Fällt heutzutage der Begriff ‚Algorithmus‘ außerhalb des Mathematikunterrichts, ist meistens ein streng gehütetes Geheimnis gemeint: Die Vorschrift, nach der Nutzern einer digitalen Plattform Inhalte angezeigt werden. Google, Facebook, YouTube, TikTok – sie alle verwenden einen solchen Algorithmus. Auch im industriellen Umfeld finden sich unzählige Einsatzmöglichkeiten für Algorithmen und viele werden bereits genutzt. Der nächste logische Schritt sind Algorithmen, die Algorithmen nutzen.

Was ist ein Algorithmus?

Algorithmen sind nicht notwendigerweise Quellcodes. Im Grunde genommen sind es einfache Schritt-für-Schritt-Anweisungen zur Abarbeitung von Aufgaben. Typische Beispiele sind Kochrezepte, Bauanleitungen für Möbel oder Modellbau oder auch Routen- und Wegbeschreibungen. Ihren vollen Nutzen erlangen Algorithmen dann, wenn sie maschinenlesbar beschrieben werden. Denn dann werden sie nicht nur zur fachlichen Anforderung an ein Automatisierungsvorhaben, sondern können in diesem auch direkt ein- und umgesetzt werden.

Ein einfaches Beispiel: Innerhalb einer Fertigungsstrecke soll eine bestimmte Aufgabe in Zukunft nicht mehr manuell, sondern automatisiert durchgeführt werden. Dazu muss die zu erfüllende Aufgabe interpretationsfrei und lückenlos beschrieben werden, damit sie mit geeigneter Hard- und Software umgesetzt und schließlich von der Automatisierungslösung reibungslos ausgeführt werden kann. Dabei ist es sinnvoll, diese Beschreibung mittels geeigneter Werkzeuge so anzufertigen, dass sie (auch) als Quellcode für die ‚Automatisierungssoftware zur Verfügung steht. Idealerweise bieten solche Werkzeuge auch Möglichkeiten zu virtuellen Tests der Anforderung und ihrer theoretischen Umsetzung.

Die Verwendung von Algorithmen im industriellen Umfeld ist also keineswegs Neuland – Zeit für den nächsten Schritt.

Vorbild Internet-Plattformen

Algorithmen fungieren als Schritt-für-Schritt-Anweisungen zur Abarbeitung von Aufgaben.

© shutterstock.com / Ulvur

Die großen Internet-Plattformen haben Auswahl- und Vorschlagsalgorithmen entwickelt, um ihren Nutzern möglichst solche Inhalte anzuzeigen, die diese auf der Plattform halten. Im industriellen Umfeld sollten Fachkräfte immer dann mit hilfreichen Inhalten versorgt werden, wenn sie das Ende ihres eigenen Wissens erreicht haben. Besonders kritisch ist diese Versorgung bei der Instandhaltung technischer Systeme.

Die Instandhaltung hat zum Ziel, die Funktionsfähigkeit eines Systems erstens zu erhalten und zweitens bei Verlust wiederherzustellen. Ersteres geschieht zumeist durch Inspektion und Wartung, letzteres durch Fehlersuche und Reparatur. Da das System für Inspektion und Wartung häufig heruntergefahren werden muss, entstehen proportional zur Dauer Kosten durch Produktionsausfälle. Kommt es trotz allem zu ungeplanten Stillständen, ist jede Sekunde, die bei Fehlersuche und Reparatur eingespart werden kann, viel Geld wert. Je besser Instandhaltungs-Fachkräfte also bei ihren Aufgaben unterstützt werden, desto effizienter und vor allem zuverlässiger können sie arbeiten.

Dazu bedarf es eines Auswahl- und Vorschlagsalgorithmus nach Vorbild der Internet-Plattformen: Im Instandhaltungsfall sammelt ein solcher Algorithmus alle verfügbaren Daten und fragt gegebenenfalls weitere Informationen bei der Fachkraft nach. Für die Erhebung der Daten greift der Algorithmus seinerseits auf Algorithmen zurück, die vom System automatisch ausgeführt beziehungsweise der Fachkraft als Arbeitsanleitung zur Verfügung gestellt werden.

Algorithmen nutzen Algorithmen

Auf Basis der gesammelten Daten schlägt der Algorithmus Handlungsoptionen zur Behandlung des vorliegenden Instandhaltungsereignisses vor. Diese Handlungsoptionen wiederum liegen – wer hätte es gedacht – als Algorithmen vor, die vom System selbst oder einer Fachkraft umgesetzt werden. Die Kernaufgabe des Auswahl- und Vorschlagsalgorithmus ist es also, den richtigen Algorithmus zur richtigen Zeit auszuführen beziehungsweise ausführen zu lassen.

Dazu sind drei Dinge nötig:

• die Algorithmen zur Datenerhebung und Ereignisbe-handlung,
• Metadaten zu diesen Algorithmen,
• einen Algorithmus zur kontinuierlichen Verbesserung der Metadaten.

Bei den Algorithmen zur Datenerhebung und Ereignisbehandlung ist wichtig, dass sie methodisch strukturiert, vollständig und als einzelne, inkrementelle Abschnitte erstellt werden. Ein bewährtes Vorgehen dabei ist, zunächst einen Überblick über alle Bestandteile eines technischen Systems zu schaffen, die Gegenstand von Instandhaltungsmaßnahmen werden können. Als nächstes muss für jeden zuvor ermittelten Bestandteil des Gesamtsystems hinterlegt werden, welche Instandhaltungsereignisse hier auftreten und durch welche Symptome diese identifiziert werden können. Als letztes müssen inkrementelle Algorithmen definiert werden, die einem von zwei Zwecken dienen: Entweder generieren sie Daten und Informationen, um vom Symptom auf das ursächliche Ereignis zu schließen, oder sie dienen der Behandlung des Ereignisses.

Die Metadaten zu diesen inkrementellen Algorithmen dienen dem Auswahl- und Vorschlagsalgorithmus als Arbeitsgrundlage. Zum einen handelt es sich dabei um die Angabe, welche Informationen mit dem Algorithmus generiert werden. Auf Basis von Informationen kann die Wahrscheinlichkeit ermittelt werden, dass ein bestimmtes Ereignis vorliegt. Der Algorithmus wird also möglichst solche Algorithmen vorschlagen, die das vorliegende Ereignis weiter eingrenzen, indem viele Ereignisse ausgeschlossen werden oder ein bestimmtes Ereignis verifiziert wird. Zudem sollten Metadaten zur Dauer der Durchführung eines Algorithmus hinterlegt werden. Wenn von fünf möglichen Ereignissen eines innerhalb von sieben Minuten als das mit Sicherheit vorliegende identifiziert werden kann, ist das gut. Können aber vier der Ereignisse in jeweils einer Minute mit Sicherheit ausgeschlossen werden, ist das besser. Abhängig vom konkreten Anwendungsfall können weitere Metadaten zielführend sein.

Der Autor: Johannes H. Diedrich ist Leiter Industrieprojekte von Synostik.

© Synostik

Initial können die Metadaten als Expertenschätzung erhoben und dokumentiert werden. Der Lern-Algorithmus zur kontinuierlichen Verbesserung der Metadaten überprüft diese in der Praxis und passt sie gegebenenfalls an. Zum Beispiel könnte ein Algorithmus, dessen Dauer ursprünglich zu kurz geschätzt wurde, mit der Zeit weniger häufig vorgeschlagen werden, da seine tatsächliche Dauer nun bekannt ist. Auf diese Weise werden die Metadaten immer besser und der Auswahl- und Vorschlagsalgorithmus kann seine Aufgabe immer besser erfüllen.