UdZForschung 1/2020

17 UdZForschung – Unternehmen der Zukunft 1/2020 Leitthema: Industrie & Umwelt – FIR-Forschungsprojekte einem Manufacturing-Execution-System (MES). Die Daten beinhalten im Wesent- lichen die Start- und Endzeitpunkte der Tätigkeiten sowie die verwendeten Ressourcen in einem für das Process- Mining verständlichen Format. Nach der Strukturierung der Daten erfolgt die Weitergabe an das Process-Mining-Sub- system. Dort werden die Prozessdaten in Echtzeit analysiert und die Prozesse auf Konformität mit den vorgegebenen Soll- Prozessen geprüft. 6 Weichen die Prozesse von den Soll-Prozessen ab, meldet das Systemeine Störung. ImFalle einer Störung werden die betroffenen Daten an das Machine-Learning-Systemweitergegeben. DasMachine-Learning-Systembesteht aus dem sogenannten Recommender-System und einem Element zur Klassifizierung der Störungen. Die grundsätzliche Idee des Machine-Learning-Ansatzes basiert auf dem künstlichen Generieren von Wissen durch Erfahrung. Ein Modell wird anhand von Beispieldaten trainiert und soll selbständig bestimmte Muster in den Datensätzen erkennen. Ein erfolg- reich trainiertes Modell ist dann in der Lage, das vorher erlangte Wissen auf einen neuen, unbekannten Datensatz zu transferieren und dort ähnliche Muster zu erkennen. Zur Klassifizierung der Störungen im Anwendungsfall wird das Machine-Learning-System (ML-System) demgemäß zunächst anhand vorhandener Störungsklassifikationen in der Literatur trainiert, bevor es auf die Rückmeldedaten angewendet werden kann. Der Nutzer kann dabei zudem in den Lernprozess des Systems eingreifen, indem er eine Rückmeldung an das System hinsichtlich der Korrektheit der Klassifizierung gibt. Je nach Klassifizierung entscheidet das ML-Systemdann, ob es sich bei der Störung nur um eine einfache Abweichung inner- halb vorgegebener Toleranzen handelt oder um eine Störung, die eine Reaktion nach sich zieht. Diese Information wird dann an das sogenannte Recommender- System weitergegeben. Aufgabe des Recommender-Systems ist es, demNutzer basierend auf der Störung bis zu drei mög- liche Gegenmaßnahmen vorzuschlagen. Dabei sind folgende Machine-Learning- Algorithmen denkbar: Collaborative- Filtering und Reinforcement-Learning. BeimCollaborative-FilteringwerdenDaten basierend auf Gemeinsamkeiten gefiltert. Das Collaborative-Filtering ist vor allem für seine Anwendung im E-Commerce bekannt. Dabei wird angenommen, dass Konsumenten mit gleichen Vorlieben für ein Produkt auch ähnliche Vorlieben für ein anderes Produkt haben. Auf diese Weise kann vom Verhalten eines Konsumenten auf das eines anderen mit ähnlichen Vorlieben geschlossen werden. Im Falle der Produktionssteuerung können dem Nutzer basierend auf der Störung geeig- nete Gegenmaßnahmen vorgeschlagen werden. So könnte beispielsweise durch das Process-Mining eine Abweichung identifiziert werden, welche in der ersten Stufe des Machine-Learning-Systems als Maschinenausfall induzierte Störung klassifiziert wird. Das Recommender- System würde nun bei Anwendung des Collaborative-Filtering-Algorithmus auf Basis der Klassifikation und der betrof- fenen Maschine drei Gegenmaßnahmen vorschlagen, welche bei einer ähnlichen Situation angewandt wurden. Mögliche Vorschläge wären: Verschiebung auf eine Alternativmaschine, warten, bis die Maschine instandgesetzt wurde oder Fremdvergabe. Beim Reinforcement-Learning wird das Problem als Markovsches Entschei- dungsproblem modelliert, bestehend aus Zuständen, Handlungen, einer Über- gangs- und einer Belohnungsfunktion 7 . Zustände sind Abbildungen des Systems zu einembestimmten Zeitpunkt. Handlungen beeinflussen den Zustand des Systems. Die Übergangsfunktionbeschreibt,wiesichder Zustand des Systems durch eine Handlung Bild 1: Referenzarchitektur für ein Decision-Support-System zur Erkennung von Störungen und Ableitung von Gegenmaßnahmen anhand von Process-Mining und Machine-Learning (eigene Darstellung) 6 s. Garcia et al. 2019, S. 260 7 s. van Otterlo u. Wiering 2012, S. 3