Smart Factory – Konzeption und Prototyp zum Image Mining und zur Fehlererkennung in der Produktion
| dc.contributor.author | Trinks, Sebastian | |
| dc.contributor.author | Felden, Carsten | |
| dc.date.accessioned | 2021-03-25T13:38:17Z | |
| dc.date.available | 2021-03-25T13:38:17Z | |
| dc.date.issued | 2019 | |
| dc.description.abstract | Um die Leistungsfähigkeit der Produktion in der Smart Factory effizient zu gestalten, lassen sich durch Sensoren in Echtzeit erhobene Produktionsdaten zur Qualitätsprüfung nutzen. Damit die Daten, die Informationen und letztendlich das durch algorithmische Analyse generierte Wissen über die Qualität rechtzeitig bereitsteht, sind passende Netzwerkarchitekturen, wie beispielsweise die des Edge Computing, notwendig, um einen effizienten Einsatz zu ermöglichen. In diesem Kontext beschäftigt sich der Beitrag mit den Herausforderungen der Analyse von Daten bildgebender Sensoren in der Produktion. Die vorgenommenen Untersuchungen fußen dabei auf der Implementierung einer Image-Mining-Applikation zur Echtzeit-Fehlererkennung in der Produktion, die mittels eines gestaltungsorientierten Forschungsansatzes ergründet wurden. Neben der Identifikation der Herausforderungen in diesem Spannungsfeld, ließen sich Algorithmen ausfindig machen und betrachten, die hierfür eine hohe Prognosegenauigkeit aufweisen. Die erzielten Erkenntnisse bilden dabei eine wichtige Grundlage für den Einsatz von Image-Mining-Applikationen in der Smart Factory. To enable an efficient production in the smart factory, it is necessary to perform quality control in real time. Thereby, the basis is formed by sensors collecting a large amount of data. These data, the resulting information, and also the knowledge generated by algorithmic analysis must be available at the right time. Thus, suitable network architectures like edge computing are necessary for efficient data transfer. In this context, the paper’s contribution deals with challenges of analyzing data collected by imaging sensors in production environments. The consideration based on the implementation of an image mining application for a real time fault detection in production, which was developed as artifact of a design science research approach. In addition to identifying the challenges in this area, algorithms could be recognized and considered having a high accuracy of fit. The results obtained form an important basis for the use of image mining applications in smart factories. | de |
| dc.identifier.doi | 10.1365/s40702-019-00529-2 | |
| dc.identifier.pissn | 2198-2775 | |
| dc.identifier.uri | http://dx.doi.org/10.1365/s40702-019-00529-2 | |
| dc.identifier.uri | https://dl.gi.de/handle/20.500.12116/36002 | |
| dc.publisher | Springer | |
| dc.relation.ispartof | HMD Praxis der Wirtschaftsinformatik: Vol. 56, No. 5 | |
| dc.relation.ispartofseries | HMD Praxis der Wirtschaftsinformatik | |
| dc.subject | Design Science Research | |
| dc.subject | Edge Computing | |
| dc.subject | Gestaltungsorientierter Forschungsansatz | |
| dc.subject | Image Mining | |
| dc.subject | Qualitätsmanagement | |
| dc.subject | Quality Management | |
| dc.subject | Real Time Analytics | |
| dc.subject | Sensor-based fault detection | |
| dc.subject | Sensorik und Fehlererkennung | |
| dc.subject | Smart Factory | |
| dc.title | Smart Factory – Konzeption und Prototyp zum Image Mining und zur Fehlererkennung in der Produktion | de |
| dc.type | Text/Journal Article | |
| gi.citation.endPage | 1040 | |
| gi.citation.startPage | 1017 |