Die Digitalisierung in der Fahrzeugproduktion schreitet voran. Die Anzahl der Sensoren, die Daten generieren, nimmt zu. Auf Prozessleitebene können so digitale Prozesse nachgebildet werden. Gleichzeitig wird das Produkt Fahrzeug in der Fahrzeugproduktion durch immer mehr Software definiert. Somit lassen sich durchgängig datengetriebene, interne Prozesse von der Entwicklung über Produktion hin zu After Sales gestalten, die am Produkt Fahrzeug angewandt werden. Ein Beispiel ist das Durchführen von elektrisch-elektronischen Tests am Produkt Fahrzeug. Um die an den internen Prozessen (z.B. Testdurchführung) beteiligten Mitarbeiter nicht durch die Masse an Daten während der Fehleranalyse zu überfordern, sollen die Prozesse möglichst einfach verständlich und durchgängig gestaltet werden. Um die Komplexität in einer immer digitaler werdenden Fahrzeugproduktion für die Mitarbeiter zu reduzieren, kann der Einsatz von grafischen Prozessmodellen eine Lösung darstellen. Jedoch ist mit der Überwachung und Analyse durchgängiger, grafischer Prozessmodellierungen ein hoher Aufwand für Ingenieurinnen und Ingenieure verbunden. Um die Analyse zu unterstützen, soll der Einsatz von geeigneten Mining-Methoden für Prozessdaten untersucht werden. Es stellt sich somit die Frage, welche Mining-Methode die Transformation zu einem modellbasierten, durchgängigen Ökosystem in der Fahrzeugproduktion unterstützen kann. Als Schnittstelle zwischen Business Process Modeling und Data Mining ist das Feld Process Mining. Mit der Methode Process Mining werden Daten aus Eventlogs analysiert, um daraus ein Prozessmodell, z.B. mithilfe der Modellierungsnotation Business Process Model and Notation (BPMN) [1], zu erstellen. Damit soll Transparenz über die zugrundeliegenden Prozesse erzeugt werden, wodurch die Analyse und Optimierung der Prozesse beschleunigt werden können. Die Methode Process Mining gliedert sich in drei Teilschritte Prozesserkennung (process discovery), Übereinstimmungsprüfung (conformance checking) und Modellverbesserung/ -erweiterung (enhancement). Im Umfeld des Process Minings existiert das Gebiet Workflow Mining für ausführbare Prozesse [2]. Im Rahmen dieser Arbeit wurden verschiedene Mining-Methoden auf Basis realer technischer Anforderungen eines Original Equipment Manufacturers (OEMs) hinsichtlich ihrer Eignung für die Erstellung und Analyse von Testprozessmodellen evaluiert. Der Tsinghua-alpha-Algorithmus (auch beta-Algorithmus genannt) erwies sich hierbei als am besten geeignet, da er Parallelitäten erkennt und dadurch mit zeitlichen Überlappungen von Testprozessen, die in der PKW-Produktion auftreten, umgehen kann. Der Ansatz wurde prototypisch umgesetzt (siehe Figur 1) und evaluiert, indem auf Basis von Prozessdaten aus der PKW-Produktion erfolgreich entsprechende grafische Modelle analysiert werden konnten. Damit können auf Basis der Prozessdaten Graphen abgeleitet werden, um wiederkehrende Prozessmodelle für die Testprozesse in der Fahrzeugproduktion zu identifizieren [3]. Business Process Modeling und Process Mining legen damit den Grundstein für ein datengetriebenes Ökosystem in der Fahrzeugproduktion. Weitere Forschung wird dem Variantenhandling von Prozessmodellen gelten.     «

Die Digitalisierung in der Fahrzeugproduktion schreitet voran. Die Anzahl der Sensoren, die Daten generieren, nimmt zu. Auf Prozessleitebene können so digitale Prozesse nachgebildet werden. Gleichzeitig wird das Produkt Fahrzeug in der Fahrzeugproduktion durch immer mehr Software definiert. Somit lassen sich durchgängig datengetriebene, interne Prozesse von der Entwicklung über Produktion hin zu After Sales gestalten, die am Produkt Fahrzeug angewandt werden. Ein Beispiel ist das Durchführen von...     »