Sierke-Verlag - Internationaler Wissenschaftsverlag für die Veröffentlichung von Dissertationen, Habilitationen, Bachelorarbeiten, Masterarbeiten als Print und als eBook

deutsche Version english version
Vogel-Heuser, Birgit

Produktions- und Verfügbarkeitsoptimierung mit Smart Data Ansätzen

TU München: Automatisierungstechnik, 1. Auflage, September 2018
Deutsch, 190 Seiten, 17,0 x 24,0 cm, 340 g
ISBN: 978-3-86844-998-3
48,00 €
ODER
Produktions- und Verfügbarkeitsoptimierung mit Smart Data Ansätzen

Schlagworte

Big Data und Datenanalyse, Smart Data Ansätze, Produktions- und Verfügbarkeitsoptimierung

Das Buch

Gemäß dem Datenanalyseprozess „Identifiziere Fragestellung, Visualisiere Daten, Finde Anomalien und Klassifiziere Anomalien, Analysiere Ursachen, Interpretiere, Prognostiziere und Optimiere“ werden aus Wartungsdaten relevante Fehlerfälle, wie Teileverschleiß, und zugehörige Bauteile, wie Werkzeuge, identifiziert. Die einem Werkzeug zuordenbaren Daten lassen sich in vier korrelierte Prozess-daten, eine Betriebsbedingung und eine zyklische Messgröße unterteilen. Mit K-Means und DBSCAN werden charakteristische Cluster identifiziert. Anomalien sind insbesondere beim Anstieg der Prozessdaten zwischen Betriebsphasen zu beobachten. Für die einzelnen Cluster werden Gutmodelle identifiziert, mit denen das normale Betriebsverhalten beschrieben wird. Aufgrund von Analysen des zeitlichen Verlaufes und Sequenzanalysen werden Ursachen für Anomalien bei kleinen Werten von g4 als Anfahrverhalten und bei bestimmten Werten von g0 als Übergangsverhalten zwischen zwei Betriebsphasen interpretiert. Mit Ent-scheidungsbaumanalysen können die Cluster als Vorlaufphase, Beginn der Betriebsphase, Nachlaufphase und Hauptbetriebsphase identifiziert werden. Eine weitere Kennzeichnung der Cluster erfolgt durch die zeitliche Zuordnung zu textuellen Kennzeichnungen von Experten. Wiederkehrende Kennzeichnungen werden anhand von Textanalysen erkannt. Fälle, in denen wie im Beispiel keine Fehlerkennzeichnung erfolgt, werden als gut markiert. Dann wird der Modell-fehler genutzt, um potentiellen Wartungsbedarf zu identifizieren. Eine Optimier-ung mit Hilfe der Modelle ergibt effiziente Bereiche von Eingangs- bei gegebenen Ausgangsgrößen oder effektive Bereiche von Ausgangs- bei gegebenen Ein-gangsgrößen. Die Analyseplattform MindSphere unterstützt bei der Datenhaltung unterschiedlicher Daten, der flexiblen Bereitstellung von Rechenleistung, dem Deployment auf lokalen Umgebungen und der einheitlichen Darstellung.



Rezensionen

Schreiben Sie die erste Kundenmeinung


Artikelschlagworte

Benutzen Sie Leerzeichen um Schlagworte zu trennen. Benutzen Sie (') für Phrasen.

[ zurück ]