Vorausschauende Planung
Auch in der vorausschauenden Planung und Instandhaltung dient Qualitatives Labeln der Ausbalancierung verschiedener KPIs. In diesem Kontext beschreiben sie vor allem die zulässigen Toleranzbereiche, die für die Entscheidung, ob und wann eine Wartung ansteht, relevant sind. Dazu zählen Kriterien wie Temperatur, Druck, Arbeitsstunden, der Termin der letzten Wartung, Stromverbrauch oder Kritikalität des Maschinenausfalls. Über die Kennzahlen werden erneut Zeitreihen gebildet, die das Lernen qualitativer Labels ermöglichen. Ihre Interpretation erfolgt in Form von Clustern und als das Zusammentreffen bestimmter positiver bzw. negativer Maschinenzustände. Das darauf aufbauende KI-Entscheidungssystem erlernt so verschiedene Clusterzusammensetzungen und leitet optimierte Wartungsentscheidungen ab. Deren Zusammensetzung als KPI-Cluster macht die Entscheidungen nachvollziehbar und erklärbar.
Erklärbare KI-Systeme
KI-gestützte Systeme werden sukzessive zahlreiche Entscheidungen übernehmen. Dafür bedarf es sowohl speziell aufbereiteter Daten als auch ergänzende Komponenten, welche die Entscheidungen nachvollziehbar machen. Qualitatives Labeln als Beispiel des Explainable AI-Ansatzes ist ein bereits erprobter Weg, der beides kann: Er bereitet industrielle Geschäftsprozessdaten KI-fähig auf und bereitet gleichzeitig den Weg für erklärbare KI-Systeme. n ist Geschäftsführer der PSI FLS Fuzzy Logik & Neuro Systeme GmbH.
www.fuzzy.de
