Feature extraction for time series classification using univariate descriptive statistics and dynamic time warping in a manufacturing environment

West, Nikolai; Schlegl, Thomas; Deuse, Jochen

doi:10.1109/icbaie52039.2021.9389954

Cited by 9 publications

(1 citation statement)

References 22 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Random forest integrated inside the Bayesian optimization approach are one option to enable organizations to manage large-scale product quality prediction in process industrial cyber-physical systems (Wang et al, 2020). In another example, measurements such as tightening data of screw driving processes help to predict the final condition of engines without requiring end-of-line testing (West et al, 2021). Identifying process anomalies and predicting likely assembly defects with IDS enables early initiation of corrections, such as a partial deconstruction.…”

Section: Quality Management -William E Demingmentioning

confidence: 99%

Rediscovering scientific management. The evolution from industrial engineering to industrial data science

Deuse

West

Syberg

2022

Int. J. Prod. Manag. Eng.

Self Cite

View full text Add to dashboard Cite

Industrial Engineering, through its role as design, planning and organizational body of the industrial production, has been crucial for the success of manufacturing companies for decades. The potential, expected over the course of Industry 4.0 and through the application of Data Analytic tools and methods, requires a coupling to established methods. This creates the necessity to extend the traditional job description of Industrial Engineering by new tools from the field of Data Analytics, namely Industrial Data Science. Originating from the historic pioneers of Industrial Engineering, it is evident that the basic principles will remain valuable. However, further development in view of the data analytic possibilities is already taking place. This paper reviews the origins of Industrial Engineering with reference to four pioneers, draws a connection to current day usage, and considers possibilities for future applications of Industrial Data Science.

show abstract

Section: Quality Management -William E Demingmentioning

confidence: 99%

Rediscovering scientific management. The evolution from industrial engineering to industrial data science

Deuse

West

Syberg

2022

Int. J. Prod. Manag. Eng.

Self Cite

View full text Add to dashboard Cite

show abstract

Kollaborative, modulare Datenanalyse als Werkzeug im Qualitätsmanagement

Ringeln,

Legner,

Pähler

et al. 2023

Industrielle Datenanalyse

View full text Add to dashboard Cite

ZusammenfassungIm Anwendungsfall zum datengetriebenen vernetzten Qualitätsmanagement im Forschungsprojekt AKKORD arbeiten Miele, IPS und RapidMiner an der Entwicklung eines modular erweiterbaren und ganzheitlichen Analysesystems auf Basis der im Projekt entwickelten Plattform. Inhaltlich wurden dafür Daten aus dem Bereich der Feldbeobachtung gewählt, die besonders interessant sind, da sie Rückschlüsse über die erlebte Qualität beim Kunden in der Nutzungsphase zulassen. Anhand von Ersatzteilverkäufen und anderen Datensätzen werden beispielhaft Analysebausteine zu Überwachung, Abweichungserkennung und Prognose erarbeitet. Durch die Übertragbarkeit der Analysebausteine und des Vorgehens auf sehr viele ähnliche Datenquellen kann so ein modularer Baukasten entstehen, der Transparenz über die aktuelle und zukünftige Qualitätssituation schafft. Die Erstellung der Analysebausteine durch Expertinnen und Experten aus dem Qualitätsmanagement anhand von Fragestellungen aus der Praxis wird durch ihre Befähigung auf dem Gebiet der Datenwissenschaften möglich. Dieses Kapitel beschreibt die Herangehensweise aus Sicht des Qualitätsmanagements, die Unterstützung, die AKKORD hinsichtlich der Problemstellung bietet sowie beispielhafte Ergebnisse und Analysebausteine des Anwendungsfalls im Rahmen des Forschungsprojekts.

show abstract

Integrierte Datenanalyse zur Kollaboration in der Auftragsplanung

Bohlmann,

Scholten,

Desai

et al. 2023

Industrielle Datenanalyse

View full text Add to dashboard Cite

ZusammenfassungERCO ist ein international führender Spezialist für nachhaltige Architekturbeleuchtung mit LED-Technologie. Das Unternehmen möchte die Informationen aus Angeboten und Aufträgen des ERP-Systems (SAP R/3) mit Informationen aus dem Customer Relationship System (SAP CRM) anreichern und eine auf Algorithmen basierende Prognose etablieren. Diese Vorhersage soll zudem mit Daten aus Social Media Quellen bzw. der Firmenwebseite ergänzt werden. Die Daten dienen somit als Grundlage der Planung von Unternehmensressourcen. Im Rahmen der unternehmensweiten Kollaboration mit Vertriebsgesellschaften, sowie der Fertigung und der Produktion bis hin zur Lieferantenintegration, dient die Prognose der Steuerung und Justierung der Wertschöpfungskette. Hier steht die Nutzung der KI Software RapidMiner im Vordergrund, um datengetriebene und fundierte Entscheidungen in der Supply Chain zu gewährleisten. Die Grundlage der Ausführungen bildet die Ausgangssituation des Unternehmens und in der Folge wird das Prognosetool und die Datenstrukturierung beschrieben. Die Implementierung erfolgt nach dem sogenannten Cross-Industry Standard Process for Data Mining und behandelt außerdem die Herausforderungen beim Aufbau der notwendigen Kompetenzen für die industrielle Datenanalyse in der Auftragsplanung.

show abstract

Feature extraction for time series classification using univariate descriptive statistics and dynamic time warping in a manufacturing environment

Cited by 9 publications

References 22 publications

Rediscovering scientific management. The evolution from industrial engineering to industrial data science

Rediscovering scientific management. The evolution from industrial engineering to industrial data science

Kollaborative, modulare Datenanalyse als Werkzeug im Qualitätsmanagement

Integrierte Datenanalyse zur Kollaboration in der Auftragsplanung

Contact Info

Product

Resources

About