Abstract
The requirements concerning the Overall Equipment Effectiveness (OEE) – especially machine availability – increase constantly in production nowadays. Unplanned down-times have to be prevented by efficient methods. Predictive, condition based maintenance represents a valuable approach for fulfilling these demands. Existing concepts lack of information, training data or interconnectedness. The objective of this paper is to present a novel approach in the context of Industrie 4.0 by using machine models with integrated uncertainties in the beginning, resolving these by methods of machine learning during operation and integrating both into a cloud-based service architecture.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
References
Appelrath, H.-J.; Kagermann, H.; Krcmar, H.: Future Business Clouds. Cloud Computing am Standort Deutschland zwischen Anforderungen, nationalen Aktivitäten und internationalem Wettbewerb. acatech - Deutsche Akademie der Technikwissenschaften e.V., München, 2014.
Atmosudiro, A.; Faller, M.; Verl, A.: Durchgängige Datenintegration in die Cloud. Ein Konzept zur cloudbasierten Erfassung von Produktionsdaten. In: wt Werkstattstechnik online. 104. Jg., 2014, Nr. 3.
Bechhoefer, E.; Morton, B.: Condition monitoring architecture. To reduce total cost of ownership. In: 2012 IEEE Conference on Prognostics and Health Management (PHM), Denver, Co, 18.-21. June, 2012, Piscataway, NJ, 2012.
BITKOM Bundesverband Informationswirtschaft, Telekommunikation und Neue Medien e. V.; VDMA Verband Deutscher Maschinen- und Anlagenbauer e. V.; ZVEI Zentralverband Elektrotechnik- und Elektronikindustrie e. V: Umsetzungsstrategie Industrie 4.0. Plattform Industrie 4.0, April 2015.
Brecher, C.; Pohlmann, G.; Herfs, W.: Zustandsbasierte Diagnose an Rollenketten von Verpackungsmaschinen. Höchste Beanspruchung bei 140 Takten/min. In: wt Werkstattstechnik online. 99. Jg., 2009, 7/8.
Brecher, C.: Zuverlässige Produktionsanlage (ZuPro). Verbundprojekt im Rahmenkonzept "Forschung für die Produktion von morgen" des Bundesministeriums für Bildung und Forschung (BMBF). 1. Aufl., Aachen: Apprimus-Verl, 2010.
Brecher, C. (Hrsg.). ZuPack. Zustandsorientierte Instandhaltung von Verpackungsmaschinen, Aachen: Apprimus-Verlag, 2010.
Colombo, A. W.; Bangemann, Thomas, Karnouskos, Statmatis; Delsing, J.; Stluka, P.; Harrison, R.; James, F.; Lastra, J. L. (Hrsg.). Industrial Cloud-Based Cyber-Physical Systems. The IMC-AESOP approach, Switzerland: Springer International Publishing, 2014.
Duda, R. O.; Hart, P. E.; Stork, D. G.: Pattern classification. 2. Aufl., New York: Wiley, 2001.
Eickmeyer, J.; Pethig, F.; Schriegel, S.; Niggemann, O.; Givechi, O.; Li, P.; Krüger, T.; Frischkorn, A.; Hoppe, T.: Intelligente Zustandsüberwachung von Windenergieanlagen als Cloud-Service. In: Automation 2015. 16. Branchentreff der Mess- und Automatisierungstechnik: Benefits of Change - the Future of Automation: Kongresshaus Baden-Baden, 11. und 12. Juni 2014. Düsseldorf: VDI Verlag GmbH, 2015.
Epple, U.: Begriffliche Grundlagen der leittechnischen Modellwelt. Teil 2: Anlagen, Komponenten, Funktionen und Co. In: automatisieren!, 2009, Nr. 12.
Fielding, T. R.: Architectural Styles and the Design of Network-based Software Architectures, 2000.
Kagermann, H.; Wahlster, W.; Helbig, J.: Umsetzungsempfehlungen für das Zukunftsprojekt Industrie 4.0. Abschlussbericht des Arbeitskreises Industrie 4.0. acatech – Deutsche Akademie der Technikwissenschaften e.V., April 2013.
Kagermann, H.; Riemensperger, F.; Hoke, D.; Helbig, J.; Stocksmeier, D.; Wahlster, W.; Scheer, A.-W.; Schweer, D.: Smart Service Welt. Umsetzungsempfehlungen für das Zukunftsprojekt Internetbasierte Dienste für die Wirtschaft. acatech - Deutsche Akademie der Technikwissenschaften e.V., Berlin, März 2015.
Kejela, G.; Esteves, R. M.; Rong, C.: Predictive Analytics of Sensor Data Using Distributed Machine Learning Techniques. In: 2014 IEEE 6th International Conference on Cloud Computing Technology and Science (CloudCom). Singapore, 15.-18. December, 2014, Piscataway, NJ: IEEE, 2014.
Kolerus, J.; Wassermann, J.: Zustandsüberwachung von Maschinen. Das Lehr- und Arbeitsbuch für den Praktiker. 6. Aufl., Renningen: expert-verlag, 2014.
Kuhn, A.: Zukunft der Instandhaltung, Dortmund, 22.03.2013.
Lechevalier, D.; Narayanan, A.; Rachuri, S.: Towards a domain-specific framework for predictive analytics in manufacturing. In: 2014 IEEE International Conference on Big Data (Big Data). Washington, DC, USA, 18.-22. August, 2014, Piscataway, NJ: IEEE, 2014.
Liang, B.; Hickinbotham, S.; Mcavoy, J.; Austin, J.: Condition Monitoring Under the Cloud. In: Digital Research. Oxford, 2012.
VDI/VDE-Gesellschaft Mess- und Automatisierungstechnik; ZVEI Zentralverband Elektrotechnik-und Elektronikindustrie e. V: Referenzarchitekturmodell Industrie 4.0 (RAMI4.0), Düsseldorf, April 2015.
Reinhart, G.; Engelhardt, P.; Geiger, F.; Philipp, T. R.; Wahlster, W.; Zühlke, D.; Schlick, J.; Becker, Tilman, Löckelt, Markus; Pirvu, B.; Stephan, P.; Hodek, S.; Scholz-Reiter, B.; Thoben, K.-D.; Gorldt, C.; Hribernik, K. A.; Lappe, D.; Veigt, M.: Cyber-Physische Produktionssysteme. Produktivitäts- und Flexibilitätssteigerung durch die Vernetzung intelligenter Systeme in der Fabrik. In: wt Werkstattstechnik online. 103. Jg., 2013, Nr. 2.
Susto, G. A.; Schirru, A.; Pampuri, S.; McLoone, S.; Beghi, A.: Machine Learning for Predictive Maintenance: A Multiple Classifier Approach. In: IEEE Transactions on Industrial Informatics. 11. Jg., 2015, Nr. 3.
Teti, R.; Jemielniak, K.; O'Donnell, G.; Dornfeld, D.: Advanced monitoring of machining operations. In: CIRP Annals - Manufacturing Technology. 59. Jg., 2010, Nr. 2.
VDI/VDE-Gesellschaft Mess- und Automatisierungstechnik: Industrie 4.0. CPS-basierte Automation, Düsseldorf, Juli 2014.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2016 Springer-Verlag Berlin Heidelberg
About this paper
Cite this paper
Brecher, C., Obdenbusch, M., Herfs, W. (2016). Towards Optimized Machine Operations by Cloud Integrated Condition Estimation. In: Niggemann, O., Beyerer, J. (eds) Machine Learning for Cyber Physical Systems. Technologien für die intelligente Automation. Springer Vieweg, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-48838-6_4
Download citation
DOI: https://doi.org/10.1007/978-3-662-48838-6_4
Published:
Publisher Name: Springer Vieweg, Berlin, Heidelberg
Print ISBN: 978-3-662-48836-2
Online ISBN: 978-3-662-48838-6
eBook Packages: EngineeringEngineering (R0)