Fraunhofer-Gesellschaft | KI-Fortschrittszentrum »Lernende Systeme und Kognitive Robotik«
Fraunhofer-Gesellschaft | KI-Fortschrittszentrum »Lernende Systeme und Kognitive Robotik«

KI für Photovoltaik

AI Explorer

Ausgangssituation

Das Klinikum Stuttgart gehört zu den größten Krankenhäusern in Deutschland. Jährlich werden rund 90.000 Patienten stationär behandelt. Hinzu kommen etwa 500.000 ambulant versorgte Fälle pro Jahr. KI-Anwendungen entlang der Patienten-Journey und in den Unterstützungsprozessen haben das Potenzial, die Versorgung der Patienten und Patientinnen zu verbessern und dabei gleichzeitig ökonomische und ökologische Kriterien zu berücksichtigen. Mit Betrachtung des Fachkräftemangels liegen weitere KI-Potenziale darin, die Mitarbeiterzufriedenheit zu steigern. Ziel des »AI Explorers« war es deshalb, die Prozess(schritt)e mit dem größten KI-Potenzial zu identifizieren und auch die Chancen und Grenzen des KI-Einsatzes zu bewerten.

 

Lösungsidee

Da die Signale des PECVD-Prozesses in unterschiedlichsten Sampleraten über mehrere Monate erfasst wurden, werden zuerst sämtliche Tabellen der Datenbank entsprechend eines globalen Zeitstempels zusammengefügt. In diesem Format können Metainformationen generiert werden, wie z. B. Datentypen, Anzahl von einzigartigen Werten in einer Spalte, sowie der generelle Informationsgehalt einer Spalte. Nach benutzerdefinierten Kriterien können anschließend unnütze Informationen automatisiert entfernt werden. So liegen die Daten in einem Format vor, das als Basis für ein Machine- Learning-Modell dient.

© Fraunhofer IPA
Data-Merging.

Nutzen

Der AI Explorer stellt die Überprüfung des PECVD-Prozesses samt Datenbank hinsichtlich der Eignung für Predictive–Maintenance- Applikationen dar. Auf Basis der gewonnenen Erkenntnisse konnten bereits erweiterte Einsichten in den PECVD-Prozess gewonnen werden. Außerdem konnten Schritte definiert werden, um die Daten des Prozesses in ein für Machine Learning geeigneteres Format zu bringen. Hierunter fallen z. B. die Anpassung von Sampleraten der Datenbank oder die Definition von Imputationsregeln.

 

Umsetzung der KI-Applikation

Bezüglich einer zukünftigen Predictive-Maintenance-Anwendung können in einem ersten Schritt Korrelationen zwischen Fehlerfällen und Low-Level-Signalen hergestellt werden, die Fachleute auf ihre kausale Validität überprüfen können. In einem zweiten Schritt können Low-Level- Signale, die ursächlich für Fehlerfälle sind, als Health-Indikatoren definiert werden. Hiermit kann ein Supervised-Learning-Modell zur Prädiktion der »Remaining Useful Life« (RUL) trainiert werden. Dieses ist inline einsetzbar, um rechtzeitig vor dem Eintreten eines Fehlerfalles zu warnen. So können rechtzeitig Wartungsmaßnahmen eingeleitet werden.

»Die vorausschauende Instandhaltung ist ein entscheidender Bestandteil der Verbesserung der Fabrikleistung und die Zusammenarbeit über den AI Explorer ermöglichte uns einen strukturierten Blick auf die Maschinendaten unserer Prozessanlage (PECVD in einer Laborumgebung). Wir gehen davon aus, dass wir die explorativen Studien ausweiten werden, um Ausfälle auf der Grundlage historischer Trends aus den Daten vorherzusagen.«

- International Solar Energy Research Center (ISC), Konstanz