Künstliche Intelligenz, kurz KI, ist auf dem Vormarsch. Im privaten Bereich haben wir uns längst daran gewöhnt, dass digitale Vorschlagssysteme in sozialen Netzwerken versuchen, unsere Vorlieben zu lernen. Auf dieser Basis generiert die Software Annahmen über unser Kaufverhalten und übermittelt die passende Werbung. Im industriellen Umfeld wird KI ebenfalls zunehmend eingesetzt, um den Wertschöpfungsprozess zu verbessern oder neue Geschäftsmodelle zu entwickeln.
Im Qualitätsmanagement (QM) sind KI-Systeme derzeit eher selten zu finden. Welchen Mehrwert die KI hier allerdings bieten kann, zeigt ein Kooperationsprojekt der Stuttgarter Bosch Rexroth AG und des Fraunhofer-Instituts für Produktionstechnik und Automatisierung IPA in Stuttgart. Mitarbeiter der beiden Unternehmen haben ein lernendes KI-System entwickelt und prototypisch umgesetzt, das den Produktverbesserungsprozess schneller, präziser und nachhaltiger macht.
Das System analysiert und kategorisiert maschinell und in hoher Geschwindigkeit Reklamationsdaten, die im Reparaturprozess dokumentiert werden. Das Ergebnis ist eine detaillierte Angabe zum Verbesserungspotenzial der Rexroth-Produkte. Diese können die Produktentwicklungsteams aufgreifen und im Sinne des Kunden umsetzen. In den Normen ISO 9001 und IATF 16949 sind die entsprechenden Anforderungen beschrieben, nach denen Reklamationen und Feldausfälle systematisch zu analysieren und daraus Verbesserungsmaßnahmen abzuleiten sind.
Doch bevor sich Verbesserungsmaßnahmen umsetzen lassen, müssen zunächst die relevanten Daten über Fehler und Mängel erhoben, aufbereitet und ausgewertet werden. Reparaturdaten sind hierfür eine wichtige Informationsquelle, weshalb sie kontinuierlich und systematisch erfasst werden. Die Synthetisierung dieser Daten hin zu Erkenntnissen ist eine spannende, manchmal detektivische Arbeit. Sie erfordert viel Erfahrungswissen, um aus den Rückmeldungen der Servicedienste geeignete Fehlerklassen und Maßnahmen abzuleiten. Da die Produktentwicklungszyklen immer kürzer werden, ist es notwendig, die Verbesserungspotenziale früh zu erkennen, um den Kunden möglichst schnell an der Optimierung teilhaben zu lassen. KI kann hier eine Schlüsselrolle einnehmen.
Reparaturdaten werden seit der Einführung des Qualitätsmanagements systematisch erhoben. Relevant ist dabei, in welcher Lebensphase das Produkt versagt hat, wo der Fehler genau aufgetreten ist und ob das Unternehmen ursächlich etwas tun kann, um diesen Fehler in Zukunft zu vermeiden. Der Fehlerort lässt sich meist entlang der Produkthierarchie definieren. Um eine aussagekräftige Statistik zu erhalten, wird die Fehlerart entsprechenden Fehlerkategorien zugeschrieben. Ein klassischer Ansatz, der auch im Bosch-Konzern verbreitet ist, ist die Klassifizierung entlang von Standards, den sogenannten Fehlerkatalogen.
Digital erfasste Reparaturdaten aus mehr als zehn Jahren
Diese Klassifizierung hat den Nachteil, dass die Personen, die diese Zuschreibung durchführen, über viel Routine verfügen müssen, um gleiche Fälle auch gleich zu beurteilen. Zudem muss der Fehlerkatalog kontinuierlich an neue Produkte angepasst und gepflegt werden. Dabei ist es eine große Herausforderung, den Fehler einer Ursache zuzuschreiben. Wird die Fehlerursache fälschlicherweise externen Akteuren zugeordnet, dann verpasst das Unternehmen die Chance, die eigenen Produkte zu verbessern und damit wettbewerbsfähig zu halten. Bei Bosch Rexroth können die Qualitätsingenieure auf digital erfasste Reparaturdaten von mehr als zehn Jahren zurückgreifen. Diese Informationen werden regelmäßig mit den neuen Auswertungen ergänzt.
In einer Zeit, in der Unternehmen mit zunehmender Personalfluktuation umgehen müssen und sich die Produkte schneller ändern, wird die Pflege des Fehlerkatalogs immer aufwendiger. Wird dieser Pflegeaufwand nicht geleistet, würde die Güte der Klassifizierung schnell abnehmen. Aus Sicht des Qualitätsmanagements ist das nicht akzeptabel. Deshalb wollte Bosch Rexroth neue Möglichkeiten finden, um den Aufwand zu minimieren und objektivere Auswertungen zu erhalten.
Mit dem Fraunhofer IPA konnte für das Vorhaben ein Forschungspartner gewonnen werden, der in der Methodik und Anwendung von KI-Systemen viel Erfahrung hat. Die IPA-Experten der Abteilung Cyber Cognitive Intelligence (CCI) und die Mitarbeiter des Industrie-4.0-Innovationsteams bei Bosch Rexroth führten zunächst eine Vorsorgeuntersuchung mit einem exemplarischen Datensatz durch. Der Versuch zeigte, dass die Qualität und Struktur der Daten eine gute Ausgangslage für ein KI-System bieten, das auf maschinellem Lernen basiert. Im nächsten Schritt wurde die Rexroth Schraubtechnik im schwäbischen Murrhardt als Forschungsbeispiel ausgewählt und das Konzept des „aktiven Lernens von Klassifikatoren für die Verarbeitung von Reparaturdaten“ entwickelt.
Alle rechnerlesbaren Texte
bilden einen Datensatz
Die Reparaturdaten, auf die das Forschungsteam zugreifen konnte, bestehen aus ähnlichen, allerdings nicht standardisierten Freitexteinträgen einer Kategorie, welche die Mitarbeiter in den Servicewerkstätten anlegen. Bei jedem Reparaturvorgang werden Art, Ort und Ursache des Fehlers erfasst. Zudem lassen sich Zusatzinformationen dokumentieren, die zu keiner der genannten Kategorien passen.
Alle rechnerlesbaren Texte zu einem Reparaturfall bilden einen Datensatz, der nun von dem KI-System klassifiziert werden kann. Der Datensatz wird im ersten Schritt in einen Trainingsdatensatz und einen Testdatensatz aufgespalten. Mit dem Trainingsdatensatz wird ein Klassifizierungsmodell erstellt. Damit kann schließlich eine Prognose getroffen werden, in welche Kategorie nicht-klassifizierte Daten fallen. Die ermittelte Prognose ist nie zu 100 % richtig. Vielmehr wird ein Datensatz mehrfach durchgerechnet, um die Wahrscheinlichkeit einer richtigen Klassifizierung zu erhöhen. Daher braucht man ein Stopp-Kriterium, um festlegen zu können, wann eine ausreichende Klassifizierungsgüte erreicht ist. Um eine ausreichend genaue Klassifizierung schnell genug erreichen zu können, ist die Wahl des richtigen Klassifikators ein entscheidender Faktor. Die Fraunhofer-Forscher des CCI konnten hier mit ihrer Expertise wesentlich zu der Effizienz des Systems beitragen.
Erprobung des neuen Konzepts mit vier Produktgruppen
Das hier vorgestellte KI-System hat entscheidende Vorteile im Vergleich zu klassischen Klassifizierungsstrategien. Ein herkömmliches Modell ist dann besonders leistungsfähig, wenn es auf der Grundlage von vielen, hochqualitativen Daten generiert wurde. Das bedeutet für eine neue Monatsauswertung, dass die Daten immer durch das Komplettmodell prognostiziert werden müssen. Nicht so bei dem Ansatz von Bosch Rexroth und dem Fraunhofer IPA. Hier besteht das KI-System aus Klassifikationsschleifen. Im sogenannten „Active Learning Loop“ (AL) wird das Gesamtmodell anhand aller Datensätze errechnet inklusive der bewerteten Klassifizierungen der Vergangenheit.
Für die Erprobung des neuen Konzepts wurden vier repräsentative Produktgruppen ausgewählt (messender Funk-Akkuschrauber, Messwertgeber, Kompaktsteuerung, kabelgebundener Handschrauber). Diese bilden das Produktspektrum der Bosch Rexroth Schraubtechnik in den Kategorie Produktkomplexität, Produktvarianz, Stückzahl im Feld und Einsatzspektrum ab. Dass Reklamationen zu den Produkten vorlagen, war natürlich auch eine Voraussetzung. Als Testzeitraum wurden Reklamationsdaten von zwei Monaten betrachtet, die noch nicht bearbeitet waren, um so verfälschende Einflüsse auf die Auswertungsergebnisse zu vermeiden. Dabei wurden jedoch nur die Reklamationen herausgefiltert, bei denen die reklamierten Produkte nicht älter als fünf Jahre waren. Für das Training des AL-Modells konnte auf bereits bewertete Datensätze aus mehr als zehn Jahren zurückgegriffen werden.
Jeder Proband bekam vor der Evaluation eine Grundschulung
Als Bewertungsreferenz diente in diesem Projekt ein Qualitätsingenieur mit mehr als zehnjähriger Auswertungspraxis, der im Folgenden „Experte“ genannt wird. Darüber hinaus wurde mit vier weiteren Personen validiert: einem „normalen Benutzer“, der sporadische Erfahrung mit der Klassifizierung von Reparaturdaten hat, zwei „Anfängern“, denen zwar die Produkte bekannt waren, die aber nicht in das Klassifizieren von Reparaturdaten involviert waren, und einem „absoluten Anfänger“, der zudem die Produktstruktur nicht kannte.
Im manuellen Durchlauf und bei der Anwendung des KI-Systems wurde in vier Kategorien bewertet. Diese sind
- Zahl durchgeführter Bewertungen,
- Bewertungsdauer in Minuten,
- Zahl korrekter Bewertungen und
- Güte und Genauigkeit der Bewertung.
Um gleiche Voraussetzungen zu schaffen, erhielt jeder Proband eine Grundschulung zur manuellen Klassifizierung und zum Umgang mit der Benutzeroberfläche des KI-Systems. Danach wurde die manuelle Klassifizierung durchgeführt und mit ein paar Tagen Abstand dann die Vergleichsbewertung mit Unterstützung des KI-Systems vorgenommen.
Der „Experte“ konnte seine Bewertungszeit in Kooperation mit der KI um gut die Hälfte reduzieren. Da er als Referenz diente, liegt die Güte seiner Auswertung bei 100 %. Der „normale Benutzer“ konnte die Güte seiner Bewertung durch den Einsatz der KI im Schnitt um 13 % steigern und seinen Zeiteinsatz um 88 % drastisch senken. Die „Anfänger“ konnten bei Güte und Zeitaufwand nahezu identische Werte erreichen wie der „normale Benutzer“. Dies deutet darauf hin, dass der Einsatz des KI-Systems tatsächlich zu einer objektiveren Bewertung beiträgt. Der „absolute Anfänger“ konnte die Güte seiner Bewertungen gegenüber dem manuellen Verfahren um 37 % deutlicher steigern. Mit einer beachtlichen Zeiteinsparung von 63 % zeigt sich auch hier, dass die kürzere Bewertungszeit ein wesentlicher Vorteil des KI-Systems ist.
Der größte Nutzen des Projekts ist sicher die signifikante Reduktion der Bewertungszeiten. Die freiwerdenden Kapazitäten lassen sich für nachhaltige Problemlösungen nutzen und versickern nicht weiterhin in der Auswertung. Zudem lässt sich das KI-System auch von Mitarbeitern ohne Spezialwissen warten und anpassen. Die Nutzeroberfläche wird ergonomisch weiter optimiert.
Kontakt:
Fraunhofer IPA
Nobelstraße 12
70569 Stuttgart
Tel. 0711–970–3874
www.ipa.fraunhofer.de
