Geschäftsprozess-Optimierung

Daten KI-gerecht aufbereiten

16. Juli 2019, 3:00 Uhr | Dr. Rudolf Felix

Fortsetzung des Artikels von Teil 2

Prädiktive Instandhaltung

Bei der Planung von Wartung und Instandhaltung ergeben sich ebenfalls täglich vielfältige Herausforderungen, die sich im industriellen Einsatz durch Qualitatives Labeln in Einklang bringen lassen. Diese Herausforderungen münden nicht selten in folgende Fragestellungen: Wie kann die Verfügbarkeit von Maschinen erhöht und gleichzeitig der Aufwand für Wartungen und Reparaturen minimiert werden? Wie lassen sich Wartungsaufträge und deren gegebenenfalls anfallende operative Änderungen kosteneffizient bei der Einplanung sowie bei der Einstufung von Kapazitätsspitzen berücksichtigen?

KPI-Bewertungsfunktionen, PSI
Datensätze werden durch vorher definierte KPI-Bewertungsfunktionen qualitativ gelabelt und durch eine Konflikt- und Verträglichkeitsanalyse in Beziehung gesetzt, die zu Handlungsempfehlungen führt.
© PSI FLS Fuzzy Logik & Neuro Systeme

Bei der prädiktiven Instandhaltung mit der automatischen Klassifizierung der intelligenten KI-Software wird hierbei zunächst nach der Auswahl relevanter Kriterien wie Temperatur, Druck, Arbeitsstunden, Termin der letzten Wartung, Stromverbrauch oder Kritikalität des Maschinenausfalls und zwischen deren negativen, normalen und positiven Auswirkungen auf eine Maschinenwartung unterschieden. Basierend auf Standardmessgrößen der Maschine, die mit dem Hersteller abgestimmt sind, werden dazu im Vorfeld Mikro-KPIs festgelegt und mittels auf erweiterter Fuzzy-Logik basierenden Bewertungsfunktionen qualifiziert. Anschließend werden diese qualifizierten Mikro-KPIs dazu benutzt, um Zusammenhänge auf den Mikro-KPIs zu erkennen und die Maschinendaten so durch den Algorithmus aufzuarbeiten – sprich qualitativ zu labeln.    

Auf der Grundlage der gelabelten Maschinendaten werden dann aggregierte Makro-KPIs gelernt, die sich als Kriterien zur Erkennung von Maschinenzuständen heranziehen und zur Klassifizierung von Wartungsbedarfen nutzen lassen. Die Klassifizierung kann zum Beispiel nach den Kategorien ‚Dringender (akuter) Wartungsbedarf‘, ‚mittelfristiger Wartungsbedarf‘ oder ‚kein Wartungsbedarf‘ erfolgen. Die genauen Abstufungen bestimmt der Maschinenhersteller selbst, indem er mittels Deep Qualicision die Selbstdiagnose der Maschinen nachjustieren kann – jedoch nicht muss.

So entsteht eine automatische Erkennung der Wartungs- und Instandhaltungsbedarfe auf Basis von Sensordaten. Die Nachjustage der Kriterien kann durch unterschiedliche Ränge der Relevanz der gelabelten Daten entweder manuell oder kombiniert mit einem erneuten maschinellen Lernen der Kriterienrelevanz er­folgen.

Eine wertschöpfende Datennutzung mit Maschinellem Lernen und damit eine Optimierung der Geschäftsprozesse durch KI wird vor allem durch das Lernen von Zusammenhängen aus historisierten Daten mittels des Qualitativen Labelns und der auf den jeweiligen Geschäftsprozess passenden flexiblen Kombination eines KI-Technologie-Stacks möglich. Die Erfahrung zeigt, dass es Mitarbeitern, die mit dem Geschäftsprozess vertraut sind, schnell und intuitiv gelingt, KI-Techniken nutzbringend einzusetzen, ohne selbst KI-Experte sein zu müssen. Gerade dieser zuletzt genannte Aspekt wird künftig eine wichtige Rolle beim Einsatz von Künstlicher Intelligenz in der Industrie spielen.

Die entsprechenden Geschäftsprozesse werden nicht zuletzt durch die Vernetzung bestehender Lösungen zu übergreifenden Szenarien weiter an Komplexität und Dynamik gewinnen. Oberste Prämisse hat dabei, dass die neue Komplexität im Sinne der Anwender und der Prozesse beherrschbar bleibt. Daher muss das Labeln der Daten nachvollziehbar und behandelbar sein, und zwar nicht nur durch KI-Experten und Data Scientists, sondern durch die Anwender mit ihrem Prozesswissen selbst. Nur so können die Anwender Künstliche Intelligenz selbst in die industrielle Breite tragen. Der entsprechende Weg dahin wird zwar nicht von heute auf morgen entstehen, ist aber durch die entsprechende Software-Unterstützung möglich und mit jeder KI-Anwendung effizienter und verständlicher.

Autor: Dr. Rudolf Felix ist Geschäftsführer von PSI FLS Fuzzy Logik & Neuro Systeme.


  1. Daten KI-gerecht aufbereiten
  2. Reihenfolge-Optimierung in der ­Produktion
  3. Prädiktive Instandhaltung

Verwandte Artikel

PSI FLS Fuzzy Logik & Neuro Systeme GmbH

Industrie 4.0

Künstliche Intelligenz