Increase of development success through an automated measurement and visualization of project progress
Final Report Abstract
Durch die steigende Komplexität bei der Produktentwicklung steigt auch die Forderung an ein effektives und effizientes Projektmanagement. Dabei liegt ein hoher Fokus auf Aussagen über den Projekterfolg an gegebenen Situationen. Die bisherigen Methoden zur Feststellung des Entwicklungsstandes und der darauf basierenden Ableitung des Projekterfolgs liefern jedoch nur vage Informationen zu starren Zeitpunkten. Eine Verdichtung der Intervalle zur Erhebung des Entwicklungsstandes würde für die Projektmitarbeiter jedoch einen nicht tragbaren administrativen und zeitlichen Mehraufwand bedeuten. Eine Herausforderung hierbei ist, die benötigten Informationen aus anderen Quellen zu erheben und den Projektfortschritt automatisiert zu ermitteln. Zur Überwindung dieses Problems wurde ein Konzept entwickelt, dass sich auf die automatische Analyse von den während der Produktentwicklung entstehenden Artefakten fokussiert. Dadurch kann die Erhebung des Entwicklungsstand in kurzen Intervallen festgestellt werden ohne den Projektmitarbeiter einen Mehraufwand zu generieren. Für die Automatisierung wird mithilfe von ML Algorithmen auf Basis von Altdaten, d.h. Artefakte aus früheren Projekten, Wissen generiert. Dieses Wissen wird verwendet zur Feststellung der Zustände von Indikatoren für die Ableitung von Reifegraden je Artefakt. Die Reifegrade der Artefakte ergeben zusammen den Reifegrad des zu entwickelnden Produktes. Die Voraussetzung für dieses Konzept ist eine vorhergehende Untersuchung nach Fortschrittsindikatoren je Artefakte. Grund dafür ist die Abhängigkeit der Indikatoren von den Artefakten und deren IT Systemen. Für das Artefakt CAD Modell, das im IT System NX 12.0 erstellt wird, wurde diese Untersuchung durchgeführt und drei ML Algorithmen (Decision Tree, k-nearest Neighbors und Random Forest) implementiert, die mit diesen Indikatoren den Reifegrad ermitteln. Zur Evaluierung des Konzepts wurden aus der GrabCAD Bibliothek CAD Modelle von Felgen und Radialmotoren verwendet, mit denen die ML Modelle trainiert haben. Gleichzeitig wurde jeweils ein CAD Modell beiseitegelegt, an dem die trainierten ML Modelle getestet wurde. Mit einer Genauigkeit von über 90% treffen die ML Modelle Aussagen über den Reifegrad von einem CAD Modell. Das Konzept ermöglicht durch den Einsatz von ML Algorithmen Informationen zu erheben, die den Projektleitenden eine Unterstützung liefert in kurzen Abständen sich ein Bild über den tatsächlichen Projektfortschritt zu machen. Durch die Fokussierung auf die Artefakte, die während der Produktentwicklung entstehen und in den frühen Phasen das zu entwickelnde Produkt darstellen, werden auch nur die Faktoren berücksichtig die direkt mit dem Fortschritt des Produktes zusammenhängen. Andere Methoden die sich auf Kennzahlen zu Zeit und Kosten beziehen werden hier nicht betrachtet.
Publications
- (2017): Steigerung des Entwicklungserfolgs durch automatisierte Projektfortschrittsmessung. In: Wissenschaftliche Gesellschaft für Produktentwicklung e.V (Hrsg.). Newsletter Wissenschaftliche Gesellschaft für Produktentwicklung WiGeP, Ausgabe 1, April 2017, S. 9-10. ISSN 1613-5504
Kaluza, A.; Stark, R.
- (2020): Automated measuring of engineering progress based on ML algorithms. In: 14th CIRP Conference on Intelligent Computation in Manufacturing Engineering (CIRP ICME’20)
Ebel, H.; Stark, R.; Tsigkros, A.
(See online at https://doi.org/10.1016/j.procir.2021.03.114)
