Intelligentes Fehlermanagement mittels erklärbarer KI

Mit steigender Vernetzung und softwaretechnischer Aufrüstung der Fertigung steigt die Komplexität der Fehlerbehebung enorm. Tritt eine Störung auf, führt dies häufig zu längeren Stillstandszeiten und gefährdet den wirtschaftlichen Betrieb der Anlagen.

Rein personengestützte Fehlerbehebungsstrategien sind aufgrund der komplexen Verkettung der Ereignisse nicht mehr effektiv. Hier fehlt die Unterstützung durch datengetriebene Erkenntnisse für eine schnellere Fehlerbehebung.

Eine vielversprechende Lösungsidee für dieses Problem wird im KausaLAssist-Projektkonsortium erarbeitet und prototypisch in drei Anwendungsfällen umgesetzt.

Projekt KausaLAssist erforscht die Kombination von Expertenwissen und KI

Das interdisziplinäre Projektkonsortium besteht aus insgesamt acht Partnern aus Produktion, Automatisierung, Softwareindustrie und Forschung. Ab Juli 2021 wird im Rahmen der BMBF Bekanntmachung „Lernende Produktionstechnik – Einsatz künstlicher Intelligenz (KI) in der Produktion (ProLern)“ an der Kombination von Wissen mit datengetriebenen Erkenntnissen über erklärbare KI-Methoden geforscht. Die Projektlaufzeit beträgt 36 Monate.

Ziel ist ein erklärbares KI-System für das Fehlermanagement komplexer Anlagen

Forschungskern des Projekts ist die Entwicklung eines gerichteten Graphen, welcher domänenspezifisches Wissen mit KI-Erkenntnissen zu einem digitalen Maschinenverständnis kombiniert. Der Graph stellt über Kausalbeziehungen die erlernten Erkenntnisse mensch- und maschinenlesbar dar und legt als erklärbares KI-System die Basis für das Fehlermanagement komplexer Fertigungsanlagen.

Kausalbeziehungen werden aus Anlagedaten erlernt

In Kombination von maschinellem Lernen und Expertenwissen werden im Konsortium Lösungen zum Fehlermanagement, also der systematischen Fehlerdetektion, Ursachenermittlung, Lösungsstrategieentwicklung sowie Fehlerbehebung, entwickelt. Am Fraunhofer IWU wird dafür maschinelles Erlernen vorhandener Kausalbeziehungen in den Anlagedaten erforscht. Die KI-generierte Wissenshypothese wird anschließend in Form eines gerichteten Graphen dargestellt und mit Feedback vom Fachpersonal validiert.

Kausaler Graph als Entscheidungsgrundlage für Fehlerdetektion, Ursachenermittlung, Lösungsstrategieentwicklung sowie Fehlerbehebung

Im Forschungsteil des Institut für Angewandte Informatik e.V. werden Fehler als von der Norm abweichende Zusammenhänge im Graphen registriert und potenzielle Ursachen zielgerichtet ermittelt. Aus den ermittelten Ursachen werden automatisiert Lösungsstrategien abgeleitet, dem Bediener präsentiert und anschließend anhand der Effektivität bewertet. Die erfolgreichen Lösungsstrategien werden gespeichert und, wenn möglich, für automatisierte Fehlerbehebung bereitgestellt.

Methodik wird in drei Industrieszenarien prototypisch umgesetzt

Die Methodik wird anhand dreier Anwendungsszenarien im Industrieumfeld erprobt:

1.  Schuster Maschinenbau GmbH: Integration des selbst lernenden Fehlermanagements als maschinennahe Softwarekomponente in einzelnen Maschinen
2. KAMAX Tools & Equipment GmbH & Co. KG: Inkorporation des KI-Systems in die hochvernetzte Produktionslinie
3. Industrie-Partner GmbH Coswig: Erprobung der automatisierte Fehlerbehebung in einer autonomen Roboterzelle

Durchgehend digitale Infrastruktur und benutzungsfreundliche Software ebnen Weg von KI in den industriellen Alltag

Das digitale Rückgrat für das KI-System wird bei SEITEC GmbH entwickelt, welche die intelligente Datensammlung und -bereitstellung in einem digitalen Zwilling integrieren. Im Feld laufen alle KI-Erkenntnisse in der Fehlermanagement-Applikation von queo GmbH zusammen und werden benutzerfreundlich für das Fachpersonal aufbereitet. Ohne eine Validierung ist der Einsatz von KI in der laufenden Produktion undenkbar. Deshalb entwickelt ISG Industrielle Steuerungstechnik GmbH ihr Inbetriebnahme-Tool für die virtuelle Inbetriebnahme von KI-Systemen weiter und stellt wertvolle Simulationsdaten für das realitätsnahe Training der KI-Modelle bereit.

Die erwarteten Projektergebnisse bieten enormes Potenzial für die Automatisierung des Fehlermanagements. Wir werden diese mit Ihnen auf diesem Blog teilen.  

Haben Sie Anregungen oder Fragen? Wir freuen uns über einen Kommentar oder eine persönliche Nachricht.

Titelbild:  © ART-KON-TOR / Fraunhofer IWU