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

KI4Service ist ein Projekt zum Einsatz von Künstlicher Intelligenz (KI) zur Optimierung von Service-Prozessen. Übergreifendes Ziel im Projekt ist es, den Anlagenbauer in die Lage zu versetzen, seine Service-Prozesse zu digitalisieren und ein zusätzliches Dienstleistungsangebot für seine Kunden anzubieten.

Die Umsetzung erfolgt in einem neu entwickelten, digitalen Geschäftsmodell. Die Fortschritte im Bereich der künstlichen Intelligenz und des maschinellen Lernen sind Teile der wesentlichen Treiber für neue Geschäftsmodelle bei Industrieunternehmen. Um dieses Potential zu nutzen, ist sowohl ein tiefgehendes technisches Know-how aus der jeweiligen Branche (domänenspezifisches Wissen) erforderlich, als auch die Fähigkeit, KI-Algorithmen softwareseitig umzusetzen.

Die Hochschule Ansbach verfügt im Bereich Automatisierungstechnik und Digitalisierung über die notwendigen Kenntnisse, um zusammen mit dem Industriepartner SEHO Systems GmbH – ein führendes Unternehmen im Bereich der Lötprozesstechnik – eine Softwareplattform zu entwickeln, mit der durch vorausschauende Wartung (Predictive Maintenance) die Serviceprozesse der Anlagen optimiert werden können. Daraus sollen neue Wertschöpfungspotentiale für den Projektpartner und andere Unternehmen entstehen.

Das Projekt besitzt drei Schwerpunkte:

• Maschinendatenerfassung

• Entwicklung einer Cloud-Plattform zur Datenanalyse sowie

• Anwendung der KI-Algorithmen.

Im Projekt sollen KI-Methoden erforscht werden, die es erlauben, mit einem ausreichenden zeitlichen Vorlauf bereits vorab festzustellen, wann Grenzwertüberschreitungen bei industriellen Anlagen zu einem Maschinenausfall führen. Dies soll Anlagenbauer in die Lage versetzen, vorausschauende Maßnahmen zu ergreifen und damit die Anlagenverfügbarkeit steigern.

Zusätzlich wird anhand geeigneter Methoden der reguläre Anlagenbetrieb selbstlernend identifiziert und unregelmäßiges Anlagenverhalten (z.B. Schwingungsentwicklung oder Undichtigkeiten) erkannt, um Fehlfunktionen vorzubeugen. Dabei werden sowohl Supervised als auch Unsupervised-Learning Methoden eingesetzt, um Regressions- und Klassifikationsmodelle zu erstellen. Es müssen dafür statistische Methoden wie beispielsweise Support-Vector-Machines oder Principal-Component-Analysis untersucht werden, als auch verschiedene Typen von Neuronalen Netzen (insb. Long-Short-Term Memory Netze für Zeitreihenprognose), um die verschiedenen Ausfallverhalten der Einzelaggregate abbilden zu können.

Für die Entwicklung der KI-Algorithmen und Modellierung der Anlagenkomponenten werden tiefgehende Analysen notwendig sein, um die Ergebnisse der Auswertungen zu plausibilisieren und entsprechende Kausalitätsketten nachvollziehen zu können. Dies soll sicherstellen, dass im späteren Betrieb bei im Vorlauf erkannten Problemfällen durch den Techniker sinnvoll überprüft werden kann, wie diese einzustufen sind. Dies trägt auch dazu bei, dem Grundsatz einer „Trustworthy AI“ zu folgen.