Datengetriebene Zielsystemvalidierung zur Unterstützung der aktiven Analyse von Betriebsdaten für die Entwicklung mechatronischer Systeme = Data-driven validation of the system of objectives to support the active analysis of operational data for the development of mechatronic systems

Die datengetriebene Validierung von Zielsystemelementen bietet großes Potential in der Entwicklung mechatronischer Systeme durch die Beantwortung von komplexen Fragestellungen auf Basis von Betriebsdaten. Zur Realisierung dieser Potentiale in der Praxis müssen Entwickelnde befähigt werden diese Betriebsdaten für ihre individuellen Fragestellungen analysieren zu können. Daher ist das Ziel der vorliegenden Arbeit die Entwicklung eines Prozessmodells, das Entwickelnde bei der datengetriebenen Validierung von Zielsystemelementen durch die Analyse von Betriebsdaten früherer Produktgenerationen in der Entwicklung mechatronischer Systeme methodisch unterstützt. ... mehr
Auf Basis des Stands der Forschung wird ein grundlegendes Verständnis für den Ablauf und Charakteristika bei der Analyse von Betriebsdaten geschaffen. Anhand der 65 durchgeführten Analyse-Fallstudien werden die grundlegenden Aktivitäten: Grundlagenarbeit, Interdisziplinäre Zusammenarbeit, Durchführung von Analysen und Nachbereiten und Lernen identifiziert. Mittels diverser qualitativer und quantitativer Forschungsmethoden werden 48 Herausforderungen bei der Analyse von Betriebsdaten identifiziert und den zuvor beschriebenen Aktivitäten zugeordnet. Des Weiteren werden auf Basis dieser Zuordnung die Erfolgsautoren: Kombination von Domänenwissen und -kompetenz, Verortung in der Organisation, Akzeptanz und organisatorische Infrastruktur mittels Live-Labs und Einzelworkshops mit Entwickelnden identifiziert.
Das Zielsystem für das Prozessmodell zur datengetriebenen Validierung von Zielsystemelementen wird über den Forschungszeitraum iterativ weiterentwickelt und im Rahmen der Fallstudien in der Forschungsumgebung kontinuierlich angewendet. Das Prozessmodell unterstützt Entwickelnde bei der aktiven Analyse von Betriebsdaten und berücksichtigt dabei individuelle Kompetenzprofile für eine optimale methodische Unterstützung. Der Aufbau des Prozessmodells orientiert sich an der Problemlösungsmethode SPALTEN und greift Elemente des etablierten Data Mining Prozessmodells CRISP-DM auf. Die sieben Schritte des Prozessmodells: Identifikation des Validierungsbedarfs, Beschreibung des Analyseobjekts, Identifikation von Daten und Tools, Auswahl von Daten und Tools, Risikobewertung, Datenanalyse und Entscheidung, sowie Nachbereiten und Lernen werden jeweils separat durch spezifische Methoden weiter gezielt unterstützt.
Zur Analyse des Beitrags der Anwendung des Prozessmodells zur datengetriebenen Zielsystemvalidierung wird sowohl der Aufwand zur Durchführung bewertet, die spezifischen Methoden der Prozessschritte evaluiert und abschließend die Auswirkungen auf die wahrgenommene Sicherheit und Effizienz bei datengetriebenen Entscheidungen statistisch untersucht. Die Auswertung der Aufwände zur Durchführung zeigt, dass über die Iterationen des Prozessmodells der durchschnittliche Aufwand pro Datenanalyse drastisch reduziert werden konnte. Zudem zeigen die Evaluierungen der prozessschrittspezifischen Methoden und Tools, dass sich die in Kapitel 4 formulierten Herausforderungen gut durch die entwickelten Methoden und Tools beherrschen lassen. Abschließend zeigt die statistische Analyse der wahrgenommenen Sicherheit und Effizienz bei Entscheidungen eine signifikant positive Auswirkung, wenn diese auf Basis von Datenanalysen getroffen werden.

The data-driven validation of elements in the system of objectives offers great potential in the development of mechatronic systems by answering complex questions based on operating data. To realize this potential in practice, developers must be able to analyze this operating data for their individual questions. Therefore, the aim of this work is to develop a process model that methodically supports developers in the data-driven validation of elements in the system of objectives by analyzing operating data from previous product generations in the development of mechatronic systems. ... mehrBased on the state of research, a basic understanding of the process and characteristics of analyzing operating data is created. Based on the 65 case studies conducted, the basic activities: basic research, interdisciplinary collaboration, conducting analyses, and follow-up and learning. Using various qualitative and quantitative research methods, 48 challenges in the analysis of operational data are identified and assigned to the previously described activities. Furthermore, based on this assignment, the success factors: combination of domain knowledge and competence, location in the organization, acceptance and organizational infrastructure are identified using live labs and individual workshops with developers.
The system of objectives for the process model for data-driven validation of elements in the system of objectives is iteratively developed over the research period and continuously applied in the research environment within the case studies. The process model supports developers in the active analysis of operating data and takes into account individual competence profiles for optimal methodological support. The structure of the process model is based on the SPALTEN problem-solving method and incorporates elements of the established data mining process model CRISP-DM. The seven steps of the process model – identification of the validation requirement, description of the analysis object, identification of data and tools, selection of data and tools, risk assessment, data analysis and decision, as well as follow-up and learning – are each further supported separately by specific methods.
To analyze the contribution of the application of the process model to data-driven validation of the system of objectives, the effort required to carry it out is assessed, the specific methods of the process steps are evaluated, and the effects on the perceived safety and efficiency of data-driven decisions are statistically examined. The evaluation of the effort required to carry it out shows that the average effort per data analysis could be drastically reduced over the iterations of the process model. In addition, the evaluations of the process-step-specific methods and tools show that the challenges formulated in Chapter 4 can be well mastered by the developed methods and tools. Finally, the statistical analysis of the perceived security and efficiency of decisions shows a significantly positive effect when these are made on the basis of data analysis.