Efficient Engineering Data Exchange in Multi-disciplinary Systems Engineering

Biffl, Stefan; Lüder, Arndt; Rinker, Felix; Waltersdorfer, Laura

doi:10.1007/978-3-030-21290-2_2

Cited by 17 publications

(9 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Fachinspektionen durch Experten nutzen etwa etablierte Review (Rösler et al 2013) und Inspektionstechniken aus dem Software Engineering (Aurum et al 2002) Dadurch ergibt sich typischerweise neben einer effizienteren und zielgerichteten Fehlersuche auch eine massive Reduktion von Aufwand und Kosten bei der Fehlersuche (Winkler und Biffl 2015); (Winkler et al 2016). Der Einsatz von Inspektionen in einer Datenlogistik (Biffl et al 2019b) erlaubt es zusätzlich, auch fehlende Informationen aufzudecken, etwa fehlende PLC-Komponenten oder elektrische Komponenten, die zwar in der Anlagentopologie verfügbar sind, aber noch nicht umgesetzt sind. Durch die Verfügbarkeit von Verknüpfungen, die über die Datenlogistik hergestellt werden können (Biffl et al 2015(Biffl et al , 2019b, ist im Bedarfsfall auch eine Navigation nicht nur zu den betroffenen Modellen, sondern auch zu den relevanten Positionen innerhalb dieser Modelle möglich (Mordinyi et al 2012).…”

Section: Fachinspektionen Durch Expertenunclassified

Modellunterstützte Qualitätssicherung von Engineering-Daten industrieller Produktionssysteme

Winkler¹,

Meixner²,

Mordinyi³

et al. 2020

Springer Reference Technik

Self Cite

View full text Add to dashboard Cite

Die Zusammenarbeit von Fachexperten in einem heterogenen Entwicklungsumfeld im Industrie 4.0 Umfeld bringt neben dem verstärkten Bedarf an effizientem Datenaustausch weitere Herausforderungen aber auch neue Möglichkeiten an fachbereichsübergreifenden Maßnahmen der Qualitätssicherung zur Verbesserung der Projekt-, Prozess-und Produktqualität mit sich. Engineering-Modelle stellen dabei meist die Grundlage der einzelnen Fachbereiche dar und müssen effizient aufeinander abgestimmt werden. Durch modellunterstützte Qualitätssicherung und automatisierte Tests können Fehler, fachbereichsübergreifend effizient erkannt und durch beteiligte Ingenieure behoben werden. Dieses Kapitel beschreibt Bedarfe an Methoden zur fachbereichsübergreifenden Qualitätssicherung sowohl für Ingenieure als auch für Projekt-und Qualitätsmanager und stellt Konzepte und Lösungsansätze anhand exemplarischer Industrieprototypen dar: Fachinspektionen durch Experten ermöglichen die gezielte Untersuchung von Änderungen in Engineering-Modellen oder die Überprüfung generierter Modelle. Testansätze erlauben die Überprüfung der Durchgängigkeit von Signalinformationen (End-to-End Test). Ein Testautomatisierungsframework unterstützt die flexible und semiautomatische Testplanung und Testdurchführung auf Systemebene. Im Rahmen der Projektbeobachtung können kritische Projekt-oder Prozessparameter überwacht werden. Die Grundlage für diese Lösungsansätze bilden Mechanismen zum effizienten und qualitätsgesicherten Datenaustausch basierend auf integrierten Datenmodellen oder effizienten Datenaustauschplattformen, die etwa auf AutomationML

show abstract

Section: Fachinspektionen Durch Expertenunclassified

Modellunterstützte Qualitätssicherung von Engineering-Daten industrieller Produktionssysteme

Winkler¹,

Meixner²,

Mordinyi³

et al. 2020

Springer Reference Technik

Self Cite

View full text Add to dashboard Cite

show abstract

“…Martini et al [18] show how architectural TD accumulates during development in a project until reaching a crisis point that makes refactoring inevitable, increasing business value as the short-term sins are repaid adequately. Case studies by Biffl et al [4][5] and Kathrein et al [12][13] investigated engineering processes of EOs with a focus on the structure of collaborations between workgroups [13] and how data is exchanged [4] [5]. These works represent building blocks for this paper, as they define a coherent context with basic concepts needed for TD investigations.…”

Section: Technical Debt In Pse Knowledgementioning

confidence: 99%

“…The production optimizer (PO) receives all basic plans and tries to minimize the cycle times of the plant. However, this work requires different product/ion knowledge aspects and may cause many calls back to the SP and PP (5). The PO collaborates with the automation engineer (AE) (6), who is responsible for PLC software engineering tasks.…”

Section: Rq2b: How Do Td Items and Causes Relate To Each Other?mentioning

confidence: 99%

“…In a typical PSE process, the domain experts work in parallel in discipline-specific workgroups that exchange engineering artifacts for iterative improvement. For making informed design decisions, industrial automation and software engineers depend on the high quality of input artifacts that contain software requirements as well as results and rationale of system design decisions [4] [5].…”

Section: Introductionmentioning

confidence: 99%

“…PartOf ODP: http://ontologydesignpatterns.org/wiki/Submissions:PartOf5 Componency ODP: http://ontologydesignpatterns.org/wiki/Submissions:Componency…”

mentioning

confidence: 99%

See 2 more Smart Citations

Software Engineering Risks from Technical Debt in the Representation of Product/ion Knowledge

Biffl¹,

Kathrein²,

Lüder³

et al. 2019

International Conferences on Software Engineering and Knowledge Engineering

Self Cite

View full text Add to dashboard Cite

In the multidisciplinary production systems engineering (PSE) process, software engineers depend on requirements and design rationales coming from product and production process planning, summarized as product/ion knowledge. Unfortunately, the engineering artifacts coming from product/ion planning often represent important product/ion knowledge incompletely and not well integrated, leading to risks regarding software engineering quality. In this paper, we report on a case study at a large industrial PSE organization, investigating Technical Debt (TD) effects, items, and causes in PSE process documentation and configuration management according to the VDI guideline 3695 Part 2. We focus on requirements for and issues in the representation of product/ion knowledge in the engineering data provided to software engineers. Based on data elicited from PSE domain experts, we model TD concepts based on the Quality Function Deployment method as foundation for TD analysis and risk management. The initial validation with domain experts revealed how software engineers could benefit from improved product/ion knowledge modeling as foundation for better understanding the rationale of engineering design decisions.

show abstract