Predictive failure management with AI in production [PrePAIR] - A1: KI-gestützte Analyse und Auswertung von Materialstammdaten zur Vermeidung von Produktionsstörungen

Abstract

Der Anwendungsfall A1 untersuchte die Potenziale von Wissensgraphen und Künstlicher Intelligenz zur Analyse und Validierung industrieller Materialstammdaten. Ausgangspunkt war die Erkenntnis, dass Stammdatenfehler häufig nicht auf fehlende oder formal fehlerhafte Informationen zurückzuführen sind, sondern auf semantische Inkonsistenzen zwischen Informationen aus unterschiedlichen Systemen und Dokumenten. Im Projektverlauf wurden die bestehenden Stammdatenprozesse, Datenquellen und Informationsflüsse analysiert sowie ein Konzept zur semantischen Integration strukturierter und unstrukturierter Informationen entwickelt. Hierzu wurden Ontologien zur Formalisierung des Domänenwissens aufgebaut und Wissensgraphen als gemeinsame Wissensbasis für die Verknüpfung unterschiedlicher Informationsquellen eingesetzt. Ergänzend wurden Verfahren zur automatisierten Wissensextraktion aus technischen Dokumenten sowie regelbasierte Plausibilitätsprüfungen entwickelt und in einen Demonstrator integriert. Die technische Evaluation zeigte, dass der entwickelte Ansatz grundsätzlich geeignet ist, semantische Fehler in Materialstammdaten automatisiert zu identifizieren. Gleichzeitig wurde deutlich, dass die Qualität der Ergebnisse maßgeblich von der Verfügbarkeit strukturierter Wissensquellen, konsistenter Regelwerke und geeigneter Wissensmodelle abhängt. Die nutzerbasierte Validierung bestätigte zudem die grundsätzliche Praxistauglichkeit des Demonstrators und identifizierte konkrete Ansatzpunkte für dessen Weiterentwicklung. Als zentrale wissenschaftlich-technische Erkenntnis des Vorhabens kann festgehalten werden, dass der Erfolg wissensbasierter KI-Anwendungen im industriellen Stammdatenmanagement weniger durch die Leistungsfähigkeit einzelner Modelle als durch die Qualität der zugrundeliegenden Daten-, Dokumenten- und Wissensstrukturen bestimmt wird. Die im Projekt entwickelte Kombination aus Ontologien, Wissensgraphen, Regelwerken und Large Language Models stellt hierfür einen vielversprechenden Ansatz dar und liefert wichtige Grundlagen für zukünftige Anwendungen im Bereich des datengetriebenen Stammdatenmanagements.