Title: Design and Development of a Prototype of a Text Understanding Tool for Maintenance 4.0 by Measuring Associations, Readability and Sentiment (TU-MARS)
Language: English
Authors: Madreiter, Theresa 
Keywords: Knowledge Discovery; Text Understanding; Smart Factories
Knoweldge Discovery; Text Understanding; Smart Factories
Advisor: Sihn, Wilfried 
Assisting Advisor: Ansari Chaharsoughi, Fazel  
Issue Date: 2020
Number of Pages: 104
Qualification level: Diploma
Abstract: 
Industrie 4.0 bezeichnet die vierte industrielle Revolution, wobei es um die intelligen-te Gestaltung von Fabriken und Produktionsstätten geht. Um eine solche intelligente Herstellung zu gewährleisten wird der Ansatz verfolgt Produktions- und Instandhal-tungsstrategien mit Hilfe analysierter Daten möglichst „smart“ zu gestalten. Dabei wird eine Vielzahl von Daten analysiert, wodurch dann beispielsweise die Effizienz der Produktionsstätte oder der Zustand einer Maschine in Echtzeit ermittelt werden kann. Durch das Sammeln und Analysieren sämtlicher verfügbaren Daten können produktionsrelevante Rückschlüsse gezogen und die Produktionsplanung sowie -steuerung angepasst werden Eine erkennbare Lücke existiert jedoch in der Erfas-sung und Analyse textueller Daten, die in Form von Instandhaltungsberichten oder Maschinendatenblättern vorliegen. Diese textuellen Daten sind zwar oft vorhanden, werden jedoch oftmals nicht weiter analysiert und mit anderen Daten kombiniert. Dadurch geht wertvolles, in Texten gespeichertes Wissen oft verloren. Dies ist ins-besondere im Falle der Instandhaltung fatal. Fehlende Informationen aus Instand-haltungsberichten können zu einem höheren menschlichen Versagen und verspäte-ten Fehlerentdeckungen führen, da zukünftige Instandhaltungsaktivitäten nicht durch bereits vorhandene, analysierte Instandhaltungsberichte unterstützt werden können. Daher versucht das vorgestellte prototypische Text Mining Tool TU-MARS ein men-schenähnliches Textverständnis zu erzielen, um somit mehr Informationen aus In-standhaltungsberichten extrahieren zu können und dadurch künftiges menschliches Versagen zu minimieren und Fehler möglichst schnell zu detektieren. TU-MARS ist in der Lage Informationen wie die Lesbarkeit der Berichte, die Stimmung der Berich-te sowie die Assoziationen innerhalb der Berichte zu ermitteln. Dazu erfolgt im ers-ten Schritt eine Literaturrecherche zum Thema Industrie 4.0, wobei insbesondere auf Smart Factories sowie deren wesentliche Eckpunkte eingegangen wird. Im zwei-ten Kapitel erfolgt die Erarbeitung des Themas Text Mining. Im Zuge dessen werden die wesentlichen Aspekte des Text Minings und die Möglichkeiten zur Informations-gewinnung aus Text aufgezeigt, sowie die dazu angewandten Algorithmen. Durch das Aufgreifen des Themas Instandhaltung in der Industrie 4.0 wird aufgezeigt, wel-che Instandhaltungsstrategien im Bereich der intelligenten Herstellung existieren und welche Daten dazu benötigt werden. Ein wesentlicher Punkt sind dabei die In-formationen aus den von Instandhaltungsmitarbeitern verfassten Instandhaltungsbe-richten. Daher wird mit TU-MARS eine Software entwickelt, welche in der Lage ist für Instandhaltungsberichte einen Wert für die Textverständlichkeit, sowie einen zu-gehörigen Assoziationsmessungsindex zu berechnen.

Industry 4.0 refers to the fourth industrial revolution, focusing on intelligent manufac-turing. In order to achieve smart manufacturing processes, production and mainte-nance strategies are designed, through analysing large amounts of data. Therefore, a lot of data is captured and analysed in real-time, making it possible to determine the efficiency of a factory or the condition of a machine. By collecting and analysing all of the available data, production relevant conclusions can be drawn which can then be used to adapt the production-planning and -control. However, there is a gap when it comes to collecting and analysing textual data, that exists in form of mainte-nance reports or machine data sheets. The textual data is often present but ignored and not combined with other data. By ignoring that kind of data, the stored knowledge in these documents is lost. In case of maintenance, this can be fatal. Missing information can lead to a higher human failure rate as well as a late failure detection, since future maintenance actions cannot be supported by already written and analysed maintenance reports. In this work, a concept for knowledge extraction from textual data in the context of Industry 4.0 is presented. The therefore proposed text mining tool TU-MARS aims to achieve a human like text understandability that helps to increase the explication of human knowledge, prevent human failure and make an early failure detection possible. TU-MARS extracts information such as the readability, the sentiment and the associations from maintenance reports. For this matter in a first step, a comprehensive literature search is done covering the subject of Industry 4.0 and especially the core building blocks, the smart factory, as well as its significant key features. In the second step, the aspects of text mining are dis-cussed, especially how to extract information from text and which algorithms can be applied in order to achieve a human like text understanding. The discussion of maintenance for Industry 4.0 presents the existing maintenance strategies for intelli-gent manufacturing as well as the relevant data for maintenance. An important point is the information that can be extracted from maintenance reports written by mainte-nance employees. Hence, TU-MARS, a software prototype that is capable of analys-ing reports and calculating a value for text understandability as well as an associa-tion measuring index, is developed.
URI: https://doi.org/10.34726/hss.2020.63744
http://hdl.handle.net/20.500.12708/15107
DOI: 10.34726/hss.2020.63744
Library ID: AC15679541
Organisation: E330 - Institut für Managementwissenschaften 
Publication Type: Thesis
Hochschulschrift
Appears in Collections:Thesis

Show full item record

Google ScholarTM

Check


Items in reposiTUm are protected by copyright, with all rights reserved, unless otherwise indicated.