Abstract
Die zunehmende Digitalisierung industrieller Produktionsumgebungen durch das industrielle 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 Bewilligung | 2026 |
|---|---|
| Originalsprache | Englisch (Amerika) |
| Gradverleihende Hochschule |
|
| Betreuer/-in | Jens Krösche (Betreuer*in) |
Studiengang
- Mobile Computing
Zitieren
- Standard