Prozesswissenschaft
Die Forschungsgruppe hat eine solide Grundlage in der Prozesswissenschaft geschaffen, mit besonderem Schwerpunkt auf der Integration neuer Technologien wie IoT, Edge Computing und Large Language Models in das Gesch?ftsprozessmanagement (BPM). Ein zentrales Thema ist die Verbesserung der Prozessmodellierung und -ausführung durch Kontextbewusstsein – insbesondere ortsbasiertes BPM, wie es in Entwicklungen wie LABPMN und dem TRADEmark-Framework zu sehen ist.
Die Gruppe untersucht au?erdem pr?diktives und deklaratives Prozess-Monitoring, Process Mining bei Industriedaten (z. B. OPC UA) sowie die ethischen Dimensionen des BPM.
Durch kollaborative Forschung wurden Frameworks und Taxonomien entwickelt, um die Prozessreife und die Bereitschaft zur digitalen Transformation zu bewerten. Zudem leistet die Gruppe Beitr?ge zu hybriden Modellierungssprachen und zum Small-Sample Learning im pr?diktiven Monitoring. Ein wiederkehrendes Interesse liegt darin, die Lücke zwischen BPM-Theorie und praktischen Anwendungen zu schlie?en, um durch reflektive und angewandte Forschungsergebnisse die Praxisrelevanz sicherzustellen.
Cybersicherheitsmanagement im industriellen IoT
Ein weiterer wichtiger Forschungsschwerpunkt liegt auf dem Cybersicherheitsmanagement in industriellen IoT (IIoT)-Umgebungen, das aus einer prozessorientierten Perspektive betrachtet wird. Die Gruppe befasst sich mit der Komplexit?t der IIoT-Sicherheit, indem sie Modelle, Metamodelle und Richtlinien für das Compliance-Monitoring, die Einhaltung von Standards und ein sicherheitsbewusstes Prozessdesign entwickelt.
Forschungsinitiativen wie SIREN und diverse Literaturreviews schaffen eine systematische Grundlage für die Integration von Sicherheitsanforderungen in BPM-Systeme. Die Gruppe hat auch Strategien vorgeschlagen, um die Rückverfolgbarkeit und Verantwortlichkeit durch Echtzeit-Datenanalysen und Mechanismen zur ?berprüfung der Sicherheits-Compliance zu gew?hrleisten.
Jüngste Arbeiten erweitern dies durch die Einbeziehung ethischer und Governance-?berlegungen. 百利宫_百利宫娱乐平台￥官网 spiegelt einen ganzheitlichen Ansatz für sichere IIoT-Systeme wider, der technische Innovation mit organisatorischem und regulatorischem Bewusstsein verbindet.
KI-basierte Analytik für ereignisgesteuerte Informationssysteme: Ereignisabfragen und -verarbeitung
Die Welt ist zunehmend durch eine Vielzahl verbundener Ger?te vernetzt. 百利宫_百利宫娱乐平台￥官网e sind typischerweise in elektrische/elektronische Komponenten eingebettet und mit Sensoren und Aktuatoren ausgestattet, die es erm?glichen, Daten über verschiedene Kommunikationsnetzwerke, einschlie?lich des Internets der Dinge (IoT), zu erfassen, zu (re-)agieren, zu sammeln und auszutauschen. Dadurch wird eine kontinuierliche ?berwachung von Ph?nomenen basierend auf Sensorger?ten (Wearables, Beacons, Smartphones, Maschinensensoren usw.) sowie Analysem?glichkeiten in intelligenten Umgebungen (Smart Homes, vernetzte Autos, Smart Logistics, Industrie 4.0 usw.) erm?glicht. Die Ereignisverarbeitung konzentriert sich darauf, Ereignisse mit minimaler Latenz, d.h. nahezu in Echtzeit, zu erfassen und zu verarbeiten, um Ver?nderungen oder Trends zu erkennen, die auf Chancen oder Probleme hinweisen. Im Kontext dynamischer Systeme wie prozessorientierter Informationssysteme k?nnen Ereignisse Zustands?nderungen von Objekten darstellen. Complex Event Processing (CEP) umfasst eine Reihe von Techniken, um das Verhalten eines überwachten Systems zu verstehen. Es leitet zeitnah und online h?herwertiges Wissen aus niedrigwertigeren Systemereignissen ab. Wir haben die Machbarkeit der Anwendung des Konzepts der Ereignisverarbeitung auf prozessorientierte Informationssysteme untersucht, um ein geschlossenes ?berwachungs- und Steuerungs-Loop von Prozessen in IoT-Umgebungen zu erm?glichen. Wir haben eine Architektur für die Integration von Informationssystemen und Ereignisverarbeitungssystemen in einem geschlossenen ?berwachungs- und Steuerungs-Loop durch den Austausch von (komplexen) Ereignissen entwickelt. Die vorgeschlagenen Techniken wurden implementiert und an mehreren realen Fallstudien in digitalen Produktionsumgebungen umfassend evaluiert.
Der zweite Forschungsstrang in diesem Bereich kann unter dem Begriff Physische Analytik zusammengefasst werden. Er zielt darauf ab, r?umlich verteilte Verarbeitungsschritte im Fertigungssektor zu optimieren. Ziel ist die Entwicklung direkt anwendbarer und KI-basierter Werkzeuge und Methoden für physische Produktionsprozesse mit hoher Variantenvielfalt und Flexibilit?t. In jüngster Zeit haben wir pr?diktive Techniken zur Ableitung von Vorhersagen entwickelt, z. B. Techniken für pr?diktive Wartung im Kontext verteilter, ereignisgesteuerter Produktionsinformationssysteme. Dazu haben wir verschiedene Klassifikations- und Regressionsmethoden angewendet, die aus mehreren unkorrelierten Entscheidungsb?umen und verschiedenen Einstellungen künstlicher neuronaler Netze bestehen.
KI-basierte Analytik für prozessorientierte Informationssysteme: Process Mining und operative Entscheidungsunterstützung
Die Anwendung von Mess- und Analysetechniken auf Ereignisdaten aus Interaktionssystemen wurde unter den Begriffen Process Mining und Process Analytics vorgeschlagen. Process Mining ist ein Ansatz an der Schnittstelle von modellgetriebener Entwicklung und Data Science. Sein Zweck ist es, Ereignisdaten, die durch die Ausführung von Prozessen generiert werden, zu analysieren, um Erkenntnisse darüber zu gewinnen, wie Prozesse in der Realit?t ausgeführt werden, und eine kontinuierliche, faktenbasierte Verbesserung zu erm?glichen. Unsere Beitr?ge in diesem Bereich lassen sich in drei Richtungen gruppieren. Erstens, w?hrend sich ein gro?er Teil des Process Mining auf die automatische Erkennung imperativer Prozessmodelle aus Ereignisdaten konzentriert, haben wir zur Schaffung des Teilgebiets der deklarativen Prozessererkennung beigetragen, dessen Hauptziel es ist, Regeln aus Ereignisdaten zu extrahieren.
Die vorgeschlagenen Techniken wurden in mehreren realen Fallstudien getestet. Zweitens untersuchen wir, wie Prozesse basierend auf Deep-Learning-Modellen vorhergesagt werden k?nnen. Darüber hinaus haben wir uns mit dem Problem der Datenverfügbarkeit und -aufbereitung für das Process Mining befasst, indem wir (i) Techniken aus der Bilderkennung wie das Small-Sample Learning und (ii) Clustering-Methoden zur Vorverarbeitung von Ereignisprotokollen angewendet haben.
Prozessausführungsunterstützung für verteilte, ereignisgesteuerte IoT-Umgebungen: Innovative Schnittstellen für Smart Devices
Wir haben tragbare Benutzeroberfl?chen entwickelt, die es Menschen erm?glichen, in Echtzeit an jedem beliebigen Ort benachrichtigt zu werden, wenn neue Aufgaben anfallen. In vielen Situationen müssen Menschen in der Lage sein, Daten von IoT-Objekten direkt zu beeinflussen, z. B. um Industriemaschinen zu steuern oder bestimmte Ger?teparameter von beliebigen Orten aus zu manipulieren. Wir haben einen Ansatz für ein Framework zur IoT-Dateninteraktion mittels tragbarem Prozessmanagement implementiert. Darüber hinaus k?nnen Menschen Umweltdaten, z. B. Produktionsparameter, in Echtzeit von beliebigen Orten aus aktiv beeinflussen. 百利宫_百利宫娱乐平台￥官网er Ansatz basiert auf Spracherkennung, die durch Forschung im Bereich neuronaler Netze angetrieben wird. Wir setzen auf einen End-to-End (E2E)-Modellansatz, der vollst?ndig auf einem Smart Device l?uft.
Methoden und Modelle für Internet of Things-basiertes Business Process Improvement (BPI)
Unsere neueste Forschungsrichtung zielt darauf ab, Methoden, Modelle und Richtlinien bereitzustellen, die Organisationen dabei unterstützen, die Wertangebote des IoT effektiv zur Verbesserung von Gesch?ftsprozessen zu nutzen. Ziel ist daher eine ganzheitliche Betrachtung von IoT-basiertem BPI, einschlie?lich der gr??ten bestehenden Herausforderungen, die Organisationen daran hindern, vorteilhafte IoT-Projekte durchzuführen. Das Thema IoT-basiertes BPI umfasst und verbindet die Forschungsbereiche IoT und Business Process Management (BPM) bzw. BPI.
Zun?chst wurde die Identifizierung von Problemen und Herausforderungen sowie die Untersuchung potenzieller M?glichkeiten für spezifische Prozesse durchgeführt. In Bezug auf die IoT-Technologie muss klar herausgearbeitet werden, inwieweit das IoT für BPI genutzt werden kann und welche Wertangebote, die zu den jeweiligen Prozessen passen, von Entscheidungstr?gern erwartet werden k?nnen. 百利宫_百利宫娱乐平台￥官网es Kernprinzip kann als Identifizierung m?glicher IoT-basierter BPI-Vorschl?ge bezeichnet werden. Zweitens, nachdem potenzielle Wertangebote identifiziert wurden, ist die Entscheidung über geeignete IoT-basierte BPIs erforderlich. Organisationen müssen in der Auswahlphase für spezifische IoT-Technologien und -Anwendungen unterstützt werden, die zu den angestrebten BPI-Zielen und den zugrunde liegenden Prozessdetails passen. Au?erdem müssen Organisationen über detailliertes Wissen über ihre internen F?higkeiten verfügen, um diese Projekte erfolgreich umzusetzen. Da sich diese F?higkeiten im Laufe der Zeit ?ndern k?nnen, wurde eine kontinuierliche Reifegradbewertung entwickelt. 百利宫_百利宫娱乐平台￥官网es Prinzip kann als Untersuchung fortgeschrittener Methoden zusammengefasst werden, die die Auswahl von IoT-Technologien und -Anwendungen unterstützen.