Dieses Kapitel beschreibt die konzeptionelle und technische Umsetzung eines anschaulichen Anwendungsszenarios für die AKKORD-Plattform. Ziel des umgesetzten Demonstrators ist es, den Nutzen der Plattform-Komponente AI-Toolbox für industrielle Datenanalysen zu veranschaulichen und die Akzeptanz bei Anwendern zu erhöhen. Der Demonstrator basiert auf einer digitalen Modellautorennbahn im Maßstab 1:32, bei der Daten aus verschiedenen Quellen erfasst und analysiert werden, beispielsweise Rennevents und Tankständen der Autos. Die gesammelten Daten werden über eine Bluetooth-Schnittstelle eines Raspberry Pis verfügbar gemacht. Zugriffs-, Analyse- und Nutzungsmodule der AKKORD-Plattform werden eingesetzt, um den Datenzugriff, die Datenanalyse und die Visualisierung der Analyseergebnisse für Anwender zu ermöglichen. Beispielhafte Analysen sind die Identifikation von Rennsieger:innen, die Berechnung der Renngeschwindigkeiten und die Prognose zukünftiger Rennsieger:innen. Die Analyseergebnisse werden in Dashboards präsentiert, um den Anwendern gehaltvolle Informationen über ihr Fahrverhalten und weitere Aspekte des Rennens zu bieten. Der Demonstrator soll den Einstieg in industrielle Datenanalysen für Anwender erleichtern und ihnen helfen, Potenziale für ihre individuellen Anwendungen der AKKORD-Plattform zu entdecken. Darüber hinaus leistet der Demonstrator einen wichtigen Beitrag zur Validierung der konzeptionellen und technischen Eignung der Bausteine des AKKORD-Referenzbaukastens. Insgesamt stellt der universitäre Demonstrator einen autarken Anwendungsfall zur Datenanalyse dar.
18.1 Konzeptionelle und technische Umsetzung des Demonstrators
Das zentrale Ziel des Forschungsvorhabens AKKORD ist die Entwicklung eines Referenzbaukastens für die industrielle Datenanalyse (siehe Kap. 1 und 2). Der in diesem Kapitel vorgestellte Autorenn-Demonstrator soll ein greifbares und leicht verständliches Beispiel für die entwickelten Lösungskomponenten aus dem Bereich Datenanalyse und Datennutzung liefern. Wie im vorherigen Kap. 17 ist dieser Anwendungsfall an industrielles Retrofitting bestehender Anlagen angelehnt (Wöstmann et al., 2019, S. 94 ff.). Bereits in Kap. 4 wurde der entwickelte Referenzbaukasten mit seinen Bausteinen vorgestellt. Die konzeptionelle Idee hinter dem Demonstrator ist es, ein anschauliches Anwendungsbeispiel zu erstellen, welches Anwender:innen den Nutzen von AKKORD spielerisch aufzeigt und ihre Akzeptanz für die Verwendung der Plattform erhöht. Voraussetzung hierbei ist, dass das Anwendungsbeispiel Daten erzeugt und sich somit Datenanalysen durchführen lassen. Ziel des Demonstrators ist es, dass er möglichst viele Module aus den Bausteinen der Prozesskette der industriellen Datenanalyse umsetzt und validiert. Dies soll demonstrieren, dass die AKKORD-Plattform modular, datengetrieben und für die Anwendung industrieller Datenanalysen geeignet ist. Alle genannten Anforderungen erfüllt der AKKORD-Autorenn-Demonstrator. Eine Zusammenfassung der technischen Systemarchitektur befindet sich in Abb. 18.1. Im Folgenden wird zunächst konzeptionell erläutert, wie der Demonstrator aufgebaut ist. Anschließend wird in den weiteren Unterkapiteln konkreter auf die erstellten Module der Bausteine eingegangen.
Abb. 18.1
Systemarchitektur AKKORD-Autorenn-Demonstrator
×
Die Arbeiten am Demonstrator basieren auf den vorgestellten Grundlagen von Kap. 3 und den konzeptionellen sowie technischen Ergebnissen von Kap. 6). Im Zentrum des Demonstrators steht eine digitale Modellrennbahn im Maßstab 1:32. Während eines Rennens können hier bis zu vier Rennfahrer:innen mit verschiedenen Autos gegeneinander antreten. Neben der Rennstrecke erweitert eine Boxengasse den technischen Umfang des Demonstrators. Durch die Verwendung von realen Tankfüllständen bekommt das Rennen eine weitere Dimension. Je länger ein Auto fährt, desto geringer wird dessen Tankfüllstand. Gleichzeitig wird das Auto virtuell leichter und kann dementsprechend höhere Geschwindigkeiten erreichen. Die digitalen Daten der Modellrennbahn werden über eine Bluetooth-Schnittstelle eines Raspberry Pis aufgenommen und verfügbar gemacht.
Anzeige
Zu den Datenquellen gehören Rennevents, die sich den jeweiligen Autos zuordnen. An drei Messstellen, sogenannten Sektoren, werden Zeitstempel und die Identifikationsnummern der Autos erfasst. Als weitere Datenquelle dienen Daten über den Tankstand der Autos. In regelmäßigen Abständen fragt der Raspberry Pi die Füllstände der Autos ab. Dabei erkennt die Abfrage ebenfalls, ob sich ein Auto zum Auftanken in der Boxengasse befindet. Zusätzlich geben die Rennfahrer:innen vor Rennstart Fahrerinformationen zu sich an. Zu den statischen Daten gehört ihr Name, ihr Alter und das Auto, das sie fahren. Während des Rennens zeichnen Rennleiter:innen manuell auf, wie viele Rennausfälle die Rennfahrer:innen haben. Zu den Rennausfällen gehören u. a. das Verlassen der Strecke oder leere Tankfüllstände. Sinnvolle weitere Datenquellen, die sich auf die Modellrennbahn beziehen, wären Streckeninformationen (z. B. Streckenlänge, Kurvenanzahl) oder Fahrzeuginformationen (z. B. Gewicht, Bremseinstellungen, Geschwindigkeitseinstellungen). In dieser Ausführung des Demonstrators werden diese jedoch konstant gehalten und dementsprechend nicht berücksichtigt.
Bevor auf Basis der aufgezeigten Daten diverse Analysen entstehen, müssen diese zunächst gesammelt, vorverarbeitet und miteinander verknüpft werden. Es entsteht ein Datensatz mit allen relevanten Attributen, welcher an den Analysebaustein übergeben wird. Hier können im Anschluss diverse Analysen erstellt werden. Zu den denkbaren Analysen gehören die Identifikation von Rennsieger:innen, die Berechnung der maximalen Geschwindigkeit (notwendig: Streckeninformationen), die Prognose zukünftiger Rennsieger:innen oder eine intelligente Ableitung von Tankstrategien.
Damit die Analysen den Anwender:innen einen Mehrwert bieten, sollen Dashboards mit geeigneten Visualisierungen die Analyseergebnisse präsentieren. Eine deskriptive Analyse wie die Identifikation von Rennsieger:innen wird von einem Dashboard mit einer diagnostischen Visualisierung des Rennverlaufs unterstützt. Hierdurch bekommen die Rennfahrer:innen gehaltvolle Informationen über ihr Fahrverhalten. Dashboards zu komplexeren Analysen wie die Prognose zukünftiger Rennsieger:innen sollen den Anwender:innen möglichst verständlich darlegen, warum das Modell diese oder jene Entscheidung getroffen hat.
Der Demonstrator soll den Eintritt für Anwender:innen in industrielle Datenanalysen möglichst niedrigschwellig zugänglich machen. Sie sollen die Analysen des Demonstrators auf ihre industriellen Anwendungsfälle projizieren können, sodass sie Potenziale für ihre individuellen Anwendungen der AKKORD-Plattform entdecken.
Anzeige
18.2 Zugriffsmodule des Demonstrators
Die Aufgabe der Zugriffsmodule ist die Realisierung des Datenzugriffs für die Analyse im Anwendungsfall. Eine ausführliche Definition zum Zugriffsbaustein und seiner Module findet sich in Kap. 4. Vor diesem Hintergrund ergibt sich für die Zugriffsmodule des Autorenn-Demonstrators die Aufgabe, die Daten aus den Datenquellen auszulesen, zu sammeln, zu verarbeiten, zu speichern und zur Verfügung zu stellen. Im Demonstrator wurden hierfür die folgenden Module erfolgreich getestet: MQTT-Modul, Contact Elements Datenbank-Modul, Data Model Canvas-Modul (DMC-Modul, siehe Kap. 5), ARENDAR-Modul, MariaDB Connector-Modul und MariaDB-Modul. Abb. 18.2 zeigt eine Zusammenfassung der Zugriffsmodule und wie diese miteinander verknüpft sind.
Abb. 18.2
Architektur des Datenzugriffs des AKKORD-Autorenn-Demonstrators
×
Auf dem Raspberry Pi wird ein Python-Skript mit der Bibliothek carreralib ausgeführt. Dieses schickt beispielsweise über MQTT die Daten an verschiedene Datenbanken. Carreralib arbeitet z. B. über eine Bluetooth-Schnittstelle, um die Daten der Modellrennbahn – Tankstand und Rennevents – zu empfangen. Gleichzeitig nimmt das Programm die statischen Fahrerinformationen über die Tastatureingabe auf und verarbeitet sie gemeinsam mit den Daten der Modellbahn. Zuletzt sendet das Programm die Daten über eine MQTT-Schnittstelle an beliebige Empfänger.
Ein Empfänger des MQTT-Moduls ist das Contact Elements Datenbank-Modul. Das Modul sammelt und verarbeitet die gesendeten Daten und speichert sie in mehreren relationalen Datenbanken. Diese Datenbanken werden einzeln über eine Rest-API abgerufen. Das DMC-Modul unterstützt Anwender:innen anschließend methodisch und informationstechnisch beim Aufbau einer fachlichen Datengrundlage zur Datenanalyse. Es erstellt die erforderliche Datenvernetzung für das konkrete Analyseszenario. So erzeugt es aus den einzelnen Datenmodellen ein gebündeltes, gemeinsames Datenmodell für die weitere Analyse.
Ebenso wie das Contact Elements Datenbank-Modul empfängt auch das ARENDAR-Modul die Daten vom MQTT-Modul. Der ARENDAR ist ein sicheres Gateway für industrielle Anwendungen. Im Demonstrator verarbeitet, sammelt und speichert er die Daten. Neben seiner Sicherheit ist ein weiterer Vorteil des ARENDARs, dass er auch für schnelle Analysen eingesetzt werden kann, da er in prototypischen Dashboards die Daten bereits visualisieren kann.
Zum Auslesen der Daten aus der Modellrennbahn wurde ebenso ein zweites Programm geschrieben, welches auf dem Raspberry Pi die Daten über ein MariaDB Connector-Modul versendet. Der Connector ist ebenfalls eine Datenbankschnittstelle. Er basiert auf der Java Database Connectivity-Technologie. Speziell in der angewendeten Version schickt er die Daten an das MariaDB-Modul. Dieses ist eine Open Source-Server-Lösung für den Einsatz von relationalen Datenbanken. Auf dem Server werden die erzeugten Daten aus der Modellrennbahn gesammelt, verarbeitet, gespeichert und z. B. über eine CSV-Schnittstelle zur Verfügung gestellt.
18.3 Analysemodule des Demonstrators
Im Anschluss an die durchgängige Erstellung eines Datenzugriffs schließen sich die Analysemodule an. Über CSV- oder Rest-API werden die Daten den Modulen zugänglich gemacht. Zu den Aufgaben der Analysemodule gehört die Datenvorverarbeitung und die Datenanalyse (siehe Kap. 4). Zunächst beginnt jedoch jedes Modul mit einem Datenschema. Dieses gibt vor, welche Daten in welcher Form benötigt werden, damit das Modul benutzt werden kann. Gleichzeitig dient das Datenschema als Matching zwischen Zugriffs- und Analysebaustein. Während der Datenvorverarbeitung werden die Rohdaten auf die Analyse vorbereitet. Neben der Vorverarbeitung gehört hierzu die Bereinigung und Anreicherung der Daten, sodass die Datenanalyse ohne Hindernisse folgt. Im Anschluss werden drei Analysemodule des Demonstrators vorgestellt. Sie umfassen jeweils sowohl die Datenvorverarbeitung als auch die Datenanalyse.
Im Mittelpunkt des Demonstrators steht das Analysemodul zur Berechnung von Rennsieger:innen (siehe Abb. 18.3). Während des Rennens haben die Fahrer:innen in der Regel keinen genauen Überblick über den Rennstand. Damit am Ende Rennsieger:innen benannt werden, ist ein Modul entstanden, welches die Rohdaten des Demonstrators verarbeitet und analysiert. In der Datenvorverarbeitung besteht das Ziel darin, den finalen Datensatz für die Analyse zu modellieren. Hierzu werden die Daten aus den zur Verfügung stehenden Datenquellen ausgewählt. Für das Analysemodul ist nur der Datensatz Rennevents notwendig. Zur Verbesserung der Datenqualität führt das Modul zunächst eine Bereinigung der Daten durch (vgl. West et al., 2021, S. 131 ff.). Irrelevante Attribute, werden vom Modul gelöscht. Gleichzeitig ersetzt es fehlende Daten (Missing Values), die in diesem Beispiel nicht vorliegen, z. B. mit Mittelwerten. Zuletzt wird im Modul eine Datenformatierung durchgeführt. Im Vorverarbeitungsprozess ändert es z. B. im sogenannten Parsing die Datentypen der einzelnen Attribute. In der Analyse werden dann notwendige Kennzahlen berechnet und aggregiert, sodass ein/e Rennsieger:in bestimmt werden kann.
Abb. 18.3
Prozess des Analysemoduls Berechnung von Rennsieger:innen
×
Weitere Analysemodule lauten Renngeschwindigkeit und Prognose der Rennsieger:innen. Das Modul für die Renngeschwindigkeit kombiniert Streckeninformationen mit Rennevents, wodurch auf einer kurzen Strecke die Renngeschwindigkeit der beiden Autos zwischen zwei Sektoren berechnet wird. Das Modul Prognose der Rennsieger:innen bestimmt anhand von historischen Daten die Siegwahrscheinlichkeit der Fahrer:innen. Dieses Modul zieht vor allem die Datenquelle mit den Fahrerinformationen heran. Weitere Analysemodule, wie ein Modul zur Bestimmung der schnellsten Rundenzeit, sind umsetzbar.
18.4 Nutzungsmodule des Demonstrators
Damit die Analyseergebnisse von Anwender:innen interpretiert und verwendet werden können, ist der Nutzungsbaustein mit seinen Nutzungsmodulen notwendig. Die Nutzung umfasst die Durchführung von punktuellen Analysen für gezielte Fragestellungen als auch die Durchführung kontinuierlicher Auswertungen von Langzeitbeobachtungen (siehe Kap. 4). Auch im Demonstrator finden die Daten erst mit den Nutzungsmodulen eine Verwendung. Im Folgenden wird am Beispiel der zuvor dargestellten, punktuellen Analyse erläutert, wie der Nutzungsbaustein ausgestaltet werden kann (siehe Kap. 6).
Ziel des Nutzungsmoduls ist es, den/die Rennsieger:in möglichst selbsterklärend darzustellen. Hierzu sind als Input die Analyseergebnisse aus dem Analysemodul und eine Visualisierungsdatei im json-Format notwendig. Die Visualisierungsdatei wird in der Anwendung RapidMiner Studio erzeugt. Sie bildet eine visuelle Darstellung der Daten ab. Für dieses Nutzungsmodul eignet sich eine Darstellung des Rennverlaufs mittels eines Liniendiagramms. Auf der x-Achse ist das Attribut „zeitstempel_ms“ aufgetragen und auf der y-Achse das Attribut „runde“. Jede „startnummer“ erhält eine eigene Linie, sodass der/die führende/r Fahrer:in anhand der höheren Kurve identifiziert wird (siehe Abb. 18.4).
Abb. 18.4
AI-Toolbox Nutzungsmodul Auswertung Rennsieger:in
×
Das Anwendungsbeispiel des Demonstrators erklärt anschaulich, wie eine Datenanalyse entlang der Prozesskette der industriellen Datenanalyse (siehe Kap. 4) durchgeführt wird. Um Anwender:innen zu zeigen, welches Potenzial die AKKORD-Plattform bietet, lässt sich das gezeigte Beispiel auf Anwendungen in der Produktion übertragen. Ein vergleichbares Beispiel wäre eine Analyse der Ausbringung mehrerer Maschinen. Die Maschinen erzeugen maschinenspezifische Zeitstempel, wenn sie Produkte („runde“) fertigstellen. Durch dieselbe Datenvorverarbeitung und -analyse lassen sich die Zeitstempel so auswerten, dass am Ende eine Visualisierung für die vergleichende Auswertung mehrerer Maschinen hinsichtlich ihrer Ausbringung entsteht. Das Liniendiagramm bildet dann den Produktionsverlauf der Maschinen ab. Maschinenplaner:innen sehen dann schnell, welche Maschine wann mehr Produkte produziert hat.
18.5 Fazit
Durch den AKKORD-Autorenn-Demonstrator wird anschaulich gezeigt, wie eine Datenanalyse aufgebaut wird. Entlang der Prozesskette der Datenanalyse zeigt der Demonstrator die Umsetzung diverser Module, sodass der modulare Charakter der AKKORD-Plattform deutlich wird. Dank der Modularität ermöglicht die Plattform ebenfalls eine Wiederverwendbarkeit der Datenanalysen. Dies zeigt auch die Übertragbarkeit der Ergebnisse auf weitere Anwendungsszenarien. Insgesamt repräsentiert der Demonstrator die AKKORD-Forschungsergebnisse und validiert diese hinsichtlich Anwendbarkeit, Modularität und Wiederverwendbarkeit.
Open Access Dieses Kapitel wird unter der Creative Commons Namensnennung 4.0 International Lizenz (http://creativecommons.org/licenses/by/4.0/deed.de) veröffentlicht, welche die Nutzung, Vervielfältigung, Bearbeitung, Verbreitung und Wiedergabe in jeglichem Medium und Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle ordnungsgemäß nennen, einen Link zur Creative Commons Lizenz beifügen und angeben, ob Änderungen vorgenommen wurden.
Die in diesem Kapitel enthaltenen Bilder und sonstiges Drittmaterial unterliegen ebenfalls der genannten Creative Commons Lizenz, sofern sich aus der Abbildungslegende nichts anderes ergibt. Sofern das betreffende Material nicht unter der genannten Creative Commons Lizenz steht und die betreffende Handlung nicht nach gesetzlichen Vorschriften erlaubt ist, ist für die oben aufgeführten Weiterverwendungen des Materials die Einwilligung des jeweiligen Rechteinhabers einzuholen.
