhochschule, Riedlingen, Niels Schmidtke, Fraunhofer IFF, Otto-von-Guericke Universität, Magdeburg, Elke Glistau, Otto-von-Guericke Universität, Magdeburg und Margarete Wagner, Fraunhofer IFF, Magdeburg
https://doi.org/10.30844/I40M_19-4_S35-38

 

Digitale Transformation ganzheitlich managen
Wie Unternehmen die digitale Transformation strukturiert meistern

Roman Dumitrescu, André Lipsmeier, Thorsten Westermann und Arno Kühn, Fraunhofer-Institut für Entwurfstechnik Mechatronik IEM, Paderborn
https://doi.org/10.30844/I40M_19-4_S55-58

 

Blockchain-Einsatz zur Optimierung von Produktrückrufen

Tobias Rieke und André Sardoux Klasen, FH Münster
https://doi.org/10.30844/I40M_19-4_S59-62