Was ist ein PPR-Knowledge-Graph – und warum KI in der Fertigung einen braucht

FABRIK-KI ERSCHLIESSEN: WARUM IHRE ANLAGE PRODUKT-PROZESS-RESSOURCE (PPR) WISSENSGRAPHEN BRAUCHT

Künstliche Intelligenz in der Fertigung ist oft in der Lage, riesige Datenmengen auszuwerten, verfügt jedoch häufig nicht über ein grundlegendes Verständnis der tatsächlichen Anlagenumgebung. Enterprise-Resource-Planning-Systeme (ERP) kennen die Aufträge, Manufacturing-Execution-Systeme (MES) kennen die Arbeitsgänge und Historiendatenbanken kennen die Signale. Keiner dieser isolierten Datensätze erklärt jedoch automatisch, wie ein Produkt, ein Prozess und eine Ressource (PPR) zu einem bestimmten Zeitpunkt zusammengekommen sind. Genau an dieser fehlenden Verbindung verlieren vielversprechende Initiativen im Bereich künstlicher Intelligenz häufig den Boden unter den Füßen. Durch die Implementierung eines PPR-Wissensgraphen können Fertigungsteams vom Raten auf Basis roher Messwerte zur Rekonstruktion realer Betriebssituationen übergehen.

Um eine solide Grundlage für industrielle künstliche Intelligenz und digitale Transformation zu schaffen, müssen Anlageningenieure und Datenarchitekten sich auf mehrere zentrale strukturelle Komponenten konzentrieren:

• Vom Spaltendenken zu Beziehungen: Werte zu speichern ist einfach, doch Daten werden erst dann wirklich nützlich, wenn ein Modell klar angeben kann, was sie beschreiben, welche Quelle sie geliefert hat und zu welcher Betriebssituation sie gehören.
• Trennung von Plan und Ist: Eine strikte Trennung zwischen geplanten Arbeitsplandefinitionen und tatsächlichen Ausführungsdaten verhindert, dass Modelle die Produktionsprobleme von gestern anhand der heutigen Arbeitspläne falsch erklären.
• Nutzung von Industriestandards: Rahmenwerke wie ISO 95 liefern wichtige Terminologie und Grundgerüste, während Standards wie OPC-UA und Asset Administration Shells (AAS) helfen, gerätenahe Daten und einzelne Assets in der gesamten Anlage zu beschreiben.
• Erweiterung des grundlegenden Triaden-Modells: Aktuelle Forschungsliteratur erweitert das klassische Produkt-Prozess-Ressource-Triaden-Modell um unerwünschte Zustände, plausible Ursachen und Wissen über Gegenmaßnahmen, um reale Fehler und Nacharbeit zu berücksichtigen.

Die Integration dieser semantischen Beziehungen ermöglicht leistungsstarke industrielle Anwendungsfälle über den gesamten Fertigungslebenszyklus hinweg:

• Ursachenanalyse: Qualitätsabweichungen lassen sich vom Ende einer Produktionslinie aus rückwärts und vorwärts durch die tatsächlichen Arbeitsgänge, spezifische Werkzeuge, Materialien und Ressourcenzustände zurückverfolgen.
• Kontextbewusste Vorhersage: Prognosemodelle erhalten den richtigen Betriebskontext, etwa Produktvarianten, Rezepte und Werkzeugkonfigurationen, sodass identische Sensorsignale über verschiedene Läufe hinweg korrekt interpretiert werden.

Unterstützen Sie diesen Podcast: https://www.spreaker.com/podcast/m365-fm-a-microsoft-mvp-podcast-by-mirko-peters--6704921/support.