piwik-script

Deutsch Intern
Lehrstuhl für BWL und Wirtschaftsinformatik - Prof. Dr. A. Winkelmann

PipeAI

pipeAI - Prediction of Industrial Processes through Explainable Artificial Intelligence

Motivation

Die vierte industrielle Revolution fordert Unternehmen zum Umdenken, wovon auch die Industrie- und Wissenschaftspartner in diesem Forschungsprojekt direkt und indirekt betroffen sind. Durch eine umfassende Vernetzung von Einzelkomponenten gelangen Produktionsinformationen immer mehr in den Fokus. Diese Informationen werden aus der Verwertung von Daten synthetisiert, welche in modernen Fertigungsanlagen in großen Mengen generiert werden. Durch eine intelligente Verarbeitung dieser Daten lassen sich die Prozesse besser verstehen und diese beispielsweise optimieren oder mögliche Ausfälle vorhersagen. Diese intelligente Verarbeitung basiert hierbei auf Machine- und Deep-Learning Algorithmen, welche als Teilgebiet der künstlichen Intelligenz (KI) zu verstehen sind.

Im Forschungsprojekt werden die Ausfallvermeidung und die prädiktive Instandhaltung von Maschinen und Industrieanlagen als ein treffendes Beispiel für die im Forschungsprojekt ben zu entwickelnden KI-Werkzeuge herangezogen. Prädiktive Wartung stellt insofern eine große Herausforderung dar, als dass der Mensch hierbei eine zentrale Rolle spielt: Aufgrund der Komplexität moderner Fertigungsanlagen bedarf es einer effizienten Adressierung von Instandhaltungsfragen sowie eines umfangreichen Verständnisses und der effektiven Handhabung komplexer Abläufe. KI kann den Menschen durch prädiktive Erkennung und Bereitstellung von kontextsensitiven Informationen bei dieser Aufgabe helfen.

Hier adressiert das Forschungsprojekt einen zweiten Schwerpunkt: Wie lässt sich die Akzeptanz von KI-Werkzeugen erhöhen? Ein menschzentrierter Gestaltungsprozess bildet dafür die Grundlage. Die Herausforderungen, die in diesem Zusammenhang adressiert werden müssen, sind im Wesentlichen technischer Natur – die Sicherstellung der Vorhersagezuverlässigkeit und die Transparenz bezüglich des Zustandekommens einer Entscheidung oder Empfehlung.

Für die Industriepartner stellt eine aktive Auseinandersetzung mit dem Thema KI einen Schlüsselbaustein für die künftige Unternehmensentwicklung dar, der mit dem Forschungsprojekt und der Unterstützung der Wissenschaftspartner untermauert werden soll.

Problem und Lösung

Aufgrund der steigenden Komplexität moderner Anlagen bei paralleler Zunahme der Datenmenge ist die Planung der Instandhaltung und das Vermeiden von Ausfällen für Mitarbeiter oft sehr komplex und zeitaufwändig. Ebenso vielschichtig sind die Probleme und Lösungen, die im Forschungsprojekt behandelt werden sollen.

Gängige Unterstützungstools aus den Bereichen Manufacturing Execution System (MES) und Computerized Maintenance Management System (CMMS) bieten bereits eine gewisse Komplexitätskapselung durch die Aggregation von Informationen und statischer Regelbildung. Die Anwendung von Methoden aus dem Bereich des Maschinellen Lernens verspricht hier eine höhere Genauigkeit für die Ausgabe der bestmöglichen Empfehlung bei Instandhaltungsfragen. Um Unterstützungssysteme dahingehend zu verbessern, soll im Forschungsprojekt eine solche Prädiktion des Anlagenverhaltens mit einem Generative Query Network (GQN) oder vergleichbarem Ansatz ermöglicht werden. Das Forschungsprojekt soll aber nicht auf diesen beschränkt bleiben, sondern diesen anderen gegenüberstellen und kritisch werten, um so den probatesten Algorithmus zu ermitteln.

Ein ebenso wichtiger Teil ist die menschgerechte Implementierung. Algorithmen und Ansätze aus dem Bereich des Maschinellen Lernens werden häufig als Blackbox wahrgenommen, und finden daher schwieriger Eingang in praxisrelevante Aufgabenstellungen. Nur bei ausreichender Akzeptanz durch die Mitarbeiter können die KI-Werkzeuge ihre Wirksamkeit voll entfalten. Nach fundierten Theorien über die Akzeptanz von Innovationen sind dabei Erfahrung, Verständlichkeit und Beobachtungsfähigkeit besonders entscheidend. So scheint gerade die Blackbox der intelligenten Datenverarbeitung ein Problem. Wenn Algorithmen und funktionale Logik transparent sind (oder transparent erscheinen), wird die Akzeptanz erhöht.  Verfahren aus dem Forschungsbereich der Explainable Artifical Intelligence (XAI) verfolgen das Bestreben, auch deren Ergebnisse künftig erklärbar zu machen und damit die Blackbox aufzulösen.

Weiterhin ist das über die Zeit aufgebaute Domänenwissen, d. h. das Analysewissen über eine Fertigungsanlage in Verbindung mit dem hinterlegten Expertenwissen, bisher nur schwer in neue Einsatzszenarien übertragbar. Durch die resultierende Veränderung der Maschinenzustandsdaten kann bestehendes Know-how oft nur schwer adaptiert werden. Das Anpassen der KI auf den neuen Prozess kann für eine Übergangszeit zu Unschärfen führen, und damit beim Benutzer zu Akzeptanzverlust. Neben dem effektiven Weiterlernen der KI ist es daher eine ebenso wichtige Aufgabe, den Benutzer in diesen Prozess aktiv mit einzubinden, um über dessen Mitgestaltung, bspw. durch zusätzliche manuelle Klassifizierung seine Akzeptanz zu fördern. Hier lassen sich Erkenntnisse aus dem Forschungsbereich Transfer Learning (TL) nutzen, um eine Übertragbarkeit bestehenden Wissens auf ähnliche Szenarien zu erreichen.

Innovation

Die erklärten Schwerpunkte „Zeitliche Prädiktion mit Generative Query Networks“, „Standardisiertes Alarmmanagement und Datenqualität“, „Explainable AI“ und „Transfer Learning“ stellen den innovativen Kern des Projekts dar, der für eine erfolgreiche Umsetzung von KI-Werkzeugen im industriellen Wartungs- und Instandhaltungsbetrieb essenziell ist. Mit den im Forschungsprojekt implementierten Prototypen und Funktionsmustern entstehen KI-Werkzeuge, die Benutzer in die Lage versetzen, Prozesse effizienter und optimaler zu führen. Dieses künstliche Wissen unterstützt Mitarbeiter gerade dort, wo langjährige Prozesserfahrung aufgrund erhöhter Mitarbeiterfluktuation, des demographischen Wandels und des Fachkräftemangels schwindet. Die KI unterstützt unerfahrenere Mitarbeiter. Diese Effekte und die Praxistauglichkeit der Methoden werden mithilfe von Anwendungspartnern in deren Prozessen verifiziert. Das Forschungsprojekt adressiert insbesondere KMU, die durch die sich verschärfende Situation am Arbeitsmarkt und den Anforderungen an Effizienz und Leistungsfähigkeit in der Produktion besonders herausgefordert sind.