Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
HMD Praxis der Wirtschaftsinformatik

07.02.2024 | Spektrum

Nutzung von unterschiedlich strukturierten Daten zur Fehleranalyse in Produktionsbetrieben: Eine prototypische Beispielimplementierung

verfasst von: Michael Möhring, Barbara Keller

Erschienen in: HMD Praxis der Wirtschaftsinformatik

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Zusammenfassung

Der Einsatz von Daten mit unterschiedlicher Struktur zur Fehleranalyse in der Produktion ist eine große Herausforderung für Industrieunternehmen. Dieser Artikel zeigt einen prototypischen Lösungsweg auf, wie die Integration von unterschiedlich strukturierten Daten zur Fehleranalyse gelingen kann. Anhand eines Fallbeispiels wird ein Prototyp konzipiert und umgesetzt, der verschiedene Verfahren zur Analyse von Daten unterschiedlicher Struktur kombiniert und die spezifischen Anforderungen in der datengetriebenen Produktionsfehleranalyse adressieren kann. Das Ergebnis zeigt eine innovative Möglichkeit zur datengetriebenen Fehleranalyse für die Produktion, in der unterschiedlich strukturierte Daten eingesetzt und verschiedene Analyseverfahren miteinander nutzendstiftend verbunden sind. Die Evaluation durch Experten zeigt ferner, dass der vorgeschlagene prototypische Lösungsweg für den Einsatz in der Praxis geeignet ist und einen Mehrwert für Unternehmen stiften kann. Aufbauend auf diesen Erkenntnissen werden Implikationen benannt, Limitationen aufgezeigt und zukünftiger Forschungsbedarf abgeleitet.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren
Weitere Produktempfehlungen anzeigen
Literatur
van der Aalst W (2011a) Process mining: discovery, conformance and enhancement of business processes. Springer, HeidelbergCrossRef
van der Aalst WM (2011b) Using process mining to bridge the gap between BI and BPM. Computer 44(12):77–80CrossRef
Baars H, Kemper HG (2008) Management support with structured and unstructured data—an integrated business intelligence framework. Inf Syst Manag 25(2):132–148CrossRef
Baars H, Kemper HG (2021) Business Intelligence & Analytics–Grundlagen und praktische Anwendungen. Ansätze der IT-basierten Entscheidungsunterstützung. Springer, Berlin HeidelbergCrossRef
Bamberg G, Baur F, Krapp M (2008) Statistik. 14. Überarbeitete Auflage. Oldenbourgs Lehr- und Handbücher der Wirtschafts- u. Sozialwissenschaften. München
Bamberg G, Baur F, Krapp M (2017) Statistik: Eine Einführung für Wirtschafts- und Sozialwissenschaftler, 18. Aufl. De Gruyter, Berlin, BostonCrossRef
Berti A, Van Zelst SJ, van der Aalst W (2019) Process mining for python (PM4Py): bridging the gap between process-and data science. arXiv preprint arXiv:1905.06169
Biedermann H, Kinz A (2021) Lean smart maintenance. Springer Gabler, WiesbadenCrossRef
Blei DM, Ng AY, Jordan MI (2003) Latent dirichlet allocation. J Mach Learn Res 3:993–1022
Brendel AB, Lembcke TB, Kolbe LM (2022) Towards an integrative view on design science research genres, strategies, and pivotal concepts in information systems research. ACM SIGMIS Database 53(4):9–23CrossRef
Chapman P, Clinton J, Kerber R, Khabaza T, Daimlerchrysler TR, Shearer C, Daimlerchrysler RW (2000) Step-by-step data mining guide. SPSS, S 1–78
Fayyad U, Piatetsky-Shapiro G, Smyth P (1996) From data mining to knowledge discovery in databases. AI Mag 17(3):37–37
Grotendorst M (2022) BERTopic: Neural topic modeling with a class-based TF-IDF procedure. arXiv preprint arXiv:2203.05794
Gudivada V, Apon A, Ding J (2017) Data quality considerations for big data and machine learning: Going beyond data cleaning and transformations. Int J Adv Softw 10(1):1–20
Harbart T (2021) Tapping the power of unstructured data. MIT Sloan
Heinrich LJ, Stelzer D (2015) Informationsmanagement, 11. Aufl. Oldenburg, München
Hevner AR, March ST, Park J, Ram S (2004) Design science in information systems research. MISQ 28(1):75–105CrossRef
Hildebrand C, Efthymiou F, Busquet F, Hampton WH, Hoffman DL, Novak TP (2020) Voice analytics in business research: Conceptual foundations, acoustic feature extraction, and applications. J Bus Res 121:364–374CrossRef
Kiefer C (2016) Assessing the quality of unstructured data: an initial overview. In: LWDA, S 62–73
Kotu V, Deshpande B (2014) Predictive analytics and data mining. Morgan Kaufmann
Lee I (2017) Big data: Dimensions, evolution, impacts, and challenges. Bus Horiz 60(3):293–303CrossRef
Meier A, Kaufmann M, Meier A, Kaufmann M (2016) NoSQL-Datenbanken. Springer, Berlin HeidelbergCrossRef
Mobley RK (2002) An introduction to predictive maintenance. Elsevier
Möhring M (2023) Digital Twins in Production: The integration of semi- and unstructured data. 13th Conference on Learning Factories 2023 (CLF), CIRP.
Möhring M, Keller B, Schmidt R, Schönitz F, Mohr F, Scheuerle M (2022) Analytics in industry 4.0: Investigating the challenges of unstructured data. In: Perspectives in business Informatics research, LNBIP. Springer, Berlin Heidelberg
Peffers K, Tuunanen T, Rothenberger MA, Chatterjee S (2007) A design science research methodology for information systems research. J Manag Inf Syst 24:45–77CrossRef
Peffers K, Rothenberger M, Tuunanen T, Vaezi R (2012) Design science research evaluation. DESRIST 2012. Springer, Berlin Heidelberg, S 398–410
Pipino LL, Lee YW, Wang RY (2002) Data quality assessment. Commun ACM 45(4):211–218CrossRef
Piro A, Gebauer M (2011) Definition von Datenarten zur konsistenten Kommunikation im Unternehmen. Daten- und Informationsqualität: Auf dem Weg zur Information Excellence, S 143–156
Runkler Thomas A (2010) Data Mining-Methoden und Algorithmen intelligenter Datenanalyse. Vieweg+Teubner
Scannapieco M, Missier P, Batini C (2005) Data quality at a glance. Datenbank Spektrum 14(1):6–14
Schuh G, Anderl R, Gausemeier J, Ten Hompel M, Wahlster W (2017) Industrie 4.0 maturity index: die digitale transformation von unternehmen gestalten. Utz
Shin D (2021) The effects of explainability and causability on perception, trust, and acceptance: implications for explainable AI. Int J Hum Comput Stud 146:
Stenström C, Norrbin P, Parida A, Kumar U (2016) Preventive and corrective maintenance–cost comparison and cost–benefit analysis. Struct Infrastruct Eng 12(5):603–617CrossRef
Tan P‑N, Blau H, Harp S, Goldman R (2000) Textual data mining of service center call records. In: Proceedings of the sixth ACM SIGKDD international conference on Knowledge discovery and data mining, S 417–423CrossRef
Venable J, Pries-Heje J, Baskerville R (2016) FEDS: a framework for evaluation in design science research. Eur J Inf Syst 25:77–89CrossRef
Xu F, Uszkoreit H, Du Y, Fan W, Zhao D, Zhu J (2019) Explainable AI: a brief survey on history. In: NLPCC 2019. Springer, Berlin Heidelberg, S 563–574
Yildirim B (2020) Predictive maintenance. Fraunhofer INT. Europäische Sicherheit & Technik, S 83
Metadaten
Titel
Nutzung von unterschiedlich strukturierten Daten zur Fehleranalyse in Produktionsbetrieben: Eine prototypische Beispielimplementierung
verfasst von
Michael Möhring
Barbara Keller
Publikationsdatum
07.02.2024
Verlag
Springer Fachmedien Wiesbaden
Erschienen in
HMD Praxis der Wirtschaftsinformatik
Print ISSN: 1436-3011
Elektronische ISSN: 2198-2775
DOI
https://doi.org/10.1365/s40702-023-01037-0

Premium Partner

    Bildnachweise