Wissensorientierte Nutzung von Produktionsdaten – Ein Beispiel aus der Textilindustrie

M. Weiß, T. Fischer und M. Tilebein

Industrie 4.0 mit der Digitalisierung von Produkten und Prozessen bietet Unternehmen einen großen Pool an Informationen für die Prozessoptimierung. Diese können in der Textilindustrie aber häufig nicht direkt genutzt werden, da Rohstoffe natürlichen Schwankungen unterliegen und zu vielen Produkt- und Prozessparametern die Einflussfaktoren und Wechselwirkungen nur unvollständig bekannt sind. Nachfolgend wird ein Ansatz präsentiert, der die Informationen aus der Produktion mit dem Erfahrungswissen der Beschäftigten kombiniert und damit bei der Produkt- und Prozessoptimierung unterstützt. Dabei kommt das maschinelle Lernverfahren „Fallbasiertes Schließen“ zum Einsatz.

Die Digitalisierung der Produktion, der Prozesse und der Produkte hat in den letzten Jahren eine rasante Entwicklung erfahren. Dadurch stehen Unternehmen deutlich mehr Informationen über den aktuellen Zustand ihrer Prozesse und Produkte zur Verfügung als zuvor. Diese Vielzahl an Informationen ermöglicht nun grundsätzlich ein verbessertes Engineering der Prozesse, Produkte und Dienstleistungen. Die Umsetzung dieses Potenzials erfordert jedoch industrie- und unternehmensspezifische Lösungen.

Wissensintensive textile Wertschöpfungsprozesse

Die europäische Textilindustrie ist von kleinen und mittleren Unternehmen geprägt und die textilen Wertschöpfungsprozesse gehören zu den wissensintensiven Prozessen. Eigenschaften des Endprodukts können auf unterschiedliche Art und Weise in den Produktionsprozessen erreicht werden. Beispielsweise kann die Farbe eines Gewebes in unterschiedlichen Prozessstufen definiert werden. Je nach gewählter Prozessstufe hat dies Auswirkungen auf andere Parameter. Zusätzlich unterliegen viele textile Rohstoffe natürlichen Schwankungen, was bei gleichen Prozesseinstellungen unterschiedliche Produkt- und Prozessqualitäten ergibt. Dies wird üblicherweise mit dem Erfahrungswissen der Beschäftigten durch Korrekturen mehr oder weniger gut ausgeglichen.
Die Komplexität der Prozesse in der Produktion ist sehr hoch. Die veränderte Einstellung eines Maschinenparameters kann Einfluss auf viele
verschiedene Produktparameter haben. Aufgrund ihrer Abhängigkeiten ist das Resultat nur bedingt vorhersagbar, denn häufig sind diese Abhängigkeiten nicht vollständig bekannt oder nur um bestimmte Arbeitspunkte definiert. Diese Wechselwirkungen, kombiniert mit teilweise unterschiedlichem Verhalten an verschiedenen Arbeitspunkten, machen die textilen Wertschöpfungsprozesse sehr komplex.
Zugleich ist die Anzahl verfügbarer Datensätze in Relation zur Komplexität der Prozesse eher gering, was unter anderem daran liegt, dass viele Qualitätsparameter in textilen Prozessen nicht im laufenden Betrieb, sondern erst am Ende ermittelt werden können und es damit nur wenige definierte Zeitpunkte mit vollständigen Datensätzen gibt. Für valide Big Data Analysen als eine Möglichkeit, komplexe Prozesseinstellungen mit Industrie 4.0-Methoden zu automatisieren, sind daher in den meisten Fällen nicht genügend aussagekräftige Datensätze vorhanden.
Im Rahmen des europäischen Forschungsprojekts TexWIN wurde ein alternativer Ansatz für die Textilproduktion entwickelt, der die durch die Digitalisierung verfügbaren Informationen mit dem menschlichen Erfahrungs- und Fachwissen verknüpft. Dabei wurden auch organisatorische Herausforderungen [1] der Digitalisierung, wie die Anpassung von Geschäftsprozessen und die Bedenken und Ängste der Beschäftigten gegenüber neuen Anwendungen, berücksichtigt. Es wurde die Methode Fallbasiertes Schließen verwendet, welche sich im Ablauf an der bisherigen Arbeitsweise der Beschäftigten in der Produktion orientiert. Sie erfordert keine zusätzlichen besonderen Fachkenntnisse und gibt Empfehlungen für Prozesseinstellungen.


Bild 1: Die Methode des Fallbasierten Schließens nach Aamodt und Plaza,
modifiziert von Maschler [3].

Fallbasiertes Schließen

Das Fallbasierte Schließen ist eine Methode aus dem Bereich des maschinellen Lernens [2]. Der Ansatz dieser Methode ist es, Lösungen für aktuelle Probleme zu fi nden, indem erfolgreiche Lösungen für ähnliche Problemstellungen aus der Vergangenheit genutzt und angepasst werden. Zudem kann sie bei schlecht strukturierten und unvollständig beschriebenen Problemstellungen sowie bei nicht oder schlecht in Regeln fassbarem Wissen genutzt werden. Die Methode folgt einem Vorgehen, welches aus den folgenden Schritten besteht (Bild 1):
Neuen Fall identifizieren: Aus einer neuen Problemstellung müssen die notwendigen Informationen für die Suche in der Fallbasis ermittelt werden.
Ähnliche Fälle abrufen: In der Fallbasis wird nach Problemstellungen gesucht, die der aktuellen Problemstellung sehr ähnlich sind.
Lösungsvorschlag ausarbeiten: Die Lösungsansätze der ähnlichen Problemstellungen werden genutzt, um einen Lösungsvorschlag zu erstellen.
Lösungsvorschlag prüfen/anwenden: Der Lösungsansatz wird geprüft und dann zur Lösung der aktuellen Problemstellung herangezogen.
Angewandte Lösung bewerten: Nach erfolgter Problembearbeitung wird der Ansatz bewertet. Dabei können unterschiedliche Kriterien herangezogen werden, wie die Qualität des Endergebnisses oder die Effizienz des Lösungsansatzes.
Neuen Fall einpflegen: Der ausgearbeitete und bewertete Lösungsansatz wird zusammen mit dem Ergebnis in der Fallbasis als neuer Fall gespeichert und steht damit bei der nächsten Problemstellung als möglicher Lösungsvorschlag zur Verfügung.
Das Vorgehen beim Fallbasierten Schließen hat eine hohe Ähnlichkeit zu den etablierten Abläufen in Textilunternehmen. Nachfolgend werden diese einander gegenüber gestellt.
Bisher stehen den Beschäftigten neben dem aktuellen Produktionsauftrag häufi g noch persönliche Aufzeichnungen zu vergangenen Aufträgen zur Verfügung. Ein neuer Auftrag wird zuerst auf Besonderheiten hin überprüft. Gibt es daraufhin Probleme, die nicht ad hoc gelöst werden können, werden die persönlichen Aufzeichnungen nach ähnlichen Aufträgen durchsucht. Sind dort Informationen hinterlegt, werden diese Erkenntnisse für die Maschineneinrichtung und die Einstellungen genutzt. Falls nichts hinterlegt ist, erfolgt die Einrichtung wie im Produktionsauftrag vorgegeben. Weichen die Maschineneinstellungen oder die Ergebnisse stark von den Erwartungen ab, wird dies wieder in den persönlichen Aufzeichnungen hinterlegt.
Beim Einsatz des Fallbasierten Schließens nach Bild 1 rufen die Beschäftigten den automatisch im System angelegten aktuellen Produktionsauftrag ab. Das System sucht ähnliche Aufträge. Nachdem die Beschäftigten festgelegt haben, welche ähnlichen Fälle sie heranziehen wollen, ermittelt das System Vorschläge für Maschineneinrichtungen und Einstellungen, die aus den ähnlichen Fällen abgeleitet wurden. Diese werden nun manuell geprüft und bei Bedarf noch modifi ziert. Danach erfolgen die Maschineneinrichtung und die Einstellungen. Die Beschäftigten bewerten nach Auftragsende das Ergebnis des realisierten Lösungsvorschlags. Dieser wird dann als neuer Fall im System hinterlegt.
Die hohe Ähnlichkeit der Abläufe in der Arbeitsorganisation sowie das Ersetzen der persönlichen Aufzeichnungen durch ein unternehmensweites digitales Pendant ist eine Stärke des Fallbasierten Schließens. Bei der Gestaltung einer entsprechenden Anwendung gibt es drei zentrale Herausforderungen [2]:
Modellierung: Die Struktur der Datenbasis muss sowohl die notwendigen Informationen umfassen als auch für die Problemstellung und die Methode geeignet sein.
Ähnlichkeit: Es muss ein für die Problemstellung geeignetes Ähnlichkeitsmaß entwickelt werden.
Transformation: Die ähnlichen Fälle müssen zur Problemlösung noch angepasst werden.
Neben der Meisterung dieser drei Herausforderungen gibt es noch eine weitere Voraussetzung für die erfolgreiche Nutzung des Fallbasierten Schließens: Es muss eine genügend große Fallbasis für den gesamten Lösungsraum zur Verfügung stehen. Der Lösungsraum wird durch die Anzahl der Parameter aus einem Fall, die bei der Ähnlichkeitsfunktion berücksichtigt werden, festgelegt. Je größer deren Anzahl und deren gültige Wertebereiche sind, desto mehr Fälle werden benötigt. Auch sollten diese im gesamten Lösungsraum verteilt sein und sich nicht auf einzelne Bereiche konzentrieren.


Bild 2: Ausprägung der Fallbasis für eine Weberei.

Umsetzung

Im europäischen Forschungsprojekt TexWIN konzentrierte sich der Einsatz des Fallbasierten Schließens auf die textilen Produktionsprozesse Spinnen und Weben. Für diese beiden Anwendungsfälle wurden entsprechende Strukturen entwickelt und realisiert.
Im ersten Schritt ist ein generisches Modell für die Fallbasis entwickelt worden, in der das Wissen dokumentiert werden kann. Dann wurden Ähnlichkeiten zwischen Fällen defi niert und entsprechende Suchstrategien für die Fallbasis ausgearbeitet. Anschließend wurden Regeln für die Modifi kation von ähnlichen Fällen hergeleitet und festgelegt. Diese drei Schritte entsprechen den drei vorher genannten Herausforderungen Modellierung, Ähnlichkeit und Transformation.
Bei der Modellierung der Fallbasis als erster Schritt wurden alle notwendigen Informationen sowie der zugehörige Kontext ermittelt. Anschließend wurden die Beziehungen zwischen diesen Informationen identifi ziert. Diese wurden zum Großteil durch den Produktionsprozess mit seinen Abhängigkeiten einerseits und den Kommunikationsfl uss andererseits defi niert. Der dritte Aspekt, der in die Modellierung einfloss, sind die Fragestellungen, die das System unterstützen soll.
Für die Prozesse Spinnen und Weben wurde eine generische Fallbasis erarbeitet. Sie besteht aus dem Produktionsauftrag und aus Informationen, die Aussagen über die Qualität und den Zustand der Produkte und Prozesse machen. Diese generische Fallbasis musste jeweils an unternehmensspezifi sche Besonderheiten angepasst werden, abhängig von der Informationsverfügbarkeit und der Fragestellung. Beispielsweise umfasste der finale Lösungsraum in der Spinnerei 15 Parameter, die in der Ähnlichkeitsfunktion berücksichtigt wurden. Bild 2 zeigt eine Ausprägung dieser Fallbasis für eine Weberei.
Diese Struktur musste nun mit Inhalten gefüllt werden. Dazu wurden die Informationen, die durch die Digitalisierung zur Verfügung standen, sowie Expertenwissen in die Fallbasis integriert. Für den Anwendungsfall Spinnen wurden 300 Vorprodukte mit je 6 Qualitätsparametern sowie 1800 entwickelte Garne mit je 30 Produkteigenschaften und 20 Maschineneinstellparameter in die Fallbasis aufgenommen. Diese initiale Fallbasis wird pro Jahr um ca. Tausend neue Garne erweitert.
Die Digitalisierung stellt eine Vielzahl an Information zur Verfügung. Diese sehr unterschiedlichen Informationen, über das Material der Rohstoffe oder die Qualität des Endprodukts bis hin zu Effi zienzaussagen der Produktion, mussten in der Fallbasis hinterlegt werden. Bei der Einbindung dieser Daten musste neben der technischen Integration [4] auch ihre logische Struktur berücksichtigt werden. Viele Textilunternehmen haben eine inhomogene System- und Produktionslandschaft mit sehr unterschiedlichen Maschinen. Selbst wenn diese die gleichen Parameter liefern, sind sie häufi g nicht direkt miteinander vergleichbar. Unterschiedliche Messverfahren können darüber hinaus zu teils gravierenden Unterschieden bei gleichen Ausgangsprodukten führen. Daher musste die Fallbasis die Vergleichbarkeit von Parametern durch entsprechende Anpassungen sicherstellen.
Die Ermittlung und Dokumentation des Expertenwissens in der Fallbasis ist ebenfalls nicht trivial. Die Angestellten mussten überzeugt werden, dass die Dokumentation ihres Wissens keine Auswirkung auf die Beurteilung ihrer Leistungenbzw. keine negativen Auswirkungen auf ihren Arbeitsplatz hat. Dies ist aber kein spezifi sches Problem des Fallbasierten Schließens, sondern ein grundlegendes Wissensmanagementproblem [5]. Das Wissen setzt sich aus textilem Fachwissen und der Erfahrung der Beschäftigten zusammen. Ersteres wurde in Form von Regeln im System hinterlegt. Die Erfahrungen der Beschäftigten, sofern nicht als Regeln hinterlegt, wurden in Form von Fällen im System abgelegt.
Der zweite Schritt bei der Systemgestaltung zum Fallbasierten Schließen war die Definition der Ähnlichkeit von Fällen. Diese wird durch die Distanz dieser Fälle bestimmt. Sie berechnet sich aus der Summe der lokalen, gewichteten Distanzen der einzelnen Parameter. Die Gewichtung der einzelnen Parameter wird vom Produkttyp, aber auch von der Unternehmenspolitik bestimmt.
Die Distanz einzelner Parameter hängt vom Typ des Parameters und seinem Kontext ab. Neben numerischen gibt es auch qualitative Parameter. Für die Textilindustrie spielen zusätzlich komplexe Parameter, wie beispielsweise die Zusammensetzung von Rohware aus verschiedenen Komponenten, eine Rolle. Dazu muss die Ähnlichkeit zwischen den verschiedenen Materialien definiert werden. Dies wurde mithilfe produktspezifischer Materialtabellen gelöst. Die Distanz wurde dann durch einen Algorithmus ermittelt, der alle Materialpaare miteinander anhand des prozentualen Auftretens vergleicht [6].
Der letzte Gestaltungsschritt betrifft die Transformation, das heißt die Anpassung der ähnlichsten Fälle an die Problemstellung. Dazu wurden diese, basierend auf den im System hinterlegten Regeln, modifiziert. Diese Anpassung erfolgt in zwei Schritten. Im ersten Schritt wird eine Auswahl von ähnlichen Fällen ermittelt. In einem zweiten Schritt wird dann jeder Parameter einzeln durch das System modifiziert. Dafür gibt es eine Reihe von Strategien, die für jeden Parameter individuell sind. Die wichtigsten sind dabei Kopieren, Mittelwertbildung, Häufigkeitsanalyse sowie formelbasierte oder regelbasierte Modifikationen.
Den Beschäftigten werden sowohl die Ausgangsfälle als auch der Vorschlag des Systems angezeigt. Sie können jetzt den Vorschlag bestätigen oder noch verändern. Dadurch wird die Akzeptanz des Systems erhöht und eventuelle Probleme werden rechtzeitig erkannt. Dies ist insbesondere für den Anfang wichtig, da dort nur wenige Fälle in der Fallbasis zur Verfügung stehen.


Bild 3: Verbesserung bei Maschineneinrichtzeiten und Maschinenverfügbarkeit.

Resultate

Im Rahmen des EU-Forschungsprojekts TexWIN konnten signifikante Verbesserungen bei Textilunternehmen erzielt werden. Das Fallbasierte Schließen mit seinen besseren Vorgaben für Maschineneinrichtung und -einstellung sorgte in einzelnen Arbeitsschritten für Zeitersparnisse von bis zu 30 % (Bild 3). Die Anzahl notwendiger Korrekturen war in den meisten Fällen deutlich niedriger als zuvor. Teilweise konnten die vorgeschlagenen Maschineneinstellungen ohne zusätzliche Anpassung genutzt werden.
Neben diesen direkten Einsparungen gab es auch weitere positive Effekte. Die Qualität und Verfügbarkeit von Informationen wurde deutlich verbessert. Wissen, das bisher nur einzelnen Personen zur Verfügung stand, steht jetzt allen Beschäftigten zur Verfügung. Dies führte zu einer einheitlicheren, stabileren Produktion und Produktqualität unabhängig von den verantwortlichen Personen. Auch hat sich die Einarbeitung neuer Beschäftigter verbessert und der sogenannte Brain Drain durch Angestellte, die das Unternehmen verlassen, konnte begrenzt werden.
Der zum Erzielen dieser Einsparungen und Verbesserungen benötigte Aufwand lag für jeden der beiden Anwendungsfälle Spinnen und Weben bei 0,5 PM für das Datenmodell und 3 PM für die Ähnlichkeitsdefinition. Da den Unternehmen alle benötigten Daten schon digital zur Verfügung standen, wurden nur noch Schnittstellenentwicklungen in geringem Umfang benötigt. Der Ansatz kann auch auf andere Anwendungsfälle übertragen werden. Beispielsweise wurde er auch in der Kunststoffindustrie für die Ermittlung von Farbrezepturen für Kunststoff  genutzt, um Farbschwankungen in verschiedenen Pigmentchargen auszugleichen. Ob ein Anwendungsfall für den Einsatz von Fallbasiertem Schließen geeignet ist, muss individuell mit entsprechenden Methodenexperten geklärt werden. Auch sollte bei der Umsetzung eine entsprechende fachliche Unterstützung vorhanden sein.

Schlüsselwörter:

Fallbasiertes Schließen, Digitalisierung, Wissen

Literatur:

[1] IDG Business Media GmbH (Hrsg): Studie Internet of Things 2018. URL: https:// www.alnamic.com/aktuelles-container/idg-studie-iot-2017, Abrufdatum 11.12.2017.
[2] Ertel, W.: Grundkurs Künstliche Intelligenz. Eine praxisorientierte Einführung, 4., überarbeitete Aufl age. Wiesbaden 2016.
[3] Maschler, T.: Fallbasierte Unterstützung von wissensintensiven Produktionsprozessen mit einem ontologiebasierten Expertensystem. Münster 2016.
[4] Schneider, S.: The Industrial Internet of Things (IIoT): Applications and Taxonomy. In: Geng, H. (Hrsg): Internet of Things and Data Analytics Handbook. New Jersey 2017.
[5] Weber, T.: Wissensmanagement: Instrumente, Methoden und Erfahrungen. Hamburg 2014.
[6] Sevilla-Villanueva, B.; Sànchez-Marrè, M.; Fischer, T.: Estimation of Machine Settings for Spinning of Yarns: New Algorithms for Comparing Complex Structures. In: Lamontagne, L.; Plaza, E. (Hrsg): Case-Based Reasoning Research and Development. Cham 2014.