Predictive failure management with AI in produktion (PrePAIR)

Abstract

Die PRS Technologie GmbH bearbeitete als Konsortialführerin des Verbundprojekts PrePAIR zwei Anwendungsfälle zum KI-gestützten Fehlermanagement. Zu Projektbeginn gab es keine erprobten Referenzlösungen für den Einsatz von Wissensgraphen und Large Language Models (LLMs) auf heterogenen Industriedaten im Kontext des Fehlermanagement. In A1 erforschte und entwickelte die PRS mit MUBEA und dem WZL einen prototypischen Demonstrator für SAP-Materialstammdaten. Deren manuelle Pflege verursacht regelmäßig Fehler, die erst spät in Logistik, Produktion und Controlling auffallen. Das System überführt Projektdokumente und SAP-Einträge in Wissensgraphen, gleicht sie über einen LLM-basierten Plausibilitätscheck mit fachlichen Regelwerken ab und zeigt Abweichungen in einem Dashboard an. In A5 bildete die PRS mit BMW und dem WZL Felddatenlandschaft in einer Wissensgraph-Landschaft ab. Eine agentische Erweiterung der GraphCypherQAChain und eine hybride Retrieval-Strategie machen diese in natürlicher Sprache abfragbar. Analysten können sich neue KI-Fehlermuster beschreiben lassen, sie bestehenden Mustern zuordnen und frei mit den Daten chatten. Der Demonstrator beschleunigt laut Evaluation nachweißlich den Analyseprozess. Die Kombination aus Ontologie, Wissensgraph und LLM erwies sich als tragfähiges Architekturmuster. Relevante Ergebnisse beider Anwendungsfälle wurden in das Datenökosystem Transfer-X überführt, in dem die PRS den Use-Case Quality aktiv vorangetrieben hat.