Referenzmodell einer Data Pipeline zur kausal-prädiktiven Instandhaltung in der Produktion - am Beispiel eines Automobilpresswerks

Abstract

Die zunehmende Digitalisierung industrieller Produktionssysteme führt zu einer stetig wachsenden Verfügbarkeit von Prozess-, Zustands- und Kontextdaten. Während datengetriebene Verfahren im Bereich des Condition Monitoring und der Predictive Maintenance bereits breit untersucht sind, besteht weiterhin eine konzeptionelle Lücke zwischen der rein prädiktiven Analyse und einer tatsächlich präskriptiven Entscheidungsunterstützung. Insbesondere fehlt ein strukturierender Bezugsrahmen, der datenanalytische Methoden, kausale Zusammenhänge und operative Entscheidungslogiken systematisch integriert. Vor diesem Hintergrund verfolgt die vorliegende Dissertation das Ziel, ein wissenschaftlich fundiertes Referenzmodell zu entwickeln, das die konzeptionellen und architektonischen Voraussetzungen für präskriptive Instandhaltungsstrategien schafft, ohne selbst eine vollständige präskriptive Entscheidungsautomatisierung zu beanspruchen. Der Fokus liegt auf einem kausal-prädiktiven Ansatz, der über reine Zustands- oder Ausfallprognosen hinausgeht, indem er datengetriebene Mustererkennung mit strukturierter Ursachenanalyse und kontextbezogener Interpretation verbindet. Methodisch basiert die Arbeit auf dem Design-Science-Research-Ansatz. In einem iterativen Forschungsprozess wurden zunächst theoriegeleitet Anforderungen aus Literatur und Praxis abgeleitet. Darauf aufbauend wurde ein mehrschichtiges Referenzmodell konzipiert, das funktionale, datenbezogene und infrastrukturelle Ebenen integriert und die Einbettung von Data-Mining-Methoden in industrielle Produktionsumgebungen systematisiert. Zentrales Gestaltungsprinzip ist dabei die strukturierte Kopplung von Prognosemodellen mit kausalen Analysemechanismen, um belastbare Entscheidungsgrundlagen zu erzeugen. Die prototypische Implementierung demonstriert die technische Umsetzbarkeit des Referenzmodells sowie dessen Übertragbarkeit auf industrielle Anwendungsszenarien. Die Evaluation erfolgt anhand eines systematischen Anforderungsabgleichs, einer vergleichenden Einordnung gegenüber bestehenden Ansätzen sowie durch leitfadengestützte Experteninterviews mit Fachvertretern aus den industriellen Bereichen der Instandhaltung und IT. Die qualitative Expertenevaluation dient dabei der Validierung der strukturellen Vollständigkeit, der praktischen Relevanz und der Anwendbarkeit der entwickelten Architektur. Die Ergebnisse zeigen, dass das entwickelte Referenzmodell eine konsistente Integrationsarchitektur bereitstellt, die prädiktive Analysen in kausal interpretierbare Zusammenhänge überführt und damit die methodische Grundlage für weiterführende Präskriptive Entscheidungslogiken schafft. Durch die systematische Strukturierung des Zusammenspiels von datengetriebener Modellierung, kausaler Analyse und entscheidungsorientierten Abstraktionsebenen trägt das Modell dazu bei, die konzeptionelle Lücke zwischen prädiktiver Instandhaltungsanalyse und handlungsorientierter präskriptiver Strategie systematisch zu reduzieren.

The increasing digitalization of industrial production systems has led to a continuously growing availability of process, condition, and contextual data. While data-driven approaches in condition monitoring and predictive maintenance have been extensively studied, a conceptual gap remains between predictive analytics and truly prescriptive decision support. In particular, there is a lack of an integrative reference framework that systematically connects data-analytical methods, causal reasoning, and operational decision logic. Against this background, this dissertation aims to develop a scientifcally grounded reference model that establishes the conceptual and architectural foundations for prescriptive maintenance strategies without claiming full prescriptive decision automation. The focus lies on a causal-predictive approach that extends beyond pure condition or failure forecasting by systematically linking data-driven pattern recognition with structured root-cause analysis and contextual interpretation. Methodologically, the research follows the Design Science Research paradigm. Within an iterative research process, requirements were derived from both literature and practice and translated into the construction of a multi-layered reference model integrating functional, data-related, and infrastructural perspectives. A central design principle is the structured coupling of predictive models with causal analysis mechanisms in order to generate robust decision-relevant insights and to prepare the systematic transition from predictive results to prescriptive decision logic. The prototype implementation demonstrates the technical feasibility of the reference model and illustrates its transferability to industrial application scenarios. The evaluation is conducted through a structured requirement-based assessment, a comparative positioning against existing approaches, and semi-structured expert interviews with domain specialists from the industrial maintenance and IT environment. The expert evaluation provides qualitative validation regarding relevance, applicability, and structural completeness of the proposed architecture. The results indicate that the developed reference model provides a coherent integration architecture that transforms predictive analytics into causally interpretable insights and thereby establishes the methodological foundation for advanced prescriptive decision support mechanisms. By systematically structuring the interplay between data-driven modeling, causal reasoning, and decision-oriented abstraction layers, the model contributes to reducing the conceptual gap between predictive maintenance analytics and actionable prescriptive maintenance strategies in industrial production systems.