Datenparadies Fabrikhalle: So holen Unternehmen mehr aus ihren Maschinen- und Produktionsinfos heraus
Veröffentlicht am 25. September 2020 in AI

Data Science-Projektansatz: Vorbereitung, Analyse und Anwendungsentwicklung, Evaluierung und Wartung
Industrial Data Science ist eine recht neue Disziplin. Daher gibt es (noch) keine allgemein gültige Herangehensweise, die sich für jedes Unternehmen eignet. Jede Lösung und Anwendung erfordert eine maßgeschneiderte Datenanalyse und -modellierung, um das bestmögliche Ergebnis zu erzielen. Sinnvoll ist jedoch ein Standardansatz, um die besten Projektergebnisse zu erzielen. Als Basis ist beispielsweise das CRISP-DM-Modell geeignet. CRISP-DM steht für Cross-Industry Standard Process for Data Mining und ist weit verbreitet. OMRON hat CRISP-DM vereinfacht und einen neuen eigenen Ansatz entwickelt. Die vier Schritte dieses Ansatzes sind Vorbereitung, Analyse und Anwendungsentwicklung, Evaluierung sowie Wartung. Der folgende Infokasten zeigt, worauf es in den verschiedenen Phasen ankommt.Phase 1: Vorbereitung
Die Vorbereitungsphase ist die wichtigste Phase. Ein datenwissenschaftliches Projekt wird niemals erfolgreich sein, wenn das Ziel unklar ist. In diesem ersten wichtigen Schritt kümmern sich alle Beteiligten und Bereichsexperten daher zunächst um das Problem oder die spezielle Anforderung, um zu einem klar definierten Projektziel zu gelangen. Sie analysieren die Maschine und/oder den Produktionsprozess dabei detailliert, um einen Überblick zu erhalten, welche Daten bereits verfügbar sind und welche noch erfasst werden müssen. Hierbei lässt sich ein erster Datensatz als eine Art Machbarkeitsstudie sammeln und analysieren. Am Ende der Vorbereitungsphase steht ein Bericht, der Einblicke in den erwarteten generierten Wert und einen realistischen ROI gibt.Phase 2: Analyse und Anwendungsentwicklung
- Datenerhebung: Die Daten werden aus verschiedenen Quellen gesammelt – von rohen Sensordaten bis zu Informationen aus MES-Systemen.
- Daten-Vorverarbeitung: Die gesammelten Daten werden für den Analyseschritt vorbereitet, transformiert, zusammengeführt und bereinigt.
- Datenanalyse: Die entwickelten Analysealgorithmen und maschinellen Lernmodelle werden angewendet.
- Anwendung: Die Ergebnisse und Schlussfolgerungen aus der Datenanalyse werden zur Verfügung gestellt. Beispiele sind eine auf die Situation oder Zielgruppe zugeschnittene Visualisierung oder eine Rückmeldung an die Maschine.