KI-basierte Root-Cause-Analyse

Verstehen und Optimieren von Produktionsprozessen

In modernen Produktionsanlagen werden riesige Datenmengen aufgezeichnet. Diese werden heute meist nur zu einem sehr kleinen Teil und oft nur zu speziellen Anlässen mehr oder weniger händisch inspiziert. Doch in diesen Daten steckt viel Potenzial: Durch die intelligente Analyse der in den Produktionsdaten enthaltenen Informationen können Wirkzusammenhänge verstanden und Prozesse optimiert werden.

Ein Schlüsselfaktor für die Optimierung von Produktionsprozessen und der Produktqualität sowie der Reduktion von Stillstandzeiten ist die Erkennung von bislang unbekannten Wirkzusammenhängen, sogenannten »Root Causes«.  

Am Fraunhofer IAIS wird basierend auf jüngsten Forschungsergebnissen und Projekterfahrungen ein neuer technischer Ansatz für die KI-basierte Root-Cause-Analyse entwickelt. Dieser Ansatz kombiniert führende KI-Verfahren mit Methoden zur Einbindung von Expert*innenwissen. Dadurch ist es möglich, automatisch aufgezeichnete Produktionsdaten für die Analyse von hochkomplexen Produktionsprozessen auszuwerten und so Wirkzusammenhänge zu erkennen, die mit konventionellen Methoden der Root-Cause-Analyse verborgen geblieben wären.

Mehr Informationen finden Sie in unserem kostenlosen Whitepaper.

Sie haben Interesse? Gerne entwickeln wir mit Ihnen eine individuelle Lösung für Ihren Anwendungsfall.

Was verbirgt sich hinter dem Begriff »Root-Cause-Analyse«?

Der Begriff Root-Cause-Analyse (RCA) steht für die Suche nach der Ursache, die für das Auftreten eines Ereignisses verantwortlich ist. RCA ist eine Qualitätssicherungsmaßnahme und Bestandteil von kontinuierlichen Verbesserungsprozessen.

Bislang werden unter dem Begriff Root-Cause-Analyse Methoden zusammengefasst, die dazu dienen, Expert*innenwissen, das schriftlich oder in den Köpfen der Beteiligten vorliegt, zu sammeln, zu strukturieren und daraus Wirkzusammenhänge abzuleiten. Eine Root Cause (RC) beschreibt einen Wirkzusammenhang, d. h. wie eine Menge von Einfluss-Parametern ein Zielereignis (z. B. eine Fehlersituation) auslöst. Beispielsweise könnte eine erhöhte Schwingungsamplitude (ausgelöst durch ein leicht verschlissenes Maschinenbauteil) im Zusammenspiel mit einer geringeren Materialdichte zu einer erhöhten Ausschussquote führen.

Methoden der RCA können nicht nur für die Analyse von Fehlersituationen eingesetzt werden, sondern auch für die Analyse von Faktoren, die sich positiv auf die Produktqualität auswirken.

Im Vergleich zu Fehlersituationen gibt es zu Zeiträumen mit guter Produktqualität sehr viel mehr aufgezeichnete Produktionsdaten. Auf der anderen Seite hängt eine gute Produktqualität meist von sehr vielen Einfluss-Parametern ab, sodass von komplexen Root Causes auszugehen ist, deren Analyse mit beträchtlichem Aufwand verbunden ist. Hier können Methoden der Künstlichen Intelligenz und des Maschinellen Lernens unterstützen und den Aufwand reduzieren.

Kostenloses Whitepaper

»KI-basierte Root-Cause-Analyse: Verstehen und Optimieren von Produktionsprozessen«

Produktqualität und Stillstandzeiten haben in komplexen und hochoptimierten Produktionsprozessen viele, meist nicht klar diagnostizierbare Ursachen. Die Erkennung von bislang unbekannten Wirkzusammenhängen, sogenannten »Root Causes«, ist ein Schlüsselfaktor für die zukünftige Optimierung von Produktionsprozessen.

Das Whitepaper »KI-basierte Root-Cause-Analyse: Verstehen und Optimieren von Produktionsprozessen« stellt die vom Fraunhofer IAIS entwickelte KI-basierte Root-Cause-Analyse und ihre Vorteile vor. Ziel ist es, Fehlern in der industriellen Produktion mithilfe von Künstlicher Intelligenz auf den Grund zu gehen und Optimierungspotenziale zu erkennen und zu nutzen. Das Whitepaper analysiert zudem die Rolle von Anwendungs-Expert*innen in Zusammenarbeit mit Data Scientists und schlägt Arbeitsabläufe vor.

Whitepaper herunterladen