Projekt „DEXAI“

Das Problem mit der Seltenheit

Moderne IoT-Geräte liefern kontinuierlich Datenströme. Für das Training von KI-Modellen zur vorausschauenden Wartung (Predictive Maintenance) fehlen jedoch oft die wichtigsten Daten: Daten über Fehler. Da Geräte von Herstellern wie der RATIONAL AG sehr zuverlässig sind, treten kritische Störungen äußerst selten auf. Zudem sind die Fehlermuster oft sehr unterschiedlich, was die Generalisierung herkömmlicher Modelle zusätzlich erschwert.

Herkömmliche Deep-Learning-Ansätze scheitern hier oft, da sie umfangreiche Mengen an Fehlerbeispielen benötigen. Servicetechniker sehen sich zudem oft einem Akzeptanzproblem gegenüber: Wenn eine KI einen teuren Bauteiltausch vorschlägt, aber nicht erklären kann, warum, wird die Empfehlung häufig ignoriert. Benötigt werden also KI-Lösungen, die mit wenigen Daten lernen und deren Entscheidungen für den Menschen transparent sind.

DEXAI setzt auf „Smart Data“ statt „Big Data“

Unser Ansatz adressiert die Datendilemmata der vorausschauenden Wartung sowie die Akzeptanzbarrieren bei Servicetechnikern, indem er sich konsequent auf zwei Kernmechanismen fokussiert.

Maximale Dateneffizienz: Statt rohe Datenmenge in die Cloud zu laden, nutzen wir intelligente Datenvorverarbeitung und Sampling-Strategien, um eine optimale Auswahl an Trainingsdaten zu treffen. Mithilfe von Methoden zur synthetischen Datengenerierung trainieren wir generalisierbare Modelle mit minimalen Trainingsdaten und maximaler Generalisierbarkeit.

Anomalieerkennung neu gedacht (XAI-Ansatz): Erkannte Anomalien eines KI-Modells müssen Rückschlüsse auf die Defekte ermöglichen und für einen Servicetechniker erklärbar sein. Wir entwickeln Methoden, um Anomalien in hochdimensionalen Zeitseriendaten zu erklären und Rückschlüsse auf mögliche Fehlerquellen zu ziehen, um eine gezielte Wartung zu ermöglichen.

Mehrwert für Industrie und Umwelt

Die Technologien aus DEXAI zielen nicht nur auf bessere Wartung ab, sie machen IoT-Anwendungen wirtschaftlicher und nachhaltiger:

Nachhaltigkeit & Wirtschaftlichkeit: Durch die massive Reduktion der benötigten Datenmengen sinken Speicher- und Rechenbedarf in der Cloud signifikant.

Reduzierte Betriebskosten durch XAI-gestützte Diagnose: Techniker erhalten nicht nur eine Fehlermeldung, sondern eine vollständige Diagnose. Dies erhöht die „First-Time-Fix-Rate“ signifikant, vermeidet unnötige Anfahrten und Stillstände und spart somit erhebliche Kosten.

Branchenunabhängige Übertragbarkeit: Obwohl wir am Beispiel von Kochsystemen forschen, ist das entwickelte Framework für synthetische Daten und Feature-Selektion branchenunabhängig. Es lässt sich auf Produktionsanlagen oder Logistiksysteme übertragen.