45 Process for Data Mining kurz CRISP DM sechs Phasen zu unterscheiden Diese gehen vom Datenverständnis über die Datenaufbereitung bis hin zur Evaluierung sagt Maximilian Ulrich wissenschaftlicher Mitarbeiter am Fraunhofer IZT Die umfangreichste und zeitintensivste Phase ist die Datenaufbe reitung Das Expertenteam des Fraunhofer IZT führte dabei in einem ersten Schritt Geometriedaten und Produktionsdaten zusammen Daraus entstand jener Datensatz der es erst ermöglichte moderne Vorhersagemethoden anzuwenden um die gewünschten Vorhersagen in puncto Polierzeiten zu erzie len nach und nach wurde das Vorhersagemodell mit weiteren Daten angereichert um eine optimale Vorhersagegenauigkeit zu erreichen Ausblick Der Schlüssel zum Erfolg bei Data Science Projekten ist und bleibt eine gute Datenstruktur und eine intelligente Verknüp fung der Daten fasst Johannes Schweigl die Key Learnings des Projekts zusammen Zu den weiteren Erkenntnissen zähle laut dem Experten auch die zeitintensive Aufbereitung der Daten sowie auch die notwendigkeit dass der Data Scien tist Zugang zur Domainexpertise hat Zu unseren nächsten Schritten gehören definitiv die Weiterentwicklung des Tools und die Umstellung auf eine dynamische Datenbasis Darü ber hinaus konnten wir durch das gemeinsame Projekt mit dem Fraunhofer IZT wichtige Erkenntnisse für die zukünftige Gewinnung und Analyse unserer Daten sammeln erklärt Schweigl fr a u n h o fe r i n n o v a ti o n sz en tr u m Projekt Prozessparametervorhersage bezüglich neuer Produktvarianten Projektdauer vier Monate Methode Industrial Data Analytics Vorhersage von Prozessparametern mittels moderner Vorhersagemetho den auf Basis historischer Prozessdaten Projektergebnis interaktives Tool zur Vorhersage von Prozessparametern Polierzeit neuer Produktvarianten Projektleiter Dipl Ing Maximilian Ulrich maximilian ulrich fraunhofer at fact box

Hinweis: Dies ist eine maschinenlesbare No-Flash Ansicht.
Klicken Sie hier um zur Online-Version zu gelangen.