In insgesamt sieben Bl\u00e4ttern gibt die Richtlinie eine umfassende Einblick. Durch die breite F\u00e4cherung der Expertisen der Mitglieder des Richtlinienausschusses konnten wertvolle Erkenntnisse aus Praxis und Wissenschaft in konsolidierter Form, zugeschnitten auf die Fragestellungen der produzierenden Industrie zusammengetragen werden. Hier eine kurze \u00dcbersicht mit den wichtigsten Inhalten.<\/p>\n Blatt 1<\/a> bildet den Rahmen der gesamten Richtlinie. In kurzen Abschnitten werden alle Schritte von Big-Data-Analysen beleuchtet und die wichtigsten Aspekte angesprochen. Von der Planung \u00fcber die Durchf\u00fchrung bis hin zu einer nachhaltigen Nutzung resultierender Big-Data-Anwendungen. Big-Data-Projekte sind vielf\u00e4ltig in der Anwendung mit unterschiedlichsten Anforderungen wie die Sicherstellung einer ausreichenden Datenqualit\u00e4t, sowie der Bereitstellung der Daten in einer Datenbank, \u00fcber Fragen der Datensicherheit, bis hin zu unterschiedlichen Ausbaustufen der Anwendungen. Hinzu kommen spezielle Anforderungen an die Datenaufbereitung und Modellierung, die industrielle Produktionsprozesse mit sich bringen.<\/p>\n Blatt 2<\/a> veranschaulicht sehr anwendungsbezogen 19 Dimensionen der Datenqualit\u00e4t, die sich in vier Kategorien aufteilen . Sei es die vollst\u00e4ndige Zug\u00e4nglichkeit aller Daten eines Messger\u00e4ts, die richtige Aufl\u00f6sung der Daten, damit alle Informationen gespeichert werden, die Wichtigkeit von Metadaten, um den Inhalt der Daten verstehen zu k\u00f6nnen oder die blo\u00dfe Verf\u00fcgbarkeit und Fehlerfreiheit aller relevanten Daten – um nur einige zu nennen. Alle relevanten Aspekte zur Datenqualit\u00e4t werden im Einzelnen beschrieben und anhand von Beispielen aus der industriellen Praxis illustriert.<\/p>\n Blatt 3<\/a> besch\u00e4ftigt sich mit der Bereitstellung von Daten aus verschiedenen Datenquellen in einer f\u00fcr eine Datenanalyse geeigneten Form. Der hierzu notwendige ETL-Prozess umfasst die Extraktion (Extract), Umwandlung und Bereinigung (Transform) sowie das Zusammenf\u00fchren (Load) der Daten.<\/p>\n Auch hier bestehen Besonderheiten, die f\u00fcr die produzierende Industrie je nach Art des Prozesses beachtet werden m\u00fcssen, denn Daten, die in einem Prozess aufgezeichnet werden, sind nicht kausal. Durch die Abfolge von unterschiedlich langen Verarbeitungsschritten m\u00fcssen Ursache und Wirkung in den Daten daher zun\u00e4chst in einzelnen Datens\u00e4tzen zusammengefasst werden. Je nach Prozess – ob St\u00fcckgutfertigung, Batchprozess oder kontinuierlicher Prozess – enth\u00e4lt Blatt 3 Hinweise zur Datenaufbereitung. Dar\u00fcber hinaus finden sich hier erste Hinweise zur Beurteilung der Daten mit statistischen Methoden sowie zur Datenbereinigung.<\/p>\n Blatt 4<\/a> bietet eine \u00dcbersicht \u00fcber die derzeit g\u00e4ngigen Analyseverfahren mit einer kurzen Beschreibung gefolgt von anschaulichen Beispielen. Hierdurch bekommt der Leser sowohl einen Einblick in die verschiedenen Bereiche der Datenanalysen wie Regressionsanalyse, Clusteranalyse oder Anomaliedetektion, aber durch die Beschreibung der Anwendungsgebiete sowie praktischer Anwendungsf\u00e4lle auch eine Idee, f\u00fcr welche Fragestellungen entsprechende Algorithmen vielversprechende Ergebnisse liefern k\u00f6nnen.<\/p>\n Blatt 5<\/a> besch\u00e4ftigt sich auf einer abstrakteren Ebene mit der Modellbildung selbst. Es beschreibt datengetriebene und wissensbasierte Methoden anhand des Box-Ansatzes in Form von White- und Black-Box Modellen. Je nach Wissensstand \u00fcber das Systemverhalten biet sich der ein oder andere Ansatz an. Wann welches Box-Modell zu w\u00e4hlen ist und was die Vor- und Nachteile sind, wird ebenso beschrieben, wie die M\u00f6glichkeit der Kombination beider Ans\u00e4tze in Grey-Box Modellen.<\/p>\n Typischerweise weisen Produktionsprozesse ein Zeitverhalten aus, das hei\u00dft eine \u00c4nderung von Prozessparametern f\u00fchrt erst verz\u00f6gert zu einer Ver\u00e4nderung in nachfolgenden Prozess. Auch hier gibt es abh\u00e4ngig von der Dynamik des Prozesses verschiedene Herangehensweisen, dieses Verhalten durch Modelle abzubilden. Wie diese aussehen und wie sie sich in der Praxis umsetzen lassen, ist ebenfalls in Blatt 5 beschreiben.<\/p>\n Blatt 6<\/a> zeigt verschiedene Metriken und Methoden auf, die notwendig sind, um Modelle zu validieren und auf ihre Einsetzbarkeit in Big-Data-Anwendungen zu pr\u00fcfen. Die Metriken werden sowohl f\u00fcr Regressions- als auch Klassifikationsmodellen beschrieben. Neben der zwingend durchzuf\u00fchrenden Validierung spielt die Plausibilit\u00e4t der Modelle eine gro\u00dfe Rolle. Anhand eines datengetriebenen Modells wird die Wichtigkeit dieser Pr\u00fcfung unterstrichen und die Herangehensweise beispielhaft illustriert.<\/p>\n Blatt 7<\/a> veranschaulicht die verschiedenen Ausbaustufen von Big-Data-Anwendungen. Angefangen von der Verwertung von Erkenntnissen aus der Datenanalyse beispielsweise in Form von der Neueinstellung von Prozessparametern \u00fcber den Einsatz der Modelle als Softsensoren bis hin zur h\u00f6chsten Ausbaustufe des Echtzeitoptimierers. Welche Voraussetzungen hierf\u00fcr notwendig sind, welche Sicherheitsaspekte zwingend zu beachten sind und wie eine Umsetzung aussehen kann, ist anhand von Umsetzungsbeispielen anschaulich dargestellt.<\/p>\n Die Zielstellungen von Big-Data-Projekten k\u00f6nnen sehr unterschiedlich sein. Ebenso die Verwendung der jeweiligen Algorithmen. Es gibt jedoch einige zentrale Punkte, die alle Anwendungen betreffen.<\/p>\n Um bestm\u00f6gliche Ergebnisse sicherzustellen, m\u00fcssen alle Daten der Prozesskette zugreifbar sein. Dieses betrifft Rohstoffdaten, Maschinen- und Prozessdaten sowie Qualit\u00e4tsdaten. Aber auch Daten, die zur Produktverfolgung oder zur Identifizierung von Prozesszust\u00e4nden vorliegen, sind notwendig, um den Prozess eindeutig beschreiben und Daten korrekt zuordnen zu k\u00f6nnen.<\/p>\n Da die Daten in der Regel aus unterschiedlichen Datenquellen stammen, m\u00fcssen diese entweder in einer \u00fcbergeordneten Datenquelle verf\u00fcgbar gemacht oder in einer Datenbank zusammengef\u00fchrt werden. Offene Schnittstellen wie beispielsweise OPC\/UA k\u00f6nnen den Aufwand hier deutlich verringern. Ebenso bietet das Offenlegen von Daten durch Maschinenhersteller zus\u00e4tzliches Potential.\u00a0 Maschineninterne Daten weisen h\u00e4ufig einen zus\u00e4tzlichen Informationsgehalt auf, der sonst ungenutzt bleibt.<\/p>\n Aber Unmengen von Daten helfen nichts, wenn ihre Qualit\u00e4t nicht sichergestellt ist. Letztendlich entscheidet sie \u00fcber den Erfolg der Datenanalyse. Ein Modell kann nur so gut sein, wie die Qualit\u00e4t seiner Daten. Nicht umsonst hat sich der Ausspruch “Shit in – Shit out” etabliert. Hierzu geh\u00f6rt auch die korrekte Aufbereitung der Daten. In der produzierenden Industrie typisch beispielsweise die Vorverarbeitung von Daten mit Zeitverhalten oder die Bestimmung charakteristischer Kenngr\u00f6\u00dfen aus Batchdaten.<\/p>\n Modelle k\u00f6nnen in unterschiedlicher Weise zur Wertsch\u00f6pfung beitragen. Von der Erh\u00f6hung des Prozesswissens bis hin zu einem Einsatz von Modellen in Produktionsprozessen. Sofern Modelle selbst oder Erkenntnisse hieraus eingesetzt werden, um den Prozess in irgendeiner Weise zu beeinflussen m\u00fcssen sowohl die G\u00fcte der Modelle und deren Plausibilit\u00e4t eingehend gepr\u00fcft werden. Nur so kann die vorhandene Unsch\u00e4rfe von Modellen abgesch\u00e4tzt und bei ihrem Einsatz in Form von Sicherheitsmechanismen ber\u00fccksichtigt werden. Bei einem Online-Einsatz sind ebenfalls Sicherheitsbetrachtungen bez\u00fcglich Software und Systemstruktur durchzuf\u00fchren.<\/p>\n Viele Dinge, die gerade f\u00fcr Neulinge in diesem Themenbereich zu beachten sind. Daher lohnt sich ein Blick in die Richtlinie. Viel Spa\u00df dabei!<\/p>\n Hinweis: Von der Richtlinie VDI 3714 befindet sich aktuell Blatt 3 im Gr\u00fcndruck. Das hei\u00dft: Es k\u00f6nnen von Fachleuten noch Einspr\u00fcche eingereicht werden. Die weiteren Bl\u00e4tter werden im Laufe des Jahres erscheinen. Blatt 1 und Blatt 2 sind in Kraft getreten.<\/p>\n <\/p>\n Analysieren Sie Ihre Daten – Schritt 1: Define<\/a><\/p><\/blockquote>\n![\"\"](\"https:\/\/www.yokogawa.com\/eu\/blog\/app\/uploads\/sites\/8\/2022\/06\/VDI-300x300.png\")
Egal ob Sie wie in der genannten Serie das Six Sigma<\/a> Prozessmodell benutzen oder andere etablierte Modelle wie CRISP-DM<\/a> oder SEMMA<\/a> in Ihrem Unternehmen verankert haben, die Abfolge von Schritten einer Big Data Analyse bleibt gleich. Daher haben wir uns im Richtlinienausschuss dagegen entschieden, eines dieser Prozessmodelle heranzuziehen oder gar ein neues zu entwickeln. Alle Schritte lassen sich ohne Weiteres in die Struktur der Modelle eingliedern, so dass Unternehmen ihre eigenen Standards beibehalten k\u00f6nnen. Oder eben – gerade im Falle von Unternehmen, f\u00fcr die es ein neues Themenfeld ist – einfach dem Workflow folgen.<\/p>\nBlatt 1: Durchf\u00fchrung von Big-Data-Projekten<\/h2>\n
Blatt 2: Datenqualit\u00e4t<\/h2>\n
Blatt 3: Datenbewirtschaftung<\/h2>\n
Blatt 4: Analyseverfahrensklassen<\/h2>\n
Blatt 5: Modellierungsverfahren<\/h2>\n
Blatt 6: Validierung von Modellen<\/h2>\n
Blatt 7: Online-Anwendung von datengetriebenen Modellen<\/h2>\n
Das Wichtigste auf einen Blick<\/h2>\n
\n