Framework für eine selbstlernende, auf autonome Verfahren gestützte, Zustandsbewertung von Produktionssystemen mithilfe künstlicher Intelligenz

Bereits seit geraumer Zeit setzen sich Forschungsinitiativen mit Entwicklungen im Rahmen der effektiven Fehlerfrüherkennung auseinander. Getrieben durch den beachtlichen Wandel der Instandhaltung hin zu einem wichtigen Wertschöpfungsfaktor ist das Thema Verfügbarkeit jener Systeme in den Interessensmittelpunkt der Industrie gerückt. Im gleichen Atemzug konnten sich in der Vergangenheit jedoch Diagnosesysteme, auch mit der Erweiterung um zusätzliche externe Sensorik, nicht auf ganzer Linie durchsetzen, da aufgrund unterschiedlicher Einflussfaktoren und Probleme die erwarteten Ergebnisse nicht erzielt werden konnten. Im Rahmen dieser Thematik sind als offene Fragestellungen neben einer effizienten Nutzung der vorhandenen Daten- und Informationsvielfalt sowie der Heterogenität von Schnittstellen und Protokollen, vor allem die Nichtberücksichtigung der Wissensquelle "MENSCH" sowie die fehlende Rückkopplung zur Implementierung von Lernprozessen und eine nicht vorhandene Bündelung des existierenden Analyse-Know-hows zu nennen. Entsprechend dieser Problemstellung wird in der vorliegenden Arbeit ein Framework zur Zustandsbewertung von Produktionssystemen entwickelt, das, unter Berücksichtigung des Gedankens einer serviceorientierten Architektur die Möglichkeit schafft, verschiedenste Verfahren zur Zustandsüberwachung parallel und unabhängig voneinander in ein modulares Bewertungssystem zu involvieren und diesen ein möglichst breites Angebot an relevanten technischen sowie organisatorischen Daten zur Verfügung zu stellen. Darüber hinaus sorgt eine Logik auf Basis künstlicher Intelligenz dafür, die Aussagen der einzelnen Verfahren zu einer klassifizierten Zustandsbewertung zu aggregieren und damit die Aussagegüte sowie die grundsätzliche Erkennungssicherheit zu erhöhen.