Direkt zu mehr Qualität

Herkömmliches maschinelles Lernen (ML) zielt in erster Linie darauf ab, Vorhersagen zu treffen, und nicht darauf, Ursachen in der Fertigungsindustrie zu analysieren. Causal AI, eine aufstrebende KI-Technologie, kann diese Herausforderung meistern. Sie zeigt, wie die Digitale Transformation direkt zu Qualitätsverbesserungen bei Produkt und Prozess führen kann. 

Datengestützte Entscheidungen sind fundamental für die Wettbewerbsfähigkeit, auch in der Fertigungsindustrie. Effektive Entscheidungsfindung erfordert jedoch Werkzeuge, die Daten in handlungsorientierte Erkenntnisse umwandeln können. Herkömmliche ML-Tools sind zwar ausgezeichnet für Vorhersagen, jedoch unzureichend für die Entscheidungsfindung, da sie die zugrunde liegenden Ursache-Wirkungs-Zusammenhänge nicht erfassen. Diese Erkenntnis verbreitet sich seit einiger Zeit in der KI-Community. 

Causal AI zielt ganz allgemein darauf ab, die Ursachen hinter auftretenden Effekten allein auf Basis von Beobachtungsdaten aufzudecken - im Gegensatz zu definierten experimentellen Studien in den Bereichen Physik oder Medizin. Durch die so erreichbare Transparenz können mittels gezielter Eingriffe Effekte in einer gewünschten Weise beeinflusst werden. 

Für die Industrie bedeutet dies, dass sie mit Hilfe dieser KI nicht nur vorhersagen kann, was passieren wird, sondern auch warum es passiert. Und welche Produktionsentscheidungen bezüglich Produkt und Prozess getroffen werden müssen, um in Zukunft beispielsweise bessere Produktionsergebnisse zu erzielen. 

Causal AI, detaillierter betrachtet 

Causal AI muss vor allem bezüglich einer Target-Variablen T (z.B. „Produkt ist gefährdet gemäß Messung“) für jede andere Kontext- Variable A klären, ob und wie stark ausgeprägt eine Beeinflussungsmöglichkeit besteht, also ob A zeitlich T vorausgeht oder A mit T korreliert 

Allerdings: Ein Produktionsparameter, der mit T in obiger Weise korreliert, bedeutet im Allgemeinen nicht, dass dieser Parameter T verursacht: "Korrelation ist nicht gleich Kausalität". Es wird zum Beispiel beobachtet, dass vor dem Versterben eines Patienten (VP) ein Besuch des Arztes (BA) vorausgeht. In dem Fall verursacht der Arztbesuch aber nicht den Tod des Patienten.   

Daher stellt die Identifikation von Fehlerursachen aus den Beobachtungsdaten einer Anlage eine große Herausforderung dar, die neben intelligenten Algorithmen eine umfangreiche Datenbasis erfordert, um die relevanten Kausalfaktoren nicht zu vernachlässigen.  

In Produktionsumgebungen mit Millionen von erfassten Daten entlang des Produktions- oder Lebenszyklus von Fertigungsteilen ist diese Herausforderung eine nichttriviale Aufgabe. 

Nach David A. Kenney zeichnet sich eine Variable U als Ursache für T aus falls unter allen Kontextvariablen kein „Confounder“ (Variable C) gefunden werden kann, der den vermuteten Einfluss von U auf T erklären könnte.  

Im obigen Beispiel ist eine vorausgegangene „Erkrankung des Patienten (EP)“ ein solcher Confounder. Er ist sowohl als Ursache für den Arztbesuch (BA) als auch den Tod des Patienten (VP) anzusehen. 

Die Überprüfung der 3. Bedingung erfordert einen weit gefassten "Kontext" in Bezug auf T, um mögliche Beziehungen zu identifizieren oder auszuschließen. Man ahnt es schon: Hier ist Statistik in endlicher Zeit mit sehr vielen, unter Umständen Abermillionen von Variablenbeziehungen zu betreiben. Die gute Nachricht: Es gibt dafür Lösungen, die sogar „quasi interaktiv“ sind. Eine wichtige wird nachfolgend beschrieben. 

Wird ein oder mehrere "U", wie im obigen Beispiel, als (mögliche) Ursache für T = „Produkt gefährdet gemäß Messung“ identifiziert, können in der Regel organisatorische oder technische Maßnahmen für einen verbesserten Produktionsprozess gefunden werden, um U „auszuschalten“. 

Ein ML-Modell würde für einen entsprechend trainierten Satz von Kontextvariablen vorhersagen, ob T wahr oder falsch ist. Man fände aber keine Handlungsanweisung wie man T = „Produkt gefährdet gemäß Messung“ dauerhaft verhindern könnte. 

Zusammengefasst: Ziel der Ursachenanalyse (RCA) in der Produktion ist seit jeher die nachhaltige Verbesserung der Qualität. Eine einfache Vorhersage der Qualitätsverschlechterung reicht dazu nicht aus. Vielmehr geht es darum, spezifische Produktionsparameter zu identifizieren und anzupassen, um die gewünschte Qualität sicherzustellen - und genau das ermöglicht Causal AI. 

Daten als Basis 

Grundlage für Causal AI ist der „Rohstoff“ Daten: Als Beispiel dient eine State-of-the-Art Produktionsanlage mit einem integrierten Produktverfolgungssystem („Product Tracking“). Diese Systeme sind in der Regel in SCADA- oder produktionsnahen MES-Systemen integriert, die eine solide Basis an Beobachtungsdaten über die vorhandene Prozessdatenbank („Historian“) bieten.  

Je nach Fragestellung kann es notwendig sein, weitere Daten z.B. aus der Produktionsumgebung oder auch Daten aus ERP, ggf. auch CRM (Service) zu berücksichtigen: Die 360°-Datensicht rund um das betrachtete Objekt ist für die Ursachenermittlung im Fehlerfall unerlässlich (vgl. Ishigawa Fish Bone Modell in der Root Cause Analysis - RCA). 

KI-gestützte Ursachenanalyse in der Praxis 

Ein erfolgreicher Ansatz wird von dem ursprünglich im Gesundheitswesen tätigen Start-Up Xplain Data GmbH geliefert. Gemeinsam mit der Schwäbischen Werkzeugmaschinenfabrik (SW) als SCADA-Partner und der Schabmüller Automobiltechnik GmbH als Endanwender wurde eines der ersten industriellen Anwendungsbeispiele mit überschaubarem Aufwand realisiert. Es werden diese Zylinderkopffertigung und der Xplain Data Approach in das Funktionsschema eingefügt. 

Hinter der Teilfunktion „Causal AI mit Xplain Data“ verbergen sich ganz allgemein: 

Überführung der Daten in ein (patentiertes) objektorientiertes Format, wobei die "Root"-Objekte (z.B.  im Gesundheitswesen die Patienten) in der Fertigungsindustrie, je nach Anwendungsfall, die hergestellten Produkte, Maschinen oder Anlagen sind. Dieses Format - ObjectAnalytics Database (XOA)- erlaubt einen äußerst schnellen Zugriff auf z.B. korrelierende Daten. 

Ein intuitiv zu bedienender Explorer, der entlang der dargestellten Objekthierarchie operiert. Er ist entscheidend um Causal AI sinnvoll vor- und nachzuzubereiten. 

Ein Target-Konfigurator für das Setzen von Targets („Effects“) und gewissen Randbedingungen für die beabsichtigten Causal AI Scans der XOA, sowie deren Starts und die resultierende Auswertungsanzeige (im Bild oben „Causes and Effects“). 

Der Causal DiscoveryBot:  Einmal eingerichtet, können Causal AI Scans vom Causal DiscoveryBot automatisch durchgeführt werden. Damit nähert sich Causal AI einer intelligenten Monitoring-Funktion im SCADA/MES/CAQ an. 

Eine überraschende Causal AI-Erkenntnis im Beispiel der Zylinderkopffertigung war: Das Funktionieren der Dichtheitsprüfung (ein Schritt im Fertigungsprozess) wird stark von der Bauteiltemperatur des geprüften Teils beeinflußt, die wiederum mit Abweichungen in der Wartezeit vor der Prüfung variiert. Schlägt die Dichtheitsprüfung jedoch fehl, wird das Teil - obwohl meist falsch negativ - ausgeschleust und einer kostenintensiven manuellen Nachbearbeitung zugeführt. 

Ausgehend von dieser kausalen Erkenntnis wurde die Wartezeit vor der Dichtheitsprüfung durch organisatorische Maßnahmen auf ein Minimum reduziert, um ein Auskühlen der Teile zwischen Waschen und Prüfen zu vermeiden. Die Umsetzung dieser und weiterer kausalen Erkenntnisse trug dazu bei, die Fehlerquote in der Produktion (Ausschuß und Nacharbeit) von über 10 % auf knapp 1,6 % zu senken.  

„Es sind Innovationen wie diese, weshalb wir seit vielen Jahren als Digitalisierungs-Pilotkunde mit SW kooperieren. Die Anwendung soll von nun an in allen Fertigungslinien zum Einsatz kommen.“ Helmut Häckl, Geschäftsführer Schabmüller Automobiltechnik GmbH  

Die Chancen von Causal AI liegen auf der Hand: Sie bietet neue Möglichkeiten den wahren Ursachen von Problemen „auf den Grund“ zu gehen. Dies versetzt den Hersteller in die Lage, Entscheidungen zu treffen, die die Kernprobleme angehen und somit Effizienz, Qualität und Wettbewerbsvorteile zu steigern. Mit der Xplain Data Lösung steht ein mittlerweile bewährtes, adaptives Tool zur Verfügung, um das Anlagen-Monitoring auf ein neues, qualitativ höheres Niveau zu heben.  

Im Ausblick: Causal AI à la Xplain Data wird es - bei entsprechender Konfiguration - auch ermöglichen, Wissensschätze zu heben, die in den vielerorts ungenutzten industriellen Data Lakes verborgen sind. Damit ergeben sich neue systematische Ansätze für Prozessoptimierung und Predictive Maintenance. Naheliegend ist auch die Anwendung von Xplain Data-Methoden im cloudbasierten Online-Monitoring und Service von komplexen Assets wie Ladesäulen, Maschinen oder Fahrzeugen. 

Autor: Dr. Joachim Strobel, Consultant - Industrial Automation