Entwicklungsstand analytischer Verfahren

Sommersemester 2019

Entwicklung analytischer Datennutzung schreitet voran

Das Unterstützungssystem AutoCoP konnte auf Basis der im vorherigen Artikel vorgestellten Softwarekombinationen und Verbindungen erfolgreich um die ersten drei Reifegradstufen im wissenschaftlichen Analytics-Prozess erweitert werden. Über die deskriptive Untersuchung des Produktionsprozesses hinaus sind bereits ebenso eine reaktive Erkennung von Fehlern sowie proaktive Warn- und Empfehlungshinweise möglich.

Modellfabrik mit Datenabgriff. Die Fabriknachbildung 4.0 der Firma Fischertechnik GmbH ist ein Simulationsmodell, welches die Verkettung und den Ablauf einer Bearbeitungslinie imitiert. Auf Basis von angebrachter Sensorik wird der Produktions­ablauf aufgezeichnet. Bei der Ausführung werden die jeweiligen Maschinenkomponentenzustände an den verschiedenen Sensoren ausgelesen und durch eine speicherprogrammierbare Steuerung (SPS) verarbeitet. Ebenso findet die bildhafte Aufzeichnung auf Basis einer hochauflösenden Webkamera statt, um durch die Kombination jederzeit Ursachen auftretender Fehler rückverfolgbar zu machen. 

Transparenz (Deskriptive Analytics). Der Produktionsprozess selbst wird durch den Einsatz von Process Mining aus den gesammelten Daten nachvollziehbar. Ebenso sind mit Vergleich des identifizierbaren Standardablaufs etwaige Conformance Verstöße identifizierbar. Auch eine definierte Verbesserung des vorhandene Prozessmodelle wird möglich, um z.B. auf Basis der Zeitstempel Durchlaufzeiten zu optimieren oder potenzielle Engpässe zu erkennen (Aalst et al. 2012). Die Komplexitätsreduktion erfolgt für den Anwendern über ein selbstprogrammiertes Dashboard mit verschiedenen Untersuchungsmöglichkeiten hinsichtlich der Datenauswertung. 

Reaktiv (Diagnosic Analytics). Anhand der gewonnen Informationen aus dem vorherigen Schritt, in Kombination mit Methoden aus dem maschinellen Lernen, sind im Forschungs­projekts Vermutungen anormaler Datenmuster näher untersucht worden. Einige dieser potenziellen Fehlerzustände wurden in konkrete Überwachungs­muster überführt, sodass sie künftig vom System erkannt und zugeordnet werden. Die Lokalisierung und Benennung bei erneutem

Auftreten werden dem Nutzer über ein eigenes Dashboard präsentiert. Durch die Anbindung des redaktionelle Wissenssystem (Confluence) wird darüber hinaus relevantes Expertenwissen aus der digitalisierten, technischen Dokumentation per Link abrufbar. 

Proaktiv (Predictive Analytics). Ähnlich der reaktiven Fehlerinitialisierung und -erkennung wurde für die Umsetzung proaktiver Fehlerbehandlungen vorgegangen. Als Weiterentwicklung des reaktiven Ansatzes eingesetzt wurde versucht Assoziationsregeln und oder Schwellenwerte zu deklarieren, die Vorboten eines potenziellen Ausfalls sind. Erste proaktive Regeln liefern

bereits bei entsprechenden Datenmustern aussagekräftige Warnungen und werden

dem Nutzer ebenfalls über das eigene Dashboard mit entsprechender Confluence-Anbindung ausgegeben. Wirtschaftlich (Prescriptive Analytics). Aktuelle Forschung innerhalb des AutoCoP Projekts befasst sich mit der Weiterentwicklung aus den vorausgehenden Reifestufen der Datenaus­wertung. Um betriebswirtschaftliche Kennzahlen erweitert soll künftig auch eine wirtschaft­liche Abwägung hinsichtlich der optimalen Handlungsoption zum jeweiligen Zeitpunkt X

aus­gegeben werden können. Dies Bedarf allerdings großer Datenmengen und digital hinterlegter Erfahrungswerte, woran hiesig gearbeitet wird.

Quellennachweise: 

Etzion, O, Niblett, P, Luckham, DC (2011) Event processing in action. Manning Greenwich.

Aalst et al. 2012. „Process Mining Manifesto“. Business Process Management Workshops 2011, Part I, Lecture Notes in Business Information Processing 99:169–194.

Contact persons: Jonas Wanner und Lukas-Valentin Herm

Aktuelles

Weitere Projekte

AUTOCOP KICKOFF

AUTOCOP INTERIM