Bewertung und Optimierung der Vollständigkeit von Betriebsdaten im Kontext der Fehlerprädiktion

• Assessing and optimizing completeness of operational data in the context of defect prediction

Schlegel, Peter; Schmitt, Robert H. (Thesis advisor); Kampker, Achim (Thesis advisor)

1. Auflage. - Aachen : Apprimus Verlag (2022)
Buch, Doktorarbeit

In: Ergebnisse aus der Produktionstechnik 36/2022
Seite(n)/Artikel-Nr.: 1 Online-Ressource : Illustrationen, Diagramme

Dissertation, RWTH Aachen University, 2022

Kurzfassung

Die Leistungsfähigkeit datenbasierter Modelle der Fehlerprädiktion hängt stark von der Qualität der zugrundeliegenden Daten und damit von deren Eignung für den individuellen Anwendungsfall ab. Als eine der zentralen Dimensionen der Datenqualität ist insbesondere die kontextspezifische Vollständigkeit von Betriebsdaten in der Praxis häufig nur unzureichend gegeben. Lücken in der Datenbasis hemmen damit massiv die Wertschöpfung aus Daten. Das Ziel dieser Arbeit ist daher die Schaffung von Transparenz durch die Bewertung der Vollständigkeit von in Betriebsdaten erfassten Informationen im Kontext der Fehlerprädiktion. Die Zielstellung umfasst darüber hinaus, diese Transparenz für die Optimierung ebenjener Vollständigkeit zu nutzen, um so die Eignung der Daten für die Fehlerprädiktion zu verbessern. Bestehende Ansätze basieren auf sehr generischen Bewertungsschemata ohne den Analysekontext der Fehlerprädiktion und weisen ein deutliches Defizit hinsichtlich der systematischen Optimierung der Vollständigkeit auf. Vor diesem Hintergrund erfolgt im Rahmen dieser Arbeit die Entwicklung einer Bewertungsmethodik, bestehend aus vier wesentlichen und aufeinander aufbauenden Modulen. Zunächst erfolgt im ersten Modul, der Prozess- und Informationsmodellierung, die Modellierung relevanter Prozesse der Produktionskette sowie die damit verknüpfte Aufnahme und Klassifizierung systemseitig erfasster Informationen. Durch deren Visualisierung wird eine Übersicht des Ist-Zustands der entlang der Produktionskette erfassten Informationen geschaffen. Im Rahmen des zweiten Moduls wird die Identifikation und Gewichtung potenzieller Fehlereinflussgrößen adressiert, um den Soll-Zustand der Informationserfassung im Kontext der Fehlerprädiktion zu ermitteln. Im Mittelpunkt dessen steht die Formulierung von kausalen Zusammenhängen in Form von quantitativen Thesen auf Basis von explizitem und implizitem Wissen. Der darauffolgende Vergleich von Ist- und Soll-Zustand erfolgt im dritten Modul in Form einer quantitativen Vollständigkeitsbewertung. Im Fokus dessen steht die Entwicklung einer kontextspezifischen Bewertungsmetrik. Durch eine qualitative Visualisierung der hieraus resultierenden Kennzahlen im Prozessmodell wird Transparenz in Bezug auf Lücken in der Informationserfassung geschaffen. Im vierten und letzten Modul wird die Ableitung konkreter Empfehlungen zur Optimierung der Vollständigkeit im Sinne einer modellbasierten Entscheidungsunterstützung expliziert. Dabei werden auf Basis der entwickelten Metrik modellgestützt Handlungsalternativen identifiziert und priorisiert, um die Vollständigkeit der in Betriebsdaten erfassten Informationen zu maximieren. Abschließend wird die entwickelte Methodik an einem Fallbeispiel aus der industriellen Praxis angewendet und validiert sowie die zugrundeliegende Lösungshypothese dieser Arbeit geprüft. Durch eine Vergleichsbetrachtung der Klassifikationsgüte prädiktiver Modelle mit den korrespondierenden Vollständigkeitskennzahlen kann im Rahmen des Fallbeispiels eine Verbesserung der kontextbezogenen Dateneignung unter Anwendung der Methodik gezeigt werden.

Einrichtungen

• Werkzeugmaschinenlabor WZL der RWTH Aachen [417200]
• Lehrstuhl für Fertigungsmesstechnik und Qualitätsmanagement [417510]