Datenverarbeitung und Machine Learning haben ein hohes Potenzial, die Produktivität und Flexibilität in automatisierten Produktionssystemen zu steigern. Sensor- und Aktordaten weisen jedoch häufig Defizite in der Datenqualität auf, insbesondere in der Vollständigkeit der möglichen Sensor- und Aktorwertkombinationen. Das Befolgen bewährter Routinen und Prozesse während des normalen Betriebs eines automatisierten Produktionssystems führt zu Sensor- und Aktordaten, die oft auf bestimmte Bereiche des Merkmalsraums beschränkt sind. Zur Bewertung der so genannten Datensatz-Vollständigkeit wird eine neuartige Metrik entwickelt, die die Ausnutzung des Merkmalsraums in mehrdimensionalen Datensätzen von Sensor- und Aktordaten misst. Zur Evaluierung wird ein datengetriebener Zustandsüberwachungsansatz für Regelventile in der Prozessindustrie entwickelt, der die besonderen Ventilfehler Steckerverschleiß und Verklebungen erkennt. Die vorgeschlagene Metrik für die Vollständigkeit des Datensatzes wird auf den Anwendungsfall der datengesteuerten Zustandsüberwachung angewendet und der Einfluss der Vollständigkeit des Datensatzes auf die Modellgenauigkeit der datengesteuerten Ergebnisse wird erfolgreich verifiziert.weiterlesen