Bewertung und Optimierung der Vollständigkeit von Betriebsdaten im Kontext der Fehlerprädiktion

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. Vor diesem Hintergrund erfolgt im Rahmen dieser Arbeit die Entwicklung einer Bewertungsmethodik, bestehend aus vier 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 (Ist-Zustand). 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. 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. 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.