Konzeption und Entwicklung eines integrierten Datenbackends für die industrielle Datenanalyse-Reference-Cited by-同舟云学术

Konzeption und Entwicklung eines integrierten Datenbackends für die industrielle Datenanalyse

Published:2023-12-23 Issue: Volume: Page:51-64
ISSN:
Container-title:Industrielle Datenanalyse
language:
Short-container-title:

Author:

Eickhoff Thomas^ORCID,Göbel Jens C.^ORCID,Apostolov Christo^ORCID,Krappe Hardy

Abstract

ZusammenfassungDie Verfügbarkeit relevanter Daten in den betreffenden Produktlebenszyklusphasen bildet eine notwendige Voraussetzung für die Durchführung industrieller Datenanalysen. Die individuelle Analysezielsetzung und die spezifischen Anforderungen des jeweiligen Anwendungsszenarios bestimmen essenzielle Randbedingungen für die technische Auslegung einer Datenanalyse-Umgebung. Ausgehend von den verschiedenen im Forschungsprojekt AKKORD analysierten Anwendungsfällen wurde ein modulares Vorgehensmodell entwickelt, das verschiedene Lösungsbausteine umfasst, um unterschiedliche Szenarien angemessen abbilden zu können. Dabei wird die Auswahl erforderlicher Lösungskomponenten und die Realisierung einer informationstechnischen Lösung durch einen an dem Cross-Industry Standard Process for Data Mining angelehnten Prozess unterstützt. Die abgedeckten Anwendungsszenarien schließen hierbei die dezentrale Vernetzung verschiedener Datenquellen ein, um die vorhandenen Datenquellen zu nutzen. Daneben wird der Aufbau eines zentralen Datenbackends für die integrierte Verwaltung aller relevanten Analysedaten ermöglicht. Um zusätzliche Flexibilität bei der Vorverarbeitung der Daten zu erreichen, wird als dritte Lösungskomponente ein Data-Warehouse-Ansatz eingesetzt. Für die in diesem Kapitel vorgestellten Datenbackend-Ansätze und Konzeptmodule wird weiterhin eine Entscheidungshilfe zur Auswahl der für einen spezifischen Anwendungsfall bestmöglichen Konfiguration vorgestellt. Abschließend werden Möglichkeiten für den Einsatz von Standardlösungen für den Aufbau des Datenbackends sowie für die Weitergabe der Daten an Analysemodule diskutiert und abgegrenzt.

Publisher

Springer Fachmedien Wiesbaden

Link

https://link.springer.com/content/pdf/10.1007/978-3-658-42779-5_5

Reference6 articles.

1. Bergsjö, D., Malmqvist, J., & Ström, M. (2006). Architectures for mechatronic product data integration in PLM systems. In Proceedings of the, 9th international design conference – Design 2006, S. 1065–1076.

2. Devlin, B., & Cote, L. D. (1996). Data warehouse: From architecture to implementation. Addison-Wesley Longman Publishing Co., Inc.

3. Eiden, A., Eickhoff, T., Göbel, J. C., Apostolov, C., Savarino, P., & Dickopf, T. (2022). Data networking for industrial data analysis based on a data backbone system. Proceedingds of the Design Society, 2, 693–702. https://doi.org/10.1017/pds.2022.71.

4. Eiden, A., Eickhoff, T., Gries, J., Göbel, J. C., & Psota, T. (2021). Supporting semantic PLM by using a lightweight engineering metadata mapping engine. Procedia CIRP, 100, 690–695. https://doi.org/10.1016/j.procir.2021.05.146.

5. Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (2000). CRISP-DM 1.0. Step-by-Step data mining guide, CRISP-DM consortium.