Kausale Graphen als lernendes Assistenzsystem für automatisiertes Fehlermanagement in der Produktion (KausaLAssist)

Problemlage
Der Bedarf, individuelle Produkte schnell und kostengünstig herzustellen, forciert eine starke Vernetzung und softwaretechnische Aufrüstung der Fertigung. Für den kontinuierlichen Betrieb dieser Anlagen wird ein effizientes Fehlermanagement benötigt, um den wirtschaftlichen Ablauf sicherzustellen. Aktuell verwendete Ansätze zur Ausfallzeitenreduzierung beruhen einerseits auf maschinenspezifischen Lösungen, die Fehler möglichst genau eingrenzen sowie andererseits aus hochqualifizierten Fachkräften, die die tatsächliche Fehlerursache mit ihrem ausgeprägten Maschinenverständnis ermitteln und beheben. Mit steigender Anlagenkomplexität genügt dieses verteilte, stark personenbezogene Anlagenwissen nicht, um den effizienten Betrieb sicherzustellen. Es fehlen Lösungen, die das Wissen des Betreibers mit datengetriebenen Erkenntnissen effizient kombinieren und selbstlernendes Fehlermanagement ermöglichen.

Zielstellung
An dieser Stelle setzt das Forschungsprojekt KausaLAssist an. Ziel ist die Entwicklung eines sogenannten gerichteten Graphen, welcher domänenspezifisches Wissen mit datengetriebenen Erkenntnissen zu einem digitalen Maschinenverständnis kombiniert. Der Graph stellt über Kausalbeziehungen die erlernten Erkenntnisse mensch- und maschinenlesbar dar und bietet damit als erklärbares KI-System die Basis für das Fehlermanagement komplexer Fertigungsanlagen.

Vorgehensweise
Basierend auf der Kombination von maschinellem Lernen und Expertenwissen werden Lösungen zum Fehlermanagement, also der systematischen Fehlerdetektion, Ursachenermittlung, Lösungsstrategieentwicklung sowie Fehlerbehebung, entwickelt. Dafür wird aus Anlagendaten mittels maschinellem Lernen eine Hypothese über vorhandene Kausalbeziehungen erlernt, in Form eines gerichteten Graphen dargestellt und intuitiv mit Domänenwissen kombiniert. Auf Basis des Graphens werden Fehler als von der Norm abweichende Zusammenhänge 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 Fehlerbehebungen bereitgestellt. Die Methodik wird anhand von drei Anwendungsszenarien im Industrieumfeld erprobt. Im ersten Awendungsfall liegt der Fokus auf der Integration des selbstlernenden Fehlermanagements als maschinennahe Softwarekomponente in einzelne Maschinen, welche im zweiten Anwendungsfall in eine komplexe Produktionslinie integriert werden. Im dritten Szenario wird die automatisierte Fehlerbehebung für eine autonome Roboterzelle erprobt.

Ergebnisse und Anwendungspotenzial
Die erwarteten Projektergebnisse bieten als transparentes, erklärbares KI-System enormes Potenzial für die Automatisierung des Fehlermanagements, besonders für die komplexe Fertigung in Losgröße 1. Weiterhin bieten kausale Graphen die Möglichkeit, das vorhandene Maschinenwissen einzubinden und auszubauen. In weiteren Ausbaustufen können die Graphen genutzt werden für die Anlaufzeitenverkürzung, flexible Extrapolation von Fertigungsparametern und für präventive Instandhaltungsaufgaben. Abschließend sollen die Projektergebnisse über „Industrial App Stores“ branchenübergreifend zur Verfügung gestellt werden.

• Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung eingetragener Verein
• Industrie-Partner GmbH Radebeul-Coswig
• Institut für Angewandte Informatik (InfAI) e.V.
• ISG Industrielle Steuerungstechnik GmbH
• KAMAX Tools & Equipment GmbH & Co.KG
• queo GmbH
• Schuster Maschinenbau GmbH
• Seitec GmbH