Wir präsentieren die Arbeit How Causal Structural Knowledge Adds Decision-Support in Monitoring of Automotive Body Shop Assembly Lines, welche in den Proceedings of the Twenty-Ninth International Joint Conference on Artificial Intelligence (IJCAI-20) Demonstrations Track im Jahr 2020 veröfentlicht wurde. In der Arbeit demonstrieren wir, wie die Integration kausalen Strukturwissens in ein Überwachungssystem der Automobilfertigung eine datengetriebene Entscheidungsunterstützung und eine Grundlage für eine schnelle, sowie efektive Fehlerbehebung sein kann. Die Efizienz einer modernen Automobilfertigung wird stark durch das Auftreten von Störungen oder Abweichungen von Qualitätsstandards innerhalb des Produktionsprozesses bestimmt [Ch06]. Insbesondere, da Unterbrechungen des hoch automatisierten Produktionsprozesses eine manuelle Intervention durch das technische Personal nötig machen. Deshalb sind Überwachungssysteme innerhalb der Produktionslinie ausschlaggebend, um Produktionsunterbrechungen frühzeitig zu erkennen und schnell regieren zu können [Zh10]. Während sich die Ursachenanalyse und Fehlerbehebung normalerweise auf dem individuellen Wissen des technischen Personals in der Produktionslinie stützt, bieten Methoden des Maschinellen Lernens die Möglichkeit einer Fehleranalyse innerhalb moderner Anwendungen [ANS10]. Des weiteren bilden Methoden des kausalen Strukturlernens, siehe etwa [SGS00], die Basis für eine datengetriebene Betrachtung der kausalen Strukturen innerhalb eines Produktionsprozesses [Ma16]. In der Arbeit How Causal Structural Knowledge Adds Decision-Support in Monitoring of Automotive Body Shop Assembly Lines [HHU20] demonstrieren wir, wie die Integration kausalen Strukturwissens in ein Überwachungssystem der Automobilfertigung die Fehlerbehebung unterstützen kann. Hierbei legen Methoden des kausalen Strukturlernens auf historischen Produktionsdaten die Grundlage für eine datengetriebene Betrachtung.
Copyright © 2021 for this paper by its authors.
Use permitted under Creative Commons License Attribution 4.0 International (CC BY 4.0). Abb. 1: Die Fehleransicht einer Karosserie beinhaltet neben der Fehlerhistorie (oben rechts), spezifische Fehlervorhersagen (oben links), und die zusammenhängenden kausalen Strukturen (unten). Diese zeigen den aktuell kritischen Fehler (mittig) sowie mögliche Ursachen (links) und Folgen (rechts). Die Fehleransicht innerhalb des Überwachungssystems, siehe Abbildung Abbildung 1, unterstützt durch die Bereitstellung gelernter kausaler Strukturen zwischen Fehlern und Qualitätsabweichungen, sowie darauf aufbauende Fehlervorhersagen, das technische Personal in der Ursachenanalyse und Fehlervermeidung kritischer Produktionsunterbrechungen. Die präsentierte Anwendung zur Überwachung der Automobilfertigung bietet dem technischen Personal innerhalb der Produktionslinie somit eine datengetriebene Entscheidungsunterstützung und eine Grundlage für eine schnelle, sowie efektive Fehlerbehebung.
[Ch06]
Chryssolouris, George: Manufacturing Systems: Theory and Practice. Mechanical Engineering Series. Springer-Verlag, New York, 2006. [Ma16] [Zh10]