Autor: Felix Reinhart

Data Science ist ein etabliertes Mittel, beispielsweise für die Wissensgewinnung aus betriebswirtschaftlichen Daten. Die fortschreitende Digitalisierung von Produkten und Produktionssystemen ermöglicht die breite Anwendung von Data Science in technischen Systemen. Die Anforderungen und Rahmenbedingungen, z. B. zur Regelung und Optimierung von Fertigungsprozessen, unterscheiden sich jedoch signifikant von etablierten Data Science Anwendungen. Industrial Data Science legt den Schwerpunkt auf die Anwendung von Datenanalyse- und maschinelle Lernverfahren für technische Systeme im industriellen Umfeld. Dieser Beitrag charakterisiert die Herausforderungen von Industrial Data Science, beschreibt Anwendungsfälle und zeigt generelle Anwendungsindikatoren für Industrial Data Science auf.

Die Anforderungen an die Verlässlichkeit, Ressourceneffizienz und Benutzungsfreundlichkeit von technischen Systemen steigen stetig. Hohe Potenziale zur Realisierung derartiger Anforderungen liefern Lösungen aus dem Kontext der Selbstoptimierung. Diese ermöglichen die Integration von intelligentem Verhalten in mechatronische Systeme mit dem Ziel, Maschinen und Anlagen zu realisieren, die sich eigenständig an sich ändernde Betriebsbedingungen anpassen. Im Rahmen des Spitzenclusters „Intelligente Technische Systeme OstWestfalenLippe (it’s OWL)“ werden Unternehmen befähigt, Potenziale der Selbstoptimierung zu erkennen und diese unter Anleitung von Experten umzusetzen. Im Rahmen dieses Beitrags wird die Leistungsfähigkeit der Lösungen am Beispiel der Lernverfahren sowie ein Vorgehen zur Potenzialanalyse vorgestellt.