Ganzheitliches Vorgehen zur Nutzung von Daten im Ingenieurbe­reich (DMME)

Motivation

In cyber-physischen Produktionssystemen sind Datenanalysen von grundlegender Bedeutung für Aufgaben wie Optimierung von System und Prozess sowie der vorausschauenden Wartung. Für die Anwendung datengetriebener Methoden in industriellen Anwendungen stellt das Vorgehen nach CRISP-DM einen De-facto-Standard dar. CRISP-DM spezifiziert jedoch keine Datenerfassungsphase innerhalb von ingenieurtechnischen Szenarien. Deshalb wurde CRISP-DM zum DMME (Data Mining Methodology for Engineering Applications) erweitert. DMME bietet eine Kommunikations- und Planungsgrundlage für die Anwendung datengetriebener Methoden im Fertigungsbereich, einschließlich des Entwurfs und der Bewertung der Infrastruktur für die prozessintegrierte Datenerfassung. Darüber hinaus beinhaltet die Methodik Funktionen der Versuchsplanung zur systematischen und effizienten Identifizierung relevanter Wechselwirkungen.

Methodischer Ablauf

Bild 1: Struktur des methodischen Ablauf von DMME

Bild 2: Schritte für den Aufbau des technischen Verständnisses

Bild 3: Schritte für den Entwurf der technischen Lösung

Der methodische Ablauf von DMME durchläuft zusammengefasst folgende Schritte. Details wurden in [1, 2, 3] publiziert.

• Geschäftsziele
  • Festlegung der Unternehmensziele
  • Definition der Data-Mining-Ziele
  • Erstellung eines Projektplans
• Technisches Verständnis & Konzeption (Bild 2)
  • Festlegung der technischen Ziele
  • Analyse der technischen Situation
  • Konzeptualisierung der technischen Lösung
  • Versuchsplanung und Projektplan
• Technische Umsetzung & Test (Bild 3)
  • Prototypische Realisierung der Versuchsumgebung
  • Test des Konzepts
  • Experimente durchführen und Daten sammeln
• Daten Verstehen
  • Prüfung der Daten im Hinblick auf Datenformate, Lesbarkeit, Datenqualität usw.
  • Analyse der Daten im Hinblick auf die angestrebten physikalischen Effekte
  • Ableitung von Verbesserungsbedarf bei der Konzeption der Datenerfassung
• Datenaufbereitung
  • Auswahl und Integration von Datensätzen für die Modellbildung
  • Daten bereinigen. Korrigieren oder entfernen von fehlerhaften Werten
  • Neue Parameter aus vorhandenen Parametern konstruieren
  • Daten so formatieren, dass sie von Algorithmen oder Software verarbeitet werden können
• Modellerstellung
  • Auswahl von Modellierungstechniken oder Algorithmen
  • Erstellung des Modells in der Analysesoftware
  • Erstellung eines Testdesigns mit Trainings-, Test und Validierungsdatensätzen
  • Berechnung der Modelle und iterative Modellanpassung
• Modellevaluierung
  • Modelle für Zielwerte auswerten
  • Verbesserung der Modellgenauigkeit durch Iterieren des Projektablaufs und durch kontinuierliches Training
  • Bewertung der Modelle und Entscheidung für das Modell, das die geschäftlichen Erfolgskriterien am besten erfüllt
• Implementierung
  • Übertragung des Prototyps in den Produktivbetrieb
  • Planung und Management der Überwachung und Wartung der datenbasierten Anwendung
  • Projektrückschau und weitere Verbesserung der Lösung

Aktuelle Forschungsarbeiten

In den Forschungs- und Entwicklungsprojekten legen wir DMME für eine systematische Arbeitsweise zugrunde. Gegenstand der aktuellen Arbeiten sind neben der Lösung der fachlichen, ingenieurtechnischen Aufgabenstellung unterstützende Elemente wie Workshop-Konzepte, Checklisten oder Hilfestellungen für die praktische Umsetzung von DMME.

Für Unternehmen bieten wir Beratungen sowie Qualifizierungsformate an.

Publikationen

3	Drowatzky, L.; Wiemer, H.; Ihlenfeldt, S.: Data Mining Suitable Digitization of Production Systems – A Methodological Extension to the DMME. In: Liewald, M., Verl, A., Bauernhansl, T., Möhring, HC. (eds) Production at the Leading Edge of Technology. WGP 2022. Lecture Notes in Production Engineering. Springer, Cham. https://doi.org/10.1007/978-3-031-18318-8_53
2	Wiemer, H. ; Drowatzky, L. ; Ihlenfeldt, S. : Data Mining Methodology for Engineering Applications (DMME) – A Holistic Extension to the CRISP-DM Model. In: MDPI Applied Sciences 9 (2019), Nr. 12, S. 2407 DOI: 10.3390/app9122407
1	Huber, S. ; Wiemer, H. ; Schneider, D. ; Ihlenfeldt, S. : DMME: Data Mining Methodology for Engineering Applications – A Holistic Extension to the CRISP-DM Model. 12th CIRP Conference on Intelligent Computation in Manufacturing Engineering, 18-20 July 2018, Gulf ofNaples, Italy, 2018 https://doi.org/10.1016/j.procir.2019.02.106