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 Geschäftsprozessmanagement (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 außerdem prädiktives 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 Beiträge zu hybriden Modellierungssprachen und zum Small-Sample Learning im prädiktiven Monitoring. Ein wiederkehrendes Interesse liegt darin, die Lücke zwischen BPM-Theorie und praktischen Anwendungen zu schließen, 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 Komplexität 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 Überprüfung der Sicherheits-Compliance zu gewährleisten.
Jüngste Arbeiten erweitern dies durch die Einbeziehung ethischer und Governance-Überlegungen. Dies 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 Geräte vernetzt. Diese sind typischerweise in elektrische/elektronische Komponenten eingebettet und mit Sensoren und Aktuatoren ausgestattet, die es ermöglichen, Daten über verschiedene Kommunikationsnetzwerke, einschließlich des Internets der Dinge (IoT), zu erfassen, zu (re-)agieren, zu sammeln und auszutauschen. Dadurch wird eine kontinuierliche Überwachung von Phänomenen basierend auf Sensorgeräten (Wearables, Beacons, Smartphones, Maschinensensoren usw.) sowie Analysemöglichkeiten in intelligenten Umgebungen (Smart Homes, vernetzte Autos, Smart Logistics, Industrie 4.0 usw.) ermöglicht. Die Ereignisverarbeitung konzentriert sich darauf, Ereignisse mit minimaler Latenz, d.h. nahezu in Echtzeit, zu erfassen und zu verarbeiten, um Veränderungen oder Trends zu erkennen, die auf Chancen oder Probleme hinweisen. Im Kontext dynamischer Systeme wie prozessorientierter Informationssysteme können Ereignisse Zustandsänderungen 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 höherwertiges Wissen aus niedrigwertigeren Systemereignissen ab. Wir haben die Machbarkeit der Anwendung des Konzepts der Ereignisverarbeitung auf prozessorientierte Informationssysteme untersucht, um ein geschlossenes Überwachungs- und Steuerungs-Loop von Prozessen in IoT-Umgebungen zu ermöglichen. Wir haben eine Architektur für die Integration von Informationssystemen und Ereignisverarbeitungssystemen in einem geschlossenen Überwachungs- 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, räumlich 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 Flexibilität. In jüngster Zeit haben wir prädiktive Techniken zur Ableitung von Vorhersagen entwickelt, z. B. Techniken für prädiktive Wartung im Kontext verteilter, ereignisgesteuerter Produktionsinformationssysteme. Dazu haben wir verschiedene Klassifikations- und Regressionsmethoden angewendet, die aus mehreren unkorrelierten Entscheidungsbäumen 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 Realität ausgeführt werden, und eine kontinuierliche, faktenbasierte Verbesserung zu ermöglichen. Unsere Beiträge in diesem Bereich lassen sich in drei Richtungen gruppieren. Erstens, während sich ein großer 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 können. 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 Benutzeroberflächen entwickelt, die es Menschen ermöglichen, 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 Geräteparameter von beliebigen Orten aus zu manipulieren. Wir haben einen Ansatz für ein Framework zur IoT-Dateninteraktion mittels tragbarem Prozessmanagement implementiert. Darüber hinaus können Menschen Umweltdaten, z. B. Produktionsparameter, in Echtzeit von beliebigen Orten aus aktiv beeinflussen. Dieser Ansatz basiert auf Spracherkennung, die durch Forschung im Bereich neuronaler Netze angetrieben wird. Wir setzen auf einen End-to-End (E2E)-Modellansatz, der vollständig auf einem Smart Device läuft.
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 Geschäftsprozessen zu nutzen. Ziel ist daher eine ganzheitliche Betrachtung von IoT-basiertem BPI, einschließlich der größten 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.
Zunächst wurde die Identifizierung von Problemen und Herausforderungen sowie die Untersuchung potenzieller Möglichkeiten 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 Entscheidungsträgern erwartet werden können. Dieses Kernprinzip kann als Identifizierung möglicher IoT-basierter BPI-Vorschläge 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. Außerdem müssen Organisationen über detailliertes Wissen über ihre internen Fähigkeiten verfügen, um diese Projekte erfolgreich umzusetzen. Da sich diese Fähigkeiten im Laufe der Zeit ändern können, wurde eine kontinuierliche Reifegradbewertung entwickelt. Dieses Prinzip kann als Untersuchung fortgeschrittener Methoden zusammengefasst werden, die die Auswahl von IoT-Technologien und -Anwendungen unterstützen.