FIDP Modul 12: AP2 FIDP Gesamtprüfungssimulation (Echtzeit)

a) (10 Pkt.):
• Pool vs. Lane: Ein Pool repräsentiert eine eigenständige organisatorische Einheit / Geschäftspartner (z.B. Kunde vs. KinetiQ). Eine Lane unterteilt einen Pool in Abteilungen, Rollen oder Systeme (z.B. Disposition, Montage, QS).
• Sequence Flow vs. Message Flow: Sequenzflüsse (durchgezogene Linie mit Pfeil) verbinden Knoten innerhalb desselben Pools. Nachrichtenflüsse (gestrichelte Linie mit offenem Kreis und Pfeil) verbinden Knoten über Poolgrenzen hinweg (z.B. Bestelleingang vom Kunden).
• Boundary Events: Unterbrechend (durchgezogene Doppellinie): Bricht bei Eintritt des Ereignisses die Aktivität sofort ab. Nicht-unterbrechend (gestrichelte Doppellinie): Startet einen parallelen Ausführungspfad (z.B. Eskalations-Erinnerung), während die Hauptaktivität ungestört weiterläuft.

b) (8 Pkt.):
• Formel: PCE = (Wertschöpfende Bearbeitungszeit / Gesamte Durchlaufzeit) * 100.
• Rechnung: PCE = (14,4 h / 72 h) * 100 = 20,0 %.
• Interpretation: 80 % der gesamten Durchlaufzeit entfallen auf nicht-wertschöpfende Liege- und Rüstzeiten. Es besteht massives Rationalisierungspotenzial durch Reduzierung von Zwischenlagerpuffern (Just-in-Time) und Optimierung der Rüstzeiten (z.B. SMED-Methode).

c) (7 Pkt.):
• 1. Analyse der Work-in-Progress (WIP) Bestände: Die Station vor dem Engpass weist den größten Stau/Warteschlange auf.
• 2. Maschinenauslastung / OEE-Monitoring: Der Flaschenhals arbeitet dauerhaft bei 100 % Volllast, während vor- und nachgelagerte Stationen Leerlaufzeiten haben.
• 3. Little’sches Gesetz (WIP = Throughput * Cycle Time): Analyse der Verweildauern.
• Maßnahme: Entlastung des Engpasses durch parallele Kapazität, Auslagerung von Teilschritten oder Priorisierung kritischer Baulose.

a) (10 Pkt.):
• OPC-UA: Client/Server & Pub/Sub; semantisches Informationsmodell (Objekte, Methoden, strukturierte Datentypen); höherer Protokoll-Overhead; Standard für Maschinen-zu-Maschine (M2M) und SPS-Kommunikation auf Fabrikebene.
• MQTT: Reines Publish/Subscribe über zentralen Message Broker; schlanker 2-Byte fester Header; nachrichtenformat-agnostisch (Payload beliebig); ideal für bandbreitenbegrenzte Netzwerke, Edge-to-Cloud und tausende verteilte IoT-Sensoren.

b) (8 Pkt.):
• QoS 0 („At most once“): Keine Empfangsbestätigung. Nachrichten können bei Paketverlust verloren gehen. Minimaler Overhead.
• QoS 1 („At least once“): Nachricht wird gespeichert und wiederholt, bis PUBACK eintrifft. Garantiert Zustellung, Duplikate möglich.
• QoS 2 („Exactly once“): 4-Wege-Handshake (PUBLISH → PUBREC → PUBREL → PUBCOMP). Garantiert einmalige Zustellung ohne Verluste und ohne Duplikate.
• Empfehlung: Für 100-Hz-Temperatursensoren QoS 0 (Verlust eines Werts unkritisch, spart Netzwerklast). Für Not-Aus / kritische Alarme QoS 2 (garantierte, fehlerfreie Einzelzustellung unverzichtbar).

c) (7 Pkt.):
• JSON: Menschenlesbar, textbasiert, großer Bandbreitenbedarf durch Feldnamen-Redundanz, ressourcenintensives String-Parsing.
• Protobuf / Avro: Binär kodiert, bis zu 70-80 % kompakter, extrem schnelles binäres De-/Serialisieren.
• Schema Evolution: Avro/Protobuf definieren strikte Schemadateien. Neue Felder mit Default-Werten brechen bestehende Konsumenten nicht (Backward- und Forward-Compatibility).

a) (8 Pkt.):
• Vollständigkeit: Keine Lücken in den Zeitreihenmessungen der Maschinen.
• Korrektheit: Messwerte spiegeln reale physikalische Zustände wider (keine Artefakte wie 9.999 °C).
• Aktualität: Zeitverzug zwischen Messung am Sensor und Bereitstellung im Data Warehouse liegt im definierten Zeitfenster (< 1 Sekunde).
• Konsistenz: Einheiten und Bezeichner sind im gesamten System einheitlich (z.B. Grad Celsius statt Kelvin/Fahrenheit; eindeutige machine_id).

b) (10 Pkt.):

import pandas as pd
import numpy as np

def clean_telemetry_data(df: pd.DataFrame) -> pd.DataFrame:
    # 1. Zeitstempel parsen und sortieren
    df['timestamp'] = pd.to_datetime(df['timestamp'])
    df = df.sort_values(by=['machine_id', 'timestamp'])

    # 2. Exakte Duplikate entfernen
    df = df.drop_duplicates(subset=['machine_id', 'timestamp'])

    # 3. Unplausible Werte als NaN maskieren
    df.loc[(df['temperature'] < 0) | (df['temperature'] > 150), 'temperature'] = np.nan
    df.loc[df['vibration'] < 0, 'vibration'] = np.nan

    # 4. Zeitreihen-Interpolation pro Maschine durchführen
    df['temperature'] = df.groupby('machine_id')['temperature'].transform(
        lambda group: group.interpolate(method='linear').bfill().ffill()
    )
    return df

c) (7 Pkt.):
• Z-Score: Berechnet z = (x - mean) / std. Werte mit |z| > 3 gelten als Ausreißer. Nachteil: Arithmetisches Mittel und Standardabweichung werden selbst massiv durch extreme Ausreißer verzerrt.
• IQR-Methode: Berechnet Differenz IQR = Q3 - Q1. Grenzwerte: [Q1 - 1,5*IQR, Q3 + 1,5*IQR]. Median und Quartile sind robust gegenüber Extremwerten (nicht-parametrisch) und eignen sich auch für schiefe Verteilungen.

a) (10 Pkt.):
• Pseudonymisierung: Personenbezogene Daten werden so verarbeitet, dass sie ohne Hinzuziehung zusätzlicher Informationen nicht mehr einer spezifischen betroffenen Person zugeordnet werden können. Diese Zusatzinformationen (Schlüssel) müssen getrennt aufbewahrt werden. Die Daten unterliegen weiterhin der DSGVO.
• Anonymisierung: Personenbezug wird irreversibel vernichtet; Re-Identifikation ist mit verhältnismäßigen Mitteln unmöglich. Anonymisierte Daten fallen nicht mehr unter die DSGVO.
• Salted Hash: Zur ID wird eine geheime, zufällige Zeichenkette (Salt) hinzugefügt, bevor der SHA-256 Hash berechnet wird: hash(MitarbeiterID + Salt). Verhindert Wörterbuch- und Rainbow-Table-Angriffe, da vorberechnete Hash-Tabellen nutzlos werden.

b) (8 Pkt.):
• RBAC (Role-Based): Berechtigungen hängen starr an Rollen (z.B. 'Schichtleiter', 'Data Analyst'). Statisch und einfach zu verwalten.
• ABAC (Attribute-Based): Berechtigungen werden feingranular und dynamisch anhand von Attributen des Subjekts (Rolle, Abteilung), der Ressource (Vertraulichkeitsstufe), der Aktion (Lesen, Exportieren) und der Umgebung (Uhrzeit, Firmennetzwerk) evaluiert.
• Empfehlung: ABAC ist überlegen, da Bedingungen wie „Zugriff nur während der eigenen Arbeitszeit im Firmen-WLAN“ nativ abgebildet werden können.

c) (7 Pkt.):
• Data Lineage: Visuelle und technische Nachverfolgung des Datenlebenszyklus vom Ursprung (Sensor/SPS) über alle ETL-Transformationsschritte bis hin zu den Zielberichten/ML-Modellen.
• Zweck: Ermöglicht Ursachenanalyse bei fehlerhaften Berechnungen (Root Cause Analysis), Verträglichkeitsprüfungen bei Schemaänderungen (Impact Analysis) und gesetzlichen Nachweis gegenüber Auditoren über die unverfälschte Herkunft der Qualitätsdaten.

a) (10 Pkt.):
• dim_date(date_key, full_date, day_of_week, month, quarter, year, is_holiday)
• dim_machine(machine_key, machine_serial, model_type, manufacturer, factory_location, commissioning_date)
• dim_product(product_key, product_code, category, target_cycle_time_sec)
• fact_machine_production(production_id, date_key, machine_key, product_key, units_produced, scrap_units, operating_minutes, downtime_minutes, energy_kwh)
• Charakteristik: Fremdschlüssel verweisen auf künstliche Surrogatschlüssel (Surrogate Keys) der Dimensionen. Fakten enthalten quantitative, additive Kennzahlen.

b) (8 Pkt.):
• SCD Typ 1: Überschreiben des alten Datensatzes. Keine Historisierung möglich (vorheriger Zustand geht verloren).
• SCD Typ 2: Anlegen einer neuen Zeile mit neuem Surrogatschlüssel, Gültigkeitszeitraum (valid_from, valid_to) und Flag is_current. Vollständige Historie bleibt erhalten.
• SCD Typ 3: Hinzufügen einer zusätzlichen Spalte previous_location. Speichert nur den unmittelbar vorigen Zustand.
• Empfehlung: SCD Typ 2. Nur so bleibt gewährleistet, dass historische Kennzahlen dem damals korrekten Werk A und neue Auswertungen Werk B zugeordnet werden.

c) (7 Pkt.):
• ETL: Transformation findet auf dediziertem ETL-Server vor dem Laden statt. Engpass bei großen Datenmengen.
• ELT: Rohdaten werden unverändert in den Data Lake / Data Warehouse geladen (Extract & Load). Die Transformation erfolgt direkt in der Cloud-Datenbank mittels SQL und massiv paralleler Rechenpower (MPP). Ermöglicht flexiblere Nachanalysen auf Originaldaten.

a) (10 Pkt.):

SELECT 
    machine_id,
    production_date,
    units_produced,
    AVG(units_produced) OVER (
        PARTITION BY machine_id 
        ORDER BY production_date 
        ROWS BETWEEN 6 PRECEDING AND CURRENT ROW
    ) AS rolling_7d_avg_units
FROM daily_machine_metrics
ORDER BY machine_id, production_date;

b) (9 Pkt.):

WITH monthly_downtime AS (
    SELECT 
        machine_id,
        SUM(downtime_minutes) AS total_downtime_min,
        DENSE_RANK() OVER (ORDER BY SUM(downtime_minutes) DESC) AS ranking
    FROM fact_machine_production
    WHERE date_key >= 20260801 AND date_key <= 20260831
    GROUP BY machine_id
)
SELECT machine_id, total_downtime_min, ranking
FROM monthly_downtime
WHERE ranking <= 3;

c) (6 Pkt.):
• Partition Pruning: Bei Abfragen mit Zeitfiltern (z.B. WHERE date >= '2026-09-01') überspringt die SQL-Engine irrelevant partitionierte Datenblöcke komplett (kein Full Table Scan).
• Maintenance: Veraltete Daten (z.B. älter als 5 Jahre) können via DROP PARTITION in Millisekunden ohne Transaktionslog-Overhead gelöscht oder archiviert werden.

a) (8 Pkt.):
• Problem bei Random Split: Sensordaten weisen starke Autokorrelation auf. Ein zufälliger Split leakt zukünftige Informationen in die Trainingsmenge (Data Leakage / Lookahead Bias).
• Time-Series-Split: Das Modell wird auf Daten der Vergangenheit (z.B. Monate 1-6) trainiert und ausschließlich auf nachfolgenden Zeiträumen (Monat 7) getestet. Das Testfenster wandert chronologisch vorwärts.

b) (10 Pkt.):
• Trugschluss der Accuracy: Ein triviales Dummy-Modell, das immer „Kein Ausfall (0)“ vorhersagt, erreicht 99.800 / 100.000 = 99,8 % Accuracy, erkennt jedoch keinen einzigen der 200 Ausfälle (vollständige Katastrophe im Betrieb!).
• Formeln:
  - Precision = TP / (TP + FP) (Wie viele der gemeldeten Alarme waren echte Ausfälle?)
  - Recall (Sensitivität) = TP / (TP + FN) (Wie viele der tatsächlichen Ausfälle wurden erkannt?)
  - F1-Score = 2 * (Precision * Recall) / (Precision + Recall) (Harmonisches Mittel).
• Entscheidung: Recall hat oberste Priorität! Ein False Negative (übersehener Ausfall) stoppt die Fertigungsstraße und kostet hunderttausende Euro; ein False Positive (Fehlalarm) führt lediglich zu einer präventiven Inspektion.

c) (7 Pkt.):
• 1. SMOTE (Synthetic Minority Over-sampling Technique): Erzeugt künstliche Trainingsdatenpunkte der Minderheitsklasse durch Interpolation zwischen k-nächsten Nachbarn.
• 2. Cost-Sensitive Learning / Class Weights: Fehlklassifikationen der Minderheitsklasse werden in der Verlustfunktion (Loss Function) z.B. 50-fach höher gewichtet (z.B. scale_pos_weight in XGBoost).

a) (10 Pkt.):
• 1. Verfügbarkeitsfaktor (A):
  Geplante Produktionszeit = 480 Min. - 60 Min. = 420 Min.
  Tatsächliche Laufzeit = 420 Min. - 30 Min. = 390 Min.
  A = 390 Min. / 420 Min. = 0,9286 (92,86 %).
• 2. Leistungsfaktor (P):
  In 390 Min. bei 0,5 Min./Stück maximal möglich: 390 / 0,5 = 780 Stück.
  Tatsächlich produziert: 700 Stück.
  P = 700 / 780 = 0,8974 (89,74 %).
• 3. Qualitätsfaktor (Q):
  Gutmenge = 700 - 35 = 665 Stück.
  Q = 665 / 700 = 0,9500 (95,00 %).
• Gesamt-OEE:
  OEE = A * P * Q = 0,9286 * 0,8974 * 0,9500 = 0,7915 = 79,15 %.

b) (8 Pkt.):
• 1. Farbdisziplin (SUCCESS-Regel): Grün/Rot ausschließlich für Zielerreichung/Abweichungen; neutrale Töne (Grau/Blau) für Standarddaten.
• 2. Standardisierte Diagramme: Säulendiagramme für Zeitverläufe, Balkendiagramme für Strukturvergleiche; keine 3D-Effekte oder Tortendiagramme mit mehr als 3 Segmenten.
• 3. High Data-Ink-Ratio: Entfernung redundanter Gitterlinien, Rahmen und Schatten (kein Chart-Junk nach Edward Tufte).
• 4. Einheitliche Skalierung: Nebeneinanderstehende Diagramme müssen gleiche Achsenmaßstäbe aufweisen, um visuelle Fehlinterpretationen zu verhindern.

c) (7 Pkt.):
• MTBF: Durchschnittliche Betriebszeit zwischen zwei Ausfällen. Predictive Maintenance verlängert die MTBF drastisch durch rechtzeitiges Erkennen von Verschleiß.
• MTTR: Durchschnittliche Reparaturdauer zur Wiederinbetriebnahme. Durch genaue Fehlerlokalisierung und vorbestellte Ersatzteile sinkt die MTTR signifikant.

a) (10 Pkt.):
• Ohne Sachgrund (§ 14 Abs. 2 TzBfG): Zulässig bis zur Gesamtdauer von maximal 2 Jahren (24 Monate). Innerhalb dieses Zeitraums höchstens dreimalige Verlängerung erlaubt. Vorbeschäftigungsverbot: Eine sachgrundlose Befristung ist unzulässig, wenn mit demselben Arbeitgeber bereits zuvor ein befristetes oder unbefristetes Arbeitsverhältnis bestand.
• Sachgründe (2 Bsp.): 1. Vorübergehender betrieblicher Mehrbedarf (z.B. Projektbefristung für 18 Monate Rollout); 2. Vertretung eines erkrankten Arbeitnehmers oder Elternzeitvertretung.

b) (8 Pkt.):
• Maximale Arbeitszeit (§ 3 ArbZG): Grundsatz: 8 Stunden werktäglich (Montag bis Samstag = max. 48 Std./Woche). Verlängerung auf bis zu 10 Stunden zulässig, wenn innerhalb von 6 Kalendermonaten oder 24 Wochen im Durchschnitt 8 Stunden werktäglich nicht überschritten werden (Ausgleichszeitraum).
• Ruhezeit (§ 5 ArbZG): Nach Beendigung der täglichen Arbeitszeit muss eine ununterbrochene Ruhezeit von mindestens 11 Stunden gewährt werden.

c) (7 Pkt.):
• Name und Anschrift der Vertragsparteien, Beginn des Arbeitsverhältnisses, Arbeitsort, Tätigkeitsbeschreibung, Zusammensetzung und Höhe des Arbeitsentgelts (inkl. Zuschläge), vereinbarte Arbeitszeit, Ruhepausen und Schichtsystem, Urlaubsanspruch, Kündigungsfristen und Verfahren bei Kündigung.

a) (10 Pkt.):
• Unterrichtung & Beratung (§ 90 Abs. 1 Nr. 3 BetrVG): Der Arbeitgeber muss den Betriebsrat rechtzeitig über die Planung von Arbeitsverfahren und den Einsatz von Künstlicher Intelligenz unterrichten und die Auswirkungen auf Art der Arbeit und Anforderungen an Arbeitnehmer beraten.
• Hinzuziehung von Sachverständigen (§ 80 Abs. 3 BetrVG): Muss der Betriebsrat zur Durchführung seiner Aufgaben die Einführung oder Anwendung von KI beurteilen, gilt die Hinzuziehung eines externen Sachverständigen (z.B. IT-Fachgutachter) als erforderlich; der Arbeitgeber muss die Kosten tragen.

b) (8 Pkt.):
• Eindeutige Definition des Verarbeitungszwecks (nur Prozessoptimierung und Maschinenschutz).
• Ausdrückliches Verbot der Leistungs- und Verhaltenskontrolle einzelner Mitarbeiter.
• Regelungen zur Pseudonymisierung/Anonymisierung der Bediener-IDs.
• Strikte Löschkonzepte und Zugriffsrechte (wer darf Berichte einsehen).

c) (7 Pkt.):
• Wahlberechtigt: Alle Arbeitnehmer unter 18 Jahren sowie Auszubildende und dual Studierende unter 25 Jahren.
• Wählbar: Alle Arbeitnehmer und Auszubildenden unter 25 Jahren.
• Verhältnis: Die JAV ist kein eigenständiges Beschlussorgan, sondern vertritt die Interessen der Auszubildenden gegenüber dem Betriebsrat. Sie hat Teilnahmerecht an Betriebsratssitzungen und Antragsrecht.

a) (10 Pkt.):
• Schwellenwert: Unternehmen ab in der Regel mindestens 50 Beschäftigten sind gesetzlich verpflichtet, sichere interne Meldekanäle einzurichten.
• Schutz vor Repressalien (§ 36 HinSchG): Jegliche Benachteiligung (Kündigung, Abmahnung, Versetzung, Gehaltskürzung) ist verboten.
• Beweislastumkehr: Erleidet der Hinweisgeber nach einer Meldung eine Benachteiligung, wird gesetzlich vermutet, dass diese Maßnahme eine verbotene Repressalie darstellt. Der Arbeitgeber muss beweisen, dass die Maßnahme auf hinreichenden sachlichen Gründen beruhte.

b) (8 Pkt.):
• Meldung an Aufsichtsbehörde (Art. 33 DSGVO): Unverzüglich, möglichst binnen 72 Stunden, nachdem die Verletzung bekannt wurde (es sei denn, das Risiko für die Rechte und Freiheiten natürlicher Personen ist voraussichtlich gering).
• Benachrichtigung der Betroffenen (Art. 34 DSGVO): Zwingend erforderlich, wenn die Verletzung voraussichtlich ein hohes Risiko für persönliche Rechte und Freiheiten zur Folge hat (z.B. Diebstahl von Passwörtern, Bankdaten oder Gesundheitsdaten).

c) (7 Pkt.):
• Eigenschäden: Kosten für IT-Forensik, Datenwiederherstellung, Betriebsunterbrechungsschäden, Krisenkommunikation.
• Drittschäden: Schadensersatzansprüche von Kunden/Partnern wegen Verletzung von Geheimhaltungs- oder Lieferpflichten.
• Obliegenheiten (2 Bsp.): 1. Regelmäßige Einspielung von Sicherheitsupdates (Patchmanagement); 2. Vorhandensein eines funktionsfähigen, offline gesicherten Backups (3-2-1-Regel).

a) (10 Pkt.):
• Die vier Phasen: 1. Aufschwung (Expansion) → 2. Hochkonjunktur (Boom) → 3. Abschwung (Rezession) → 4. Tiefstand (Depression).
• Merkmale im Boom:
  - Kapazitätsauslastung: Voll ausgelastet / Engpässe und Überstunden.
  - Preisniveau: Stark steigend (Inflationstendenzen durch Nachfrageüberhang).
  - Zinsen: Steigend (Kapitalnachfrage hoch, Zentralbank strafft Zinsen).
  - Arbeitslosigkeit: Sehr gering / Vollbeschäftigung / Fachkräftemangel.

b) (8 Pkt.):
• Ziel der EZB: Gewährleistung der Preisstabilität (angestrebt wird eine Inflationsrate von 2 % mittelfristig).
• Wirkung Zinserhöhung: Geschäftsbanken müssen höhere Zinsen für Zentralbankgeld zahlen und geben diese an Firmen und Verbraucher weiter. Sparen wird attraktiver, Kredite teurer → Konsum- und Investitionsnachfrage sinkt → Preissteigerungsdruck lässt nach.
• Auswirkung auf KinetiQ: Fremdkapitalfinanzierte Anschaffungen von Fertigungsstraßen verteuern sich; Kunden zögern Investitionen hinaus.

c) (7 Pkt.):
• Frühindikatoren: Auftragseingänge der Industrie, Geschäftsklimaindex (ifo-Index), Baugenehmigungen.
• Präsenzindikatoren: Aktuelle Industrieproduktion, Kapazitätsauslastung, Bruttoinlandsprodukt (BIP).
• Spätindikatoren: Arbeitslosenzahlen, Insolvenzen, Preisentwicklung (Inflationsrate).