Return to search

Data Science and Analytics in Industrial Maintenance: Selection, Evaluation, and Application of Data-Driven Methods

Data-driven maintenance bears the potential to realize various benefits based on multifaceted data assets generated in increasingly digitized industrial environments. By taking advantage of modern methods and technologies from the field of data science and analytics (DSA), it is possible, for example, to gain a better understanding of complex technical processes and to anticipate impending machine faults and failures at an early stage. However, successful implementation of DSA projects requires multidisciplinary expertise, which can rarely be covered by individual employees or single units within an organization. This expertise covers, for example, a solid understanding of the domain, analytical method and modeling skills, experience in dealing with different source systems and data structures, and the ability to transfer suitable solution approaches into information systems. Against this background, various approaches have emerged in recent years to make the implementation of DSA projects more accessible to broader user groups. These include structured procedure models, systematization and modeling frameworks, domain-specific benchmark studies to illustrate best practices, standardized DSA software solutions, and intelligent assistance systems.
The present thesis ties in with previous efforts and provides further contributions for their continuation. More specifically, it aims to create supportive artifacts for the selection, evaluation, and application of data-driven methods in the field of industrial maintenance. For this purpose, the thesis covers four artifacts, which were developed in several publications. These artifacts include (i) a comprehensive systematization framework for the description of central properties of recurring data analysis problems in the field of industrial maintenance, (ii) a text-based assistance system that offers advice regarding the most suitable class of analysis methods based on natural language and domain-specific problem descriptions, (iii) a taxonomic evaluation framework for the systematic assessment of data-driven methods under varying conditions, and (iv) a novel solution approach for the development of prognostic decision models in cases of missing label information.
Individual research objectives guide the construction of the artifacts as part of a systematic research design. The findings are presented in a structured manner by summarizing the results of the corresponding publications. Moreover, the connections between the developed artifacts as well as related work are discussed. Subsequently, a critical reflection is offered concerning the generalization and transferability of the achieved results. Thus, the thesis not only provides a contribution based on the proposed artifacts; it also paves the way for future opportunities, for which a detailed research agenda is outlined.:List of Figures
List of Tables
List of Abbreviations
1 Introduction
1.1 Motivation
1.2 Conceptual Background
1.3 Related Work
1.4 Research Design
1.5 Structure of the Thesis
2 Systematization of the Field
2.1 The Current State of Research
2.2 Systematization Framework
2.3 Exemplary Framework Application
3 Intelligent Assistance System for Automated Method Selection
3.1 Elicitation of Requirements
3.2 Design Principles and Design Features
3.3 Prototypical Instantiation and Evaluation
4 Taxonomic Framework for Method Evaluation
4.1 Survey of Prognostic Solutions
4.2 Taxonomic Evaluation Framework
4.3 Exemplary Framework Application
5 Method Application Under Industrial Conditions
5.1 Conceptualization of a Solution Approach
5.2 Prototypical Implementation and Evaluation
6 Discussion of the Results
6.1 Connections Between Developed Artifacts and Related Work
6.2 Generalization and Transferability of the Results
7 Concluding Remarks
Bibliography
Appendix I: Implementation Details
Appendix II: List of Publications
A Publication P1: Focus Area Systematization
B Publication P2: Focus Area Method Selection
C Publication P3: Focus Area Method Selection
D Publication P4: Focus Area Method Evaluation
E Publication P5: Focus Area Method Application / Datengetriebene Instandhaltung birgt das Potential, aus den in Industrieumgebungen vielfältig anfallenden Datensammlungen unterschiedliche Nutzeneffekte zu erzielen. Unter Verwendung von modernen Methoden und Technologien aus dem Bereich Data Science und Analytics (DSA) ist es beispielsweise möglich, das Verhalten komplexer technischer Prozesse besser nachzuvollziehen oder bevorstehende Maschinenausfälle und Fehler frühzeitig zu erkennen. Eine erfolgreiche Umsetzung von DSA-Projekten erfordert jedoch multidisziplinäres Expertenwissen, welches sich nur selten von einzelnen Personen bzw. Einheiten innerhalb einer Organisation abdecken lässt. Dies umfasst beispielsweise ein fundiertes Domänenverständnis, Kenntnisse über zahlreiche Analysemethoden, Erfahrungen im Umgang mit verschiedenen Quellsystemen und Datenstrukturen sowie die Fähigkeit, geeignete Lösungsansätze in Informationssysteme zu überführen. Vor diesem Hintergrund haben sich in den letzten Jahren verschiedene Ansätze herausgebildet, um die Durchführung von DSA-Projekten für breitere Anwendergruppen zugänglich zu machen. Dazu gehören strukturierte Vorgehensmodelle, Systematisierungs- und Modellierungsframeworks, domänenspezifische Benchmark-Studien zur Veranschaulichung von Best Practices, Standardlösungen für DSA-Software und intelligente Assistenzsysteme.
An diese Arbeiten knüpft die vorliegende Dissertation an und liefert weitere Artefakte, um insbesondere die Selektion, Evaluation und Anwendung datengetriebener Methoden im Bereich der industriellen Instandhaltung zu unterstützen. Insgesamt erstreckt sich die Abhandlung auf vier Artefakte, die in einzelnen Publikationen erarbeitet wurden. Dies umfasst (i) ein umfangreiches Systematisierungsframework zur Beschreibung zentraler Ausprägungen wiederkehrender Datenanalyseprobleme im Bereich der industriellen Instandhaltung, (ii) ein textbasiertes Assistenzsystem, welches ausgehend von natürlichsprachlichen und domänenspezifischen Problembeschreibungen eine geeignete Klasse von Analysemethoden vorschlägt, (iii) ein taxonomisches Evaluationsframework zur systematischen Bewertung von datengetriebenen Methoden unter verschiedenen Rahmenbedingungen sowie (iv) einen neuartigen Lösungsansatz zur Entwicklung von prognostischen Entscheidungsmodellen im Fall von eingeschränkter Informationslage.
Die Konstruktion der Artefakte wird durch einzelne Forschungsziele im Rahmen eines systematischen Forschungsdesigns angeleitet. Neben der Darstellung der einzelnen Forschungsbeiträge unter Bezugnahme auf die erzielten Ergebnisse der dazugehörigen Publikationen werden auch die Verbindungen zwischen den entwickelten Artefakten beleuchtet und Zusammenhänge zu angrenzenden Arbeiten hergestellt. Zudem erfolgt eine kritische Reflektion der Ergebnisse hinsichtlich ihrer Verallgemeinerung und Übertragung auf andere Rahmenbedingungen. Dadurch liefert die vorliegende Abhandlung nicht nur einen Beitrag anhand der erzeugten Artefakte, sondern ebnet auch den Weg für fortführende Forschungsarbeiten, wofür eine detaillierte Forschungsagenda erarbeitet wird.:List of Figures
List of Tables
List of Abbreviations
1 Introduction
1.1 Motivation
1.2 Conceptual Background
1.3 Related Work
1.4 Research Design
1.5 Structure of the Thesis
2 Systematization of the Field
2.1 The Current State of Research
2.2 Systematization Framework
2.3 Exemplary Framework Application
3 Intelligent Assistance System for Automated Method Selection
3.1 Elicitation of Requirements
3.2 Design Principles and Design Features
3.3 Prototypical Instantiation and Evaluation
4 Taxonomic Framework for Method Evaluation
4.1 Survey of Prognostic Solutions
4.2 Taxonomic Evaluation Framework
4.3 Exemplary Framework Application
5 Method Application Under Industrial Conditions
5.1 Conceptualization of a Solution Approach
5.2 Prototypical Implementation and Evaluation
6 Discussion of the Results
6.1 Connections Between Developed Artifacts and Related Work
6.2 Generalization and Transferability of the Results
7 Concluding Remarks
Bibliography
Appendix I: Implementation Details
Appendix II: List of Publications
A Publication P1: Focus Area Systematization
B Publication P2: Focus Area Method Selection
C Publication P3: Focus Area Method Selection
D Publication P4: Focus Area Method Evaluation
E Publication P5: Focus Area Method Application

Identiferoai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:72318
Date02 October 2020
CreatorsZschech, Patrick
ContributorsStrahringer, Susanne, Buscher, Udo, Technische Universität Dresden
Source SetsHochschulschriftenserver (HSSS) der SLUB Dresden
LanguageEnglish
Detected LanguageEnglish
Typeinfo:eu-repo/semantics/publishedVersion, doc-type:doctoralThesis, info:eu-repo/semantics/doctoralThesis, doc-type:Text
Rightsinfo:eu-repo/semantics/openAccess
Relation10.1007/s12599-020-00642-3, 10.1007/s12599-019-00596-1

Page generated in 0.0029 seconds