Regression

Mit zunehmender Datenverfügbarkeit wird der Einsatz Maschinellen Lernens zur Steuerung und Optimierung von Supply Chains attraktiver, da die Qualität der Datenauswertung erhöht und gleichzeitig der Aufwand gesenkt werden kann. Anhand des SCOR-Modells werden exemplarische Ansätze als Orientierungshilfe eingeordnet und dazu passende Verfahren des Maschinellen Lernens vorgestellt.

Im BMBF-geförderten Verbundprojekt „Provenance Analytics“ werden an der Bauhaus-Universität Weimar gemeinsam mit der Hochschule Ostwestfalen-Lippe Verfahren und Technologien zur Anomalieerkennung in Sensordaten erforscht. Im vorliegenden allgemeinen Überblicksbeitrag tellen wir wichtige Verfahren zur Anomalieerkennung in Sensordatenströmen und zur Prognose von Maschinenausfällen im Industrie-4.0-Kontext kurz vor und skizzieren die von uns geplanten Forschungsarbeiten. Der Beitrag ist wie folgt gegliedert: Nach einer kurzen Klärung des Anomaliebegriffes werden im Hauptteil verschiedene Anomalietypen und Verfahren zur Anomalieerkennung eingeführt. Dabei wird deutlich, dass die existierenden Verfahren oft nicht sämtliche zur Verfügung stehende Informationen benutzen, was wiederum bei der Entwicklung besserer Verfahren berücksichtigt werden sollte.