Datengetriebene Inline-Qualifizierung in der industriellen Produktion: Methodisches Vorgehensmodell und Demonstrator im Verbundprojekt Werk 4.0

Abstract

Das Teilvorhaben "Vorgehensmodell zur Erstellung agiler Lernmodule mittels Data Mining" wurde an der Professur für Werkzeugmaschinenentwicklung und adaptive Steuerungen der Technischen Universität Dresden im Rahmen des Verbundprojekts "Vom konventionellen Produktionswerk zum resilienten Kompetenz-Werk durch Industrie 4.0 (Werk 4.0) durchgeführt. Ziel des Vorhabens war die Entwicklung, prototypische Umsetzung und wissenschaftliche Evaluation eines datengetriebenen Vorgehensmodells zur kontinuierlichen Erstellung, Aktualisierung und Bereitstellung qualifikationsrelevanter Lern- und Informationsinhalte in industriellen Produktionsumgebungen. Ausgangspunkt der Arbeiten war die zunehmende Dynamik moderner Produktionssysteme. Änderungen an Produkten, Prozessen, technischen Dokumentationen, Softwareständen und organisatorischen Rahmenbedingungen führen zu fortlaufend veränderten Qualifikationsanforderungen, die mit klassischen Schulungs- und Weiterbildungsansätzen nur eingeschränkt adressiert werden können. Vor diesem Hintergrund wurde die Vision einer datengetriebenen Inline-Qualifizierung verfolgt, bei der Qualifizierungsbedarfe unmittelbar aus realen Änderungen innerhalb der Produktions- und Informationslandschaft abgeleitet werden. Im Rahmen des Vorhabens wurde ein durchgängiges und modular aufgebautes Vorgehensmodell entwickelt, das Verfahren des Forschungsdatenmanagements, der Datenanalyse, der Informationsextraktion, der Änderungsdetektion sowie der rollen- und situationsabhängigen Wissensbereitstellung miteinander verbindet. Grundlage hierfür bildet die systematische Erschließung qualifikationsrelevanter Informationen aus heterogenen industriellen Datenquellen wie technischen Dokumentationen, Arbeits- und Montageanweisungen, Prozessinformationen und multimedialen Informationsbeständen. Ein wesentlicher Schwerpunkt lag auf der Entwicklung einer qualitätsgesicherten und dynamisch aktualisierbaren Informationsbasis sowie auf Verfahren zur automatisierten Analyse evolvierender Informationsbestände. Hierzu wurden Methoden zur Metadatenmodellierung, Datenorganisation, semantischen Informationsverarbeitung, Änderungsanalyse und reproduzierbaren Verarbeitung versionierter Informationszustände entwickelt und untersucht. Die entwickelten Methoden und Softwarekomponenten wurden in einer modularen Demon-strator- und Experimentierumgebung umgesetzt und in mehreren iterativen Evaluierungsphasen gemeinsam mit den Projektpartnern erprobt. Die Ergebnisse belegen die grundsätzliche technische Machbarkeit datengetriebener Inline-Qualifizierung und zeigen, dass automatisierte Verfahren zur Identifikation, Aufbereitung und Aktualisierung qualifikationsrelevanter Informationen einen wichtigen Beitrag zur Wandlungsfähigkeit, Resilienz und Lernfähigkeit moderner Produktionssysteme leisten können. Neben den technischen Ergebnissen wurden nachhaltige Grundlagen für Forschung, Transfer und Nachnutzung geschaffen. Hierzu zählen insbesondere eine Forschungsdateninfrastruktur, offene und modulare Architekturkonzepte, wissenschaftlich fundierte Methoden zur Verarbeitung evolvierender Informationsbestände sowie die Verankerung der Ergebnisse in wissenschaftlichen Publikationen, Open-Access-Veröffentlichungen und weiterführenden Forschungsarbeiten. Das Vorhaben leistet damit einen eigenständigen wissenschaftlichen Beitrag an der Schnittstelle von Forschungsdatenmanagement, Wissensmanagement, Industrie 4.0 und datengetriebener Qualifizierung. Die entwickelten Konzepte schaffen eine belastbare Grundlage für zukünftige Forschungs- und Entwicklungsarbeiten im Bereich adaptiver, wissensbasierter und menschenzentrierter Qualifizierungssysteme in digitalen Produktionsumgebungen. The subproject "Process Model for the Creation of Agile Learning Modules Using Data Mining" was carried out at the Chair of Machine Tool Development and Adaptive Control of Technische Universität Dresden within the collaborative research project "From a Conventional Production Plant to a Resilient Competence Factory through Industry 4.0 (Werk 4.0)". The objective of the project was the development, prototypical implementation, and scientific evaluation of a data-driven process model for the continuous creation, updating, and provision of qualification-relevant learning and information content in industrial production environments. The project was motivated by the increasing dynamics of modern manufacturing systems. Changes in products, production processes, technical documentation, software configurations, and organizational structures continuously generate new qualification requirements that are difficult to address using traditional training and education approaches alone. Against this background, the project investigated the concept of data-driven inline qualification, in which qualification needs are derived directly from changes occurring within the production and information environment. A comprehensive and modular process model was developed that combines research data management, data analytics, information extraction, change detection, and role- and context-dependent knowledge provision. The approach is based on the systematic acquisition and processing of qualification-relevant information from heterogeneous industrial data sources, including technical documentation, work and assembly instructions, process information, and multimedia content. A major focus of the project was the development of a quality-assured and continuously updateable information base as well as methods for the automated analysis of evolving information assets. To this end, concepts and methods for metadata modeling, data organization, semantic information processing, change analysis, and the reproducible handling of versioned information states were developed and investigated. The developed methods and software components were integrated into a modular demonstrator and experimentation environment and evaluated in several iterative evaluation phases together with the industrial project partners. The results demonstrate the technical feasibility of data-driven inline qualification and show that automated approaches for identifying, processing, and updating qualification-relevant information can significantly contribute to the adaptability, resilience, and learning capability of modern production systems. In addition to the technical outcomes, the project established sustainable foundations for future research, technology transfer, and reuse. These include a research data infrastructure, open and modular architectural concepts, scientifically grounded methods for processing evolving information assets, and the dissemination of results through peer-reviewed publications, open-access articles, and follow-up research activities. The project therefore provides an original scientific contribution at the intersection of research data management, knowledge management, Industry 4.0, and data-driven qualification. The developed concepts establish a robust foundation for future research and development activities in the field of adaptive, knowledge-based, and human-centered qualification systems for digital production environments.