Background: Today’s production facilities must be efficient in both manufacturing and maintenance. Efficiency enables the company to maintain the required output while reducing production effort or costs. With the increasing interest in process automation and the Internet of things since Industry 4.0 was introduced, such shop floors are growing in complexity. Every component of the production needs to be continuously monitored, which is the basis for predictive maintenance (PdM). To predict when maintenance is needed, the components’ conditions are monitored with the help of a condition monitoring (CM) system. However, this task is difficult for human employees, as the monitoring and analysis is very demanding. To overcome this, machine learning (ML) can be applied to ensure more efficient production. Methods: This paper aims to investigate the application of ML techniques for CM and PdM in the manufacturing sector. For this reason, a systematic mapping study (SMS) is conducted in order to structure and classify the current state of research and identify potential gaps for future investigation. Relevant literature was considered between January 2011 and May 2021. Results: Based on the guidelines for SMSs and previously defined research questions, existing publications are examined and a systematic overview of the current state of the research domain is provided. Conclusions: Techniques such as reinforcement learning and transfer learning are underrepresented, but increasingly attracting more attention. The findings of this study suggest that the most promising results belong to the applications of hybrid ML methods, where a set of methods are combined to build a more powerful model.

Die wachsende Besorgnis über den Klimawandel bewirkt, dass bei der Festlegung von Meilensteinen und Produktionsparametern für Fertigungssysteme ein größerer Fokus auf Energieeinsparung, Ressourcenschonung und Wandlungsfähigkeit gelegt wird. Dies ist auch notwendig, denn die Energiepreise steigen kontinuierlich an und durch den weltweiten Ausbruch von COVID-19 wurden die Lieferketten immer wieder gestört. Gleichzeitig hat die hohe Volatilität und Dynamik innerhalb der globalen Wertschöpfungsnetzwerke in letzter Zeit zu einer spürbaren Verkürzung der Produkt- und Technologiezyklen geführt. Darüber hinaus wandeln sich die Wünsche der Kunden, diese werden zunehmend anspruchsvoller und spezifischer. Um diesen Marktanforderungen gerecht zu werden, mussten und müssen Unternehmen ihre Fertigungsprozesse immer wieder anpassen und abwandeln. Ein wachsendes Portfolio und sinkende Auftragsvolumina (bis hin zur Losgröße 1) ergeben sich im Resultat. Um einen effektiven und effizienten Produktionsablauf zu realisieren, bedarf es ein dynamisches Regelwerk. Dieses bestimmt für die bestehenden Montagelinien und deren Fertigungszellen, unter Be- rücksichtigung des aktuellen Zustandes, auf welchen Stationen ein konkretes Produkt gefertigt werden soll. Gegenwärtig geschieht dies meist statisch über ein Manufacturing Execution System, welches für ganze Chargen entscheidet und üblicherweise nicht (oder nur schwerfällig) auf Unsicherheiten wie den Ausfall einer Operation, den Schwankungen in den Operationszeiten oder in der Qualität des Rohmaterials reagieren kann. Mit einem besonderen Fokus auf die Reduzierung der Gesamtproduktionszeit (und dem damit einhergehenden Energieverbrauch) eines Auftrags stellen wir in diesem Beitrag eine Simulationsumgebung vor, die eine Montagelinie des Industrial IoT Test Bed (an der HTW Dresden) nachbildet. Auf diese wenden wir vielversprechende Reinforcement Learning Methoden an, um für unterschiedliche Szenarien automatisiert eine kosteneffiziente Ressourcenzuweisung zu realisieren.