Affiliation:
1. FBK - Lehrstuhl für Fertigungstechnik und Betriebsorganisation Technische Universität Kaiserslautern Postfach 3049, 67653 Kaiserslautern Germany
Abstract
Abstract
Mit der fortschreitenden Digitalisierung wachsen die Forderungen nach der Ausschöpfung des Potentials der dabei erhobenen Daten. Hierfür haben die Methoden des Maschinellen Lernens ihre Praxistauglichkeit bewiesen. Jedoch ergeben sich bei der Anwendung dieser Technologie in Produktionssystemen mit hohem Variantenreichtum und kleinen Serien, vielschichtige Herausforderungen. Das Feature Engineering als Teil der Datenaufbereitung birgt hierbei ein großes Potential zur deren Bewältigung. Anhand des Beispiels der Nutzfahrzeugproduktion werden in diesem Beitrag Handlungsempfehlungen hierzu aufgezeigt.
Subject
Management Science and Operations Research,Strategy and Management,General Engineering
Reference14 articles.
1. Lehmann, F. H.; Grzegorski, A.: Anlaufmanagement in der Nutzfahrzeugindustrie am Beispiel Daimler Trucks. In: Schuh, G.; Stölzle, W.; Straube, F.: Anlaufmanagement in der Automobilindustrie erfolgreich umsetzen – Ein Leitfaden für die Praxis. Springer-Verlag, Berlin, Heidelberg 2008, S. 81–90 10.1007/978-3-540-78407-4_7
2. Press, G.: Cleaning Big Data: Most Time-Consuming, Least Enjoyable Data Science Task, Survey Says (2016). Online unter https://www.forbes.com/sites/gilpress/2016/03/23/data-preparation-most-timeconsuming-least-enjoyable-data-sciencetask-survey-says/?sh=14f528906f63, Forbes, Enterprise & Cloud,
3. De Oliveira Nascimento, L.; Muniz, J.; Rocha, H. M.: Commercial Vehicle Production Flexibility Factors. IFIP WG 5.7 International Conference, APMS, 2016 10.1007/978-3-319-51133-7_112
4. Adewumi, A.; Akinyelu, A.: A Survey of Machine-Learning and Nature-Inspired Based Credit Card Fraud Detection Techniques. International Journal of System Assurance Engineering and Management 8 (2017), S. 937–953 10.1007/s13198-016-0551-y
5. Kamper, A.; Kreisköther, K.; Büning, M. K.; Möller, T.; Busch, M.: Vorausschauende Instandhaltung durch Maschinelles Lernen in der Prozessindustrie. ZWF 113 (2018) 4, S. 195–198 10.3139/104.111890