KI4Service – Einsatz von KI-Methoden
zur Optimierung der Service-Prozesse

Das Projekt besteht aus drei Schwerpunkten: Der Maschinendatenerfassung, der Entwicklung einer Cloud-Plattform zur Datenanalyse sowie der eigentlichen Anwendung der KI-Algorithmen.

a) Maschinendatenerfassung über IoT-Gateway

Die Anbindung der Maschinen erfolgt über ein IoT-Gateway mit Edge-Funktionalität, mit dem die Betriebs-, Maschinen- und Prozessdaten von Anlagen erfasst werden.

Zukünftig soll der Industriestandard „OPC-UA“ zur Vernetzung von Maschinen und IT-Systemen eingesetzt werden. Aufgrund der langen Lebenszyklen von Industrieanlagen sind im Feld jedoch eine Vielzahl von Maschinen vorhanden, die über die verschiedensten Protokolle kommunizieren.

Um sowohl für OPC-basierte Neuanlagen als auch für bestehende Anlagen KI-basierte Analysen zu ermöglichen, wird mit dem IoT-Gateway ein Ansatz verfolgt, der es erlaubt, sowohl über moderne, als auch im Feld existierende Kommunikationsprotokolle zu interagieren.

b) KI4Serivce Plattform

Die Cloud-Plattform (KI4Service Plattform) stellt ein zentrales Element des Projektes dar. Sie besteht aus einer Datenbank zur Datenspeicherung sowie der Anwendungslogik zur KI-basierten Analyse der Daten. Die Plattform wird auch über ein Ticket-System verfügen, zur Alarmierung von Benutzern in einem bevorstehenden Fehlerfall. Die Anwenderschnittstelle wird als webbasiertes UI (User Interface) realisiert.

c) Künstliche Intelligenz zur Optimierung der Serviceprozesse

Auf der Cloud-Plattform werden die Daten mit KI-Algorithmen analysiert. Die Herausforderung im Projekt KI4Service ist, dass verschiedene Anlagenbaugruppen jeweils ein eigenes Alterungs- und Ausfallverhalten haben. Somit muss erst erprobt werden, welche KI-Algorithmen sich für die Komponenten eignen, bevor diese auf der Cloud-Plattform im laufenden Betrieb überwacht werden.

Je nach Komponentenverhalten, Datenverfügbarkeit und -qualität können sich grundsätzlich drei Ansätze eignen, um auf einen fehlerhaften Betrieb hinzudeuten:

• Anomalieerkennung: Das System erkennt anhand vorheriger Trainingsdaten den regulären, geregelten Betrieb (selbstlernend, unsupervised learning) und wenn die überwachten Werte von dieser Betriebsart abweichen. Dabei wird noch keine Aussage darüber getroffen, ob es sich bei dem unregelmäßigen Betrieb um einen Fehlerfall handelt. Das Fachpersonal wird über die Unregelmäßigkeit informiert und muss einschätzen, ob der Zustand zulässig ist oder nicht. Diese Bewertung kann dann in spätere Modelle mit übernommen werden.
• Klassifikationsanalyse: Das System ordnet die Maschinendaten in zuvor identifizierte Kategorien ein. Die Kategorien wurden vorher aus den Trainingsdaten gewonnen (supervised learning). Hierfür müssen die Trainingsdaten so gekennzeichnet sein, dass eine Fehlerklassifikation bereits erfolgt ist, bevor der Fehler an der Maschine erkannt wird.
• Zeitreihenprognose: Das System prognostiziert aus den Vergangenheitswerten zukünftige Werte im Zeithorizont t. Verknüpft damit müssen Grenzwerte definiert sein, die festlegen, wodurch sich ein Fehlverhalten auszeichnet. Diese Art der Modellierung wird durch supervised und reinforcement Methoden umgesetzt.

Übergreifendes Ziel im Projekt ist es, dem Anlagenbauer in die Lage zu versetzten seine Service-Prozesse zu digitalisieren und ein zusätzliches Dienstleistungsangebot für seine Kunden anzubieten. Die Umsetzung erfolgt in einem neu entwickelten, digitalen Geschäftsmodell.