Data Maturity in Production: Vorgehensmodell zur Analyse und Bewertung der Datenverfügbarkeit und -qualität zur Anwendung maschineller Lernverfahren in produzierenden Unternehmen

Bildquelle: blog.qad.com

Ausgangslage:

Die digitale Transformation der Produktion verspricht, die Produktivität im Inland zu steigern und neue Geschäftspotenziale zu erschließen. Das Revolutionäre an Industrie 4.0 ist nicht allein die Digitalisierung der Produkte und ihrer Produktion, sondern die Möglichkeit technische Systeme in Echtzeit zu vernetzen. Die dadurch gewonnenen Daten können mit Methoden des maschinellen Lernens (ML), einem Teilgebiet der Künstlichen Intelligenz (KI), nutzbringend ausgewertet und daraus neues Wissen generiert werden. Mit zunehmender Rechen- und Speicherleistung durch Cloud Computing aber auch in lokalen Edge-Geräten lassen sich komplexe Algorithmen, etwa Verfahren des Deep Learnings, zur Prozess- und Qualitätsverbesserung im Produktionsumfeld einzusetzen. Die Datenverfügbarkeit und -qualität haben eine herausragende Bedeutung für die Anwendbarkeit maschineller Lernverfahren sowie die Güte der resultierenden Ergebnisse. Bisher befassen sich jedoch nur wenige wissenschaftliche Arbeiten mit der systematischen Analyse und Bewertung der „Datenreife“.

Aufgabenstellung:

Im Rahmen dieser bereichsübergreifenden Abschlussarbeit soll daher ein Vorgehensmodell entwickelt werden, anhand dessen die Datenreife im produktionstechnischen Umfeld systematisch analysiert und bewertet werden kann. Daraus ergeben sich folgende Arbeitspakete:

  • Einarbeitung in die relevanten Grundlagen des maschinellen Lernens
  • Strukturierte Aufbereitung der verschiedenen ML-Anwendungen in der Produktion
  • Identifizierung und Vergleich bestehender Vorgehensweisen im Bereich Industrie 4.0, Data Analytics, Data Mining, Maschinelles Lernen
  • Ableiten eines geeigneten Vorgehensmodells zur systematischen Analyse und Bewertung der „Datenreife“ in der Produktion unter Berücksichtigung sowohl technischer als auch wirtschaftlicher Gesichtspunkte
  • Ggf. Validierung des Vorgehensmodells anhand eines Fallbeispiels aus der Industrie bzw. den verschiedenen Forschungsbereichen des Lehrstuhls FAPS
  • Dokumentation der Arbeit

Nähere Informationen gerne auf Anfrage im persönlichen Gespräch. Beginn, Umfang und genaue Ausrichtung der Arbeit erfolgen nach Absprache und persönlichem Interesse.

Hinweise und Bewerbung:

  • Forschung im Trendthema Industrie 4.0, KI und ML
  • IT-Affinität vorausgesetzt, zielgerichtete Einarbeitung anhand von Vorarbeiten möglich
  • Bewerbungen bitte per E-Mail mit Lebenslauf und aktueller Fächerübersicht an beide Ansprechpartner, d.h. andreas.mayr@faps.fau.de und dominik.kisskalt@faps.fau.de

Ansprechpartner

Dominik Kißkalt, M.Sc.

Andreas Mayr, M.Sc., M.Sc.

Beispiel: Gartner’s Analytics Maturity Model

Kategorien:

Fachbereich:

Effiziente Systeme

Art der Arbeit:

Bachelorarbeit, Diplomarbeit, Hauptseminar, Masterarbeit, Projektarbeit, Studienarbeit

Studiengang:

Energietechnik, Informatik, IPEM, Maschinenbau, Mechatronik, Medizintechnik, Wirtschaftsingenieurwesen

Technologiefeld:

Fertigungsregelung und Intralogistik, Handhabung und Montagetechnik, Medizintechnik, Planung und Simulation, Software Engineering, Künstliche Intelligenz und maschinelles lernen