3-Ebenen-Analysemodell als Big Data Lösung für die Industrie

Während Entwicklungsprozessen oder der Überwachung von Betriebszuständen führen vielfältige Versuchs- und Messsysteme zu einem rasanten Anstieg von Datenmengen geprägt von unterschiedlichen Quellen und Formaten. Häufig sorgen lokale Datenablagestrukturen oder Datenredundanz für fehlende Transparenz und Verwendbarkeit des Mess- und Sensordaten.

Unser ganzheitliches Analysemodell bietet ein modernes, effizientes und maßgeschneidertes Lösungsvorgehen für die Hürden von Big Data in industriellen Anwendungen.


 



innosep
 
3-Ebenen – 5 Kernaufgaben

Ingenieursnahe und fachgerechte Ziel- und Problemidentifikation

In enger Absprache und höchster Vertraulichkeit werden die Probleme identifiziert, Ziele definiert und eine individuelle Analysestrategie ausgearbeitet

Dazu gehören u.A.:
» Analyse des Messkonzept bzw. Prozessstruktur
» Identifikation der Systemgrößen
 

Strukturierte Speicherung der auszuwertenden Rohdaten in eine effiziente Datenbank

Big Data ist charakterisiert durch das 4V-Modell: Immer mehr (Volume) polystrukturierte Daten (Variety) in kürzerer Zeit (Velocity). „Veracity“ beschreibt die Unschärfe und Unbestimmtheit, denn nicht jeder Datensatz der Messsensoren ist voll verwertbar


Dazu gehören u.A.:
» Anwendung moderner und effizienter Datenbanken (z.B. Hadoop HDFS)
» Anwendungsorientierte Daten-Zugriffsmethoden (z.B. MapReduce, Spark)

Analyse des physikalischen Systems unter Berücksichtigung der Eingang- und Ausgangsgrößen, sowie besondere Ereignisse

Bevor die Messdaten aufbereitet und mittels digitaler Signalverarbeitung verwertet werden, müssen die Messsignale analysiert und verstanden werden

Dazu gehören u.A.:
» Definieren von zielrelevanten Ereignissen, Verbindungen und Zusammenhängen
» Erfassen von (wiederkehrenden) Ereignissen (und Reaktionen) in Messsignalen
4
a

Vergangenheit und Gegenwart

Analyse des physikalischen Systems unter Berücksichtigung der Eingang- und Ausgangsgrößen, sowie besondere Ereignisse

Die Datenaufbereitung und technische Signalverarbeitung beinhaltet die Umsetzung und Interpretation der Messsignale nach der tiefgründigen Systemanalyse und bildet die Kernaufgabe im Messdatenmanagement


Dazu gehören u.A.:
» Datensatzanpassung und Korrektur (z.B. ausfiltern von falschen Signalen, Reduktion des Datensatzes etc.)
» Anwendung von diversen statistischen, mathematischen und ingenieurtechnischen Signalverarbeitung-Prozessen (z.B. Zeitbereich, Spektralbereich, Zählverfahren etc.)
b

Numerische / analytische System- und Modellvalidierung

- numerische / analytische Ebene -

Zeitunabhängig

FE-Modellerstellung zur Abbildung des realen Systems und Validierung mit erhobenen Messdaten

Die numerische Modellvalidierung erweitert durch die Abbildung und Annäherung des realen Systems die Erkenntnisse und Ergebnisse der Messdatenverarbeitung


Dazu gehören u.A.:
» Realitätsnahe und auswerterelevante FE-Modellerstellung
» Ableitung von Lasten- und Randbedingung auf Basis der vorangegangen Messdatenverarbeitung
c

Dateninterpretation für Trends, Szenarien und Vorhersagen

- synthetische / prognostische Ebene -

Szenarien und Vorhersagen (Zukunft)

Datenbankinterpretation für abstrakte und weitreichende Erkenntnisgewinnung

Aus der Kombination Messdatenverarbeitung und Simulation können (zukunftsorientierte) Trends, Vorhersagen und Handlungsempfehlungen abgeleitet werden


Dazu gehören u.A.:
» Bewertung von zu erwartenden, generischen oder möglichen Eingangssignale und Ereignissen
» Aufdecken und Auffinden von nicht detektierten und unbestimmten Vorkommnissen (intelligente Detektion und Erlernen – Machine Learning)

Individuelle und innovative Darstellung der Erkenntnisse und Ergebnisse

Effiziente, interaktive und benutzerfreundliche Visualisierung der feingranularen Erkenntnisse und Analyseergebnisse anstelle klassischem Reporting


Dazu gehören u.A.:
» Darstellung der Erkenntnisse und Ergebnisse
» Ermöglichung von individuellen Benutzereingriffe und Auswahlmöglichkeiten
 

 

big-data