Linked e-resources
Details
Table of Contents
Intro
Vorwort
Zusammenfassung
Summary
Inhaltsverzeichnis
Abbildungsverzeichnis
Abkürzungen und Formelzeichen
1 Einleitung
1.1 Motivation und Problemstellung
1.2 Zielsetzung und Forschungsfragen der Arbeit
1.3 Forschungsmethodischer Rahmen der Arbeit
1.4 Aufbau der Arbeit
2 Grundlagen des Betrachtungs- und Gestaltungsbereiches
2.1 Definitionen und Einordnung des Betrachtungsbereichs
2.1.1 Grundlegende Begriffsdefinitionen
2.1.2 Charakteristika eines durch Unsicherheit gekennzeichneten Produktionsumfeldes
2.2 Kontinuierliche Verbesserung
2.2.1 Lean Verständnis
2.2.2 Übersicht kontinuierliche Verbesserung
2.2.3 Verbesserungs-Kata
2.3 Datenbasierte Verfahren zur Präskription
2.3.1 Überblick und Strukturierung datenbasierter Verfahren
2.3.2 Künstliche Intelligenz
2.3.3 "Knowledge Discovery in Databases"-Prozess
2.3.3.1 Vorgehensweise im KDD-Prozess
2.3.3.2 Data Mining für Big Data
2.3.4 Maschinelles Lernen
2.3.4.1 Unsupervised machine learning
2.3.4.2 Reinforcement learning
2.3.4.3 Supervised machine learning
2.3.5 Künstliche Neuronale Netze
2.3.5.1 Grundstruktur Neuronaler Netze
2.3.5.2 Typen und Anwendungen Neuronaler Netze
2.3.5.3 Auslegung und Kalibrierung Neuronaler Netze
2.3.6 Weitere relevamte Methoden &
Algorithmen
2.3.6.1 Regressionsanalyse &
Random Forest
2.3.6.2 Natural Language Processing
2.3.6.3 Recommender Systems
2.3.6.4 Expertensysteme
3 Bestehende Ansätze zur kontinuierlichen Verbesserung
3.1 Herausforderungen bei der kontinuierlichen Verbesserung mittels Prescriptive Analytics in einem durch Unsicherheit gekennzeichneten Produktionsumfeld
3.1.1 Herausforderungen des Betrachtungsbereiches
3.1.1.1 Herausforderungen beim traditionellen kontinuierlichen Verbesserungsprozess.
3.1.1.2 Herausforderungen bei der Effizienz
3.1.1.3 Herausforderungen bei Unsicherheiten im Produktionsumfeld
3.1.2 Herausforderungen des Gestaltungsbereiches
3.1.3 Handlungsbedarf aus der Praxis und Ableitung von Bewertungskriterien
3.2 Ansätze zur traditionellen Kontinuierlichen Verbesserung
3.2.1 Verbesserungs-/Coaching-Kata nach ROTHER
3.2.2 Weitere Ansätze
3.3 Ansätze zur Kontinuierlichen Verbesserung mittels datengetriebener Verfahren
3.3.1 Digital ContinuousImprovement System for Production nach HAMBACH ET AL.
3.3.2 QM-CRISP-DM Zyklus nach SCHÄFER ET AL.
3.3.3 Product State Konzept nach WUEST
3.3.4 Advanced Manufacturing Analytics-Plattform nach GRÖGER
3.3.5 Deep Business Optimization nach NIEDERMANN
3.3.6 MaXCept nach KASSNER et al.
3.3.7 Graph-based Analytics Framework nach RINGSQUANDL ET AL.
3.3.8 Big Data Analytics based Fault Prediction for Shop Floor Scheduling nach WEI ET AL.
3.3.9 Process Mining Techniques in Manufacturing nach RUSCHEL ET AL:
3.4 Bewertung ausgewählter Ansätze
3.5 Ableitung des Forschungsbedarfs
4 Konzeption der Methodik zur kontinuierlichen Verbesserung mittels Predictive Analytics
4.1 Zielbild und Abgrenzung zur kontinuierlichen Verbesserung mittels Prescriptive Analytics
4.2 Anforderungen an die Methodik zur kontinuierlichen Verbesserung mittels Predictive Analytics
4.2.1 Inhlatliche Anforderungen
4.2.2 Formale Anforderungen
4.3 Ableitung von Partialmodellen
4.4 Grobkonzept zur kontinuierlichen Verbesserung mittels Prescriptive Analytics
4.4.1 Beschreibungsmodell zur ermittlung und Aufbereitung von User Stories
4.4.2 Erweitertes Wirkmodell zur retrospektiven Ermittlung der Ursache-Wirkungsbeziehungen und Prognose
4.4.3 Erklärungsmodell zur Mustererkennung der User Stories und Ableitung von Verbesserungsansätzen.
4.4.4 Begleitender Ordnungsrahmen
4.5 Zwischenfazit: Potentiale der Methodik
5 Detaillierung der Methodik zur kontinuierlichen Verbesserung mittels Prescriptive Analytics
5.1 Beschreiungsmodell zur Ermittlung und Aufbereitung von User Stories
5.1.1 Erarbeitung Domänenwissen / Prozessverständnis
5.1.2 Aufbau Dateninfrastruktur
5.1.3 Aufbau Datentopf: Prozessparameter
5.1.3.1 Datenauswahl
5.1.3.2 Datenvorverarbeitung
5.1.3.3 Datentransformation
5.1.4 Aufbau Datentopf: User Stories
5.1.4.1 Datenauswahl
5.1.4.2 Datenvorverarbeitung
5.1.4.3 Datentransformation
5.2 Erweitertes Wirkmodell zur retrospektiven Ermittlung der Ursache-Wirkungsbeziehungen und Prognose
5.2.1 Data Mining zum Aufdecken unbekannter Ursachen-Wirkbeziehungen
5.2.1.1 Korrelationsanalyse der Prozessparameter
5.2.1.2 Aufbereitung der Korrelationsmatrix und Vorauswahl
5.2.1.3 Erlagnung eines tieferen Verständnisses mittels Scatterplots
5.2.1.4 Überprüfung der Kausalität und Ableitung von Verbesserungsvorschlägen
5.2.2 Inkorporation der Ursachen-Wirkbeziehungen in das erweiterte Wirkmodell
5.2.3 Auslegung und Training des erweiterten Wirkmodells
5.2.3.1 Problemstrukturierung und Netztypenauswahl
5.2.3.2 Festlegung der Netztypologie
5.2.3.3 Informationsverarbeitung in den Neuronen
5.2.3.4 Trainieren des Netzes
5.3 Erklärungsmodell zur Mustererkennung der User Stories und Ableitung von Verbesserungsansätzen
5.3.1 Prozessauswahl und Erzeugung der unfertigen User Stories
5.3.2 Auswahl dem Prozess entsprechender User Stories
5.3.3 Abstandsberechnung von Vektoren zwischen Prozess und User Stories
5.3.4 Mustererkennung über ähnliche Cluster zur Auswahl von Verbesserungsansätzen
5.3.5 Prognose der Verbesserungsergebnisse durch Adaption an den neuen Ist-Zustand.
5.3.6 Empfehlung durch Ranking der Auswirkungen auf die Zieldimension
5.4 Begleitender Ordnunsgrahmen
5.4.1 Implementierungsstrategie
5.4.2 Anwendungsprozess der Methodik
5.5 Zwischenfazit: Kontinuierliche Verbesserung mittels Prescriptive Analytics
6 Validierung und kritische Reflexion
6.1 Praxisbeispiel: Hochdruckpumpenhersteller für PKW-Motoren
6.1.1 Ausgangssituation
6.1.2 Anwendung und Ergebnisse der Methodik
6.1.2.1 Aufbereitung neuer und alter Daten als in Zusammenhang stehende User Stories in der Datenbank
6.1.2.2 Datenbasiertes multivariates Modell zur retrospektiven Ermittlung der Ursache-Wirkungsbeziehungen und Prognose
6.1.2.3 Erklärungsmodell zur Mustererkennung in User Stories, Auswahl und Adaption von zu empfehlenden Verbesserungsansätzen
6.2 Praxisbeispiel Filterhersteller
6.2.1 Ausgangssituation
6.2.2 Anwendung und Ergebnisse der Methodik
6.3 Kritische Reflexion der Anwendung
7 Zusammenfassung und Ausblick
Literaturverzeichnis
A Anhang
A.1 Datenvorverarbeitung des Prozessparameter-Datentopfes
A.2 Data Mining Analysen
A.3 Erstellung und Konfiguration des KNN.
Vorwort
Zusammenfassung
Summary
Inhaltsverzeichnis
Abbildungsverzeichnis
Abkürzungen und Formelzeichen
1 Einleitung
1.1 Motivation und Problemstellung
1.2 Zielsetzung und Forschungsfragen der Arbeit
1.3 Forschungsmethodischer Rahmen der Arbeit
1.4 Aufbau der Arbeit
2 Grundlagen des Betrachtungs- und Gestaltungsbereiches
2.1 Definitionen und Einordnung des Betrachtungsbereichs
2.1.1 Grundlegende Begriffsdefinitionen
2.1.2 Charakteristika eines durch Unsicherheit gekennzeichneten Produktionsumfeldes
2.2 Kontinuierliche Verbesserung
2.2.1 Lean Verständnis
2.2.2 Übersicht kontinuierliche Verbesserung
2.2.3 Verbesserungs-Kata
2.3 Datenbasierte Verfahren zur Präskription
2.3.1 Überblick und Strukturierung datenbasierter Verfahren
2.3.2 Künstliche Intelligenz
2.3.3 "Knowledge Discovery in Databases"-Prozess
2.3.3.1 Vorgehensweise im KDD-Prozess
2.3.3.2 Data Mining für Big Data
2.3.4 Maschinelles Lernen
2.3.4.1 Unsupervised machine learning
2.3.4.2 Reinforcement learning
2.3.4.3 Supervised machine learning
2.3.5 Künstliche Neuronale Netze
2.3.5.1 Grundstruktur Neuronaler Netze
2.3.5.2 Typen und Anwendungen Neuronaler Netze
2.3.5.3 Auslegung und Kalibrierung Neuronaler Netze
2.3.6 Weitere relevamte Methoden &
Algorithmen
2.3.6.1 Regressionsanalyse &
Random Forest
2.3.6.2 Natural Language Processing
2.3.6.3 Recommender Systems
2.3.6.4 Expertensysteme
3 Bestehende Ansätze zur kontinuierlichen Verbesserung
3.1 Herausforderungen bei der kontinuierlichen Verbesserung mittels Prescriptive Analytics in einem durch Unsicherheit gekennzeichneten Produktionsumfeld
3.1.1 Herausforderungen des Betrachtungsbereiches
3.1.1.1 Herausforderungen beim traditionellen kontinuierlichen Verbesserungsprozess.
3.1.1.2 Herausforderungen bei der Effizienz
3.1.1.3 Herausforderungen bei Unsicherheiten im Produktionsumfeld
3.1.2 Herausforderungen des Gestaltungsbereiches
3.1.3 Handlungsbedarf aus der Praxis und Ableitung von Bewertungskriterien
3.2 Ansätze zur traditionellen Kontinuierlichen Verbesserung
3.2.1 Verbesserungs-/Coaching-Kata nach ROTHER
3.2.2 Weitere Ansätze
3.3 Ansätze zur Kontinuierlichen Verbesserung mittels datengetriebener Verfahren
3.3.1 Digital ContinuousImprovement System for Production nach HAMBACH ET AL.
3.3.2 QM-CRISP-DM Zyklus nach SCHÄFER ET AL.
3.3.3 Product State Konzept nach WUEST
3.3.4 Advanced Manufacturing Analytics-Plattform nach GRÖGER
3.3.5 Deep Business Optimization nach NIEDERMANN
3.3.6 MaXCept nach KASSNER et al.
3.3.7 Graph-based Analytics Framework nach RINGSQUANDL ET AL.
3.3.8 Big Data Analytics based Fault Prediction for Shop Floor Scheduling nach WEI ET AL.
3.3.9 Process Mining Techniques in Manufacturing nach RUSCHEL ET AL:
3.4 Bewertung ausgewählter Ansätze
3.5 Ableitung des Forschungsbedarfs
4 Konzeption der Methodik zur kontinuierlichen Verbesserung mittels Predictive Analytics
4.1 Zielbild und Abgrenzung zur kontinuierlichen Verbesserung mittels Prescriptive Analytics
4.2 Anforderungen an die Methodik zur kontinuierlichen Verbesserung mittels Predictive Analytics
4.2.1 Inhlatliche Anforderungen
4.2.2 Formale Anforderungen
4.3 Ableitung von Partialmodellen
4.4 Grobkonzept zur kontinuierlichen Verbesserung mittels Prescriptive Analytics
4.4.1 Beschreibungsmodell zur ermittlung und Aufbereitung von User Stories
4.4.2 Erweitertes Wirkmodell zur retrospektiven Ermittlung der Ursache-Wirkungsbeziehungen und Prognose
4.4.3 Erklärungsmodell zur Mustererkennung der User Stories und Ableitung von Verbesserungsansätzen.
4.4.4 Begleitender Ordnungsrahmen
4.5 Zwischenfazit: Potentiale der Methodik
5 Detaillierung der Methodik zur kontinuierlichen Verbesserung mittels Prescriptive Analytics
5.1 Beschreiungsmodell zur Ermittlung und Aufbereitung von User Stories
5.1.1 Erarbeitung Domänenwissen / Prozessverständnis
5.1.2 Aufbau Dateninfrastruktur
5.1.3 Aufbau Datentopf: Prozessparameter
5.1.3.1 Datenauswahl
5.1.3.2 Datenvorverarbeitung
5.1.3.3 Datentransformation
5.1.4 Aufbau Datentopf: User Stories
5.1.4.1 Datenauswahl
5.1.4.2 Datenvorverarbeitung
5.1.4.3 Datentransformation
5.2 Erweitertes Wirkmodell zur retrospektiven Ermittlung der Ursache-Wirkungsbeziehungen und Prognose
5.2.1 Data Mining zum Aufdecken unbekannter Ursachen-Wirkbeziehungen
5.2.1.1 Korrelationsanalyse der Prozessparameter
5.2.1.2 Aufbereitung der Korrelationsmatrix und Vorauswahl
5.2.1.3 Erlagnung eines tieferen Verständnisses mittels Scatterplots
5.2.1.4 Überprüfung der Kausalität und Ableitung von Verbesserungsvorschlägen
5.2.2 Inkorporation der Ursachen-Wirkbeziehungen in das erweiterte Wirkmodell
5.2.3 Auslegung und Training des erweiterten Wirkmodells
5.2.3.1 Problemstrukturierung und Netztypenauswahl
5.2.3.2 Festlegung der Netztypologie
5.2.3.3 Informationsverarbeitung in den Neuronen
5.2.3.4 Trainieren des Netzes
5.3 Erklärungsmodell zur Mustererkennung der User Stories und Ableitung von Verbesserungsansätzen
5.3.1 Prozessauswahl und Erzeugung der unfertigen User Stories
5.3.2 Auswahl dem Prozess entsprechender User Stories
5.3.3 Abstandsberechnung von Vektoren zwischen Prozess und User Stories
5.3.4 Mustererkennung über ähnliche Cluster zur Auswahl von Verbesserungsansätzen
5.3.5 Prognose der Verbesserungsergebnisse durch Adaption an den neuen Ist-Zustand.
5.3.6 Empfehlung durch Ranking der Auswirkungen auf die Zieldimension
5.4 Begleitender Ordnunsgrahmen
5.4.1 Implementierungsstrategie
5.4.2 Anwendungsprozess der Methodik
5.5 Zwischenfazit: Kontinuierliche Verbesserung mittels Prescriptive Analytics
6 Validierung und kritische Reflexion
6.1 Praxisbeispiel: Hochdruckpumpenhersteller für PKW-Motoren
6.1.1 Ausgangssituation
6.1.2 Anwendung und Ergebnisse der Methodik
6.1.2.1 Aufbereitung neuer und alter Daten als in Zusammenhang stehende User Stories in der Datenbank
6.1.2.2 Datenbasiertes multivariates Modell zur retrospektiven Ermittlung der Ursache-Wirkungsbeziehungen und Prognose
6.1.2.3 Erklärungsmodell zur Mustererkennung in User Stories, Auswahl und Adaption von zu empfehlenden Verbesserungsansätzen
6.2 Praxisbeispiel Filterhersteller
6.2.1 Ausgangssituation
6.2.2 Anwendung und Ergebnisse der Methodik
6.3 Kritische Reflexion der Anwendung
7 Zusammenfassung und Ausblick
Literaturverzeichnis
A Anhang
A.1 Datenvorverarbeitung des Prozessparameter-Datentopfes
A.2 Data Mining Analysen
A.3 Erstellung und Konfiguration des KNN.