Zur Hauptnavigation wechseln Zur Suche wechseln Zum Hauptinhalt wechseln

Synthetic Data Generation Service for Production Pipelines

  • David Nenning

    Studienabschlussarbeit: Masterarbeit

    Abstract

    Die zunehmende Digitalisierung industrieller Produktionsumgebungen durch das in
    dustrielle Internet der Dinge hat zur Entstehung hochvernetzter Systeme geführt, die
    kontinuierlich große Mengen an Maschinendaten generieren. Diese Daten bilden die
    Grundlage moderner Datenpipelines und ermöglichen Anwendungen wie Echtzeitüber
    wachung, vorausschauende Wartung und Prozessoptimierung. Aufgrund des begrenzten
    Zugangs zu geeigneten Testdaten stellen die Entwicklung und Validierung solcher daten
    gesteuerten Systeme nach wie vor eine Herausforderung dar. Da kritische oder seltene
    Szenarien nur selten auftreten, sind Produktionsdaten oft unvollständig. Ein weiteres
    Problem sind die strengen regulatorischen Vorgaben und Datenschutzanforderungen,
    die eingehalten werden müssen. Insbesondere die ständigen Fortschritte im Bereich der
    Cybersicherheit spielen dabei eine große Rolle.
    Um diese Einschränkungen zu überwinden, hat sich die Generierung synthetischer
    Daten als vielversprechender Ansatz herausgestellt, da sie die Erstellung künstlicher,
    aber realistischer Datensätze ermöglicht. Bei der Generierung synthetischer Daten für in
    dustrielle Umgebungen müssen jedoch erhebliche Herausforderungen bewältigt werden.
    Diese Herausforderungen hängen mit der strukturellen Komplexität, der zeitlichen Ab
    hängigkeit und der Heterogenität dieser Daten zusammen. Zudem müssen synthetische
    Industriedaten das dynamische Verhalten verschiedener Maschinen widerspiegeln, ein
    schließlich variierender Abtastraten, sich weiterentwickelnder Datenschemata und zeit
    licher Konsistenz sowie kausaler Zusammenhänge und der statistischen Eigenschaften
    realer Daten. Darüber hinaus erfordert die nahtlose Integration solcher Daten in beste
    hende mehrstufige Datenpipelines zusätzliche Überlegungen hinsichtlich Skalierbarkeit,
    Flexibilität und Schemakonformität.
    Diese Arbeit schlägt einen serviceorientierten Ansatz zur Generierung synthetischer
    Daten vor, der auf industrielle Produktionspipelines zugeschnitten ist, um diese Her
    ausforderungen zu bewältigen. Der zentrale Gedanke besteht darin, realistische Ma
    schinendatenströme mithilfe schemagesteuerter Generierung und szenariobasierter Si
    mulation von Maschinenlebenszyklen zu rekonstruieren. Das entwickelte System zeigt,
    wie synthetische Daten auf strukturell valide und zeitlich kohärente Weise generiert
    werden können, sodass sie direkt in bestehende Pipeline-Infrastrukturen integriert wer
    den können. Durch die praktische Implementierung und Evaluierung in einer realen
    Industrial-Internet-of-Things-Umgebung zeigt die Arbeit, dass die generierten Daten
    die Eigenschaften physischer Maschinendaten nachbilden können und von nachgelager
    ten Systemen erfolgreich verarbeitet werden, einschließlich Überwachungsanwendungen,
    die sie als authentische Maschinenaktivität interpretieren.
    Datum der Bewilligung2026
    OriginalspracheEnglisch (Amerika)
    Gradverleihende Hochschule
    • FH OÖ
    Betreuer/-inJens Krösche (Betreuer*in)

    Studiengang

    • Mobile Computing

    Zitieren

    '