Prozessanalyse und Prozessoptimierung
Keywords
Wissensextraktion, Prozessverständnis, Prozessoptimierung, domänenspezifische Datenanalyse, Data Mining, Maschinelles Lernen, Integration von Domain Knowledge
Kurzbeschreibung
Häufig sind industrielle Prozesse mit einer großen Anzahl von Sensoren ausgestattet, um den Prozessablauf zu protokollieren. Die intelligente Analyse dieser Produktionsdaten beinhaltet ein großes Potential zur Extraktion von neuem Wissen über den Produktionsprozess (siehe auch Vortrag „Datenmanagement für die Industrie“). Dieses aus den Daten generierte Wissen kann genützt werden, um Optimierungspotentiale zu orten, die in weiterer Folge zur Prozessverbesserung führen können. Egal ob die individuelle Fragestellung darin liegt, - komplexe Prozesse durch datenbasiert generierte Modelle besser beschreibbar und durch diese Modelle optimierbarer zu machen, oder
- online den jeweiligen Zustand von Verschleißteilen zu überwachen, sodass ungewollte Stillstandszeiten minimiert werden können, oder ob
- ein Fehlerfrüherkennungssystem dazu benützt wird, um von einer präventiven Instandhaltung zu einer Kosten- und Ressourcen schonenden prädiktiven Instandhaltung zu kommen,
mit den vorgestellten Methoden aus den Bereichen Data Mining, Maschinelles Lernen, Predictive Analytics können unabhängig vom betrachteten Prozess verlässliche Lösungen im Unternehmen implementiert werden. Die Erzeugung von Modellen zur Wissensextraktion, Steuerung und Vorhersage aus Prozessdaten mit aktuellen Methoden aus den Bereichen Data Mining und Predictive Analytics wird häufig von Datenanalyseexperten erledigt. Um zu gewährleisten, dass die erstellten Modelle den domänenspezifischen Anforderungen genügen, sind diese auf das Fachwissen der Prozessexperten angewiesen. Die Integration dieses Fachwissens in den Prozess der datengetriebenen Modellbildung wird in Zukunft systematischer und bis zu einem gewissen Grad automatisiert erfolgen. Voraussetzung dafür ist das Formalisieren und Speichern von Fachwissen in entsprechenden domänenspezifischen Wissensbanken (z.B. in Form einer Ontologie), was eine gewisse Herausforderung darstellt, die jedoch lösbar ist, wie es z.B. in der Bioinformatik gezeigt wird. Solche Lösungen basierend auf der Verknüpfung von datengetriebenen, wissensbasierten und formallogischen Ansätzen werden rein statistische Methoden der Datenanalyse zukünftig in vielen Bereichen ersetzen und eine neue Qualität der Datenanalyse ermöglichen.