Optimierung von TORO: Automatische Klassifizierung von Anwendungen mithilfe natürlicher Sprachverarbeitung

Einleitung: Das Problem der Klassifizierung von Anwendungen in TORO

In der heutigen Industrie, in der die Produktionseffizienz von entscheidender Bedeutung ist, spielt das Wartungs-, Reparatur- und Betriebsmanagement (MRO) eine zentrale Rolle. Täglich werden Hunderte und manchmal Tausende von Wartungs-, Reparatur- oder Ersatzteilanfragen generiert. Die traditionelle manuelle Klassifizierung, Priorisierung und Weiterleitung dieser Anfragen ist ein zeitaufwändiger und fehleranfälliger Prozess. Dies führt zu Reaktionsverzögerungen, einer Fehlallokation von Ressourcen, erhöhten Ausfallzeiten der Geräte und in der Folge zu finanziellen Verlusten.

Um dieses Problem zu lösen, schlägt die UNITEC-D GmbH vor, den Einsatz von Technologien der künstlichen Intelligenz, insbesondere Natural Language Processing (NPM), in Betracht zu ziehen, um die Klassifizierung von Anwendungen in TORO-Systemen zu automatisieren. Mit diesem Ansatz können Sie eine unstrukturierte Textbeschreibung des Problems in strukturierte Daten umwandeln, die sofort klassifiziert, priorisiert und an die entsprechenden Akteure weitergeleitet werden können. Dies entspricht den Prinzipien von Industrie 4.0 und ermöglicht ukrainischen Unternehmen, die betriebliche Effizienz und Zuverlässigkeit der Produktionsprozesse zu steigern.

Funktionsprinzip des OPM zur Klassifizierung von Anwendungen

Künstliche Intelligenz ist ein Zweig der künstlichen Intelligenz, der es Computern ermöglicht, menschliche Sprache zu verstehen, zu interpretieren und zu erzeugen. Im Rahmen der Klassifizierung von TOO-Anfragen analysiert das OPM-System die vom Betreiber oder Techniker bereitgestellte Textbeschreibung des Problems und ordnet sie einer oder mehreren vordefinierten Kategorien zu. Der Prozess umfasst mehrere Schlüsselphasen:

Erfassung und Vorverarbeitung von Daten: Das System benötigt historische Daten – Tausende oder Zehntausende bereits klassifizierter Anwendungen mit Textbeschreibungen. Der Text wird von unnötigen Zeichen, Tippfehlern und Stoppwörtern (z. B. „und“, „aber“, „y“) befreit.
Tokenisierung und Vektordarstellungen (Einbettungen): Der Text wird in separate Wörter oder Phrasen (Tokens) unterteilt. Jeder Token wird in einen numerischen Vektor umgewandelt, der seine semantische Bedeutung und seinen Kontext im Satz widerspiegelt. Moderne Modelle wie BERT oder Word2Vec erstellen hochwertige Vektordarstellungen, die es dem System ermöglichen, Synonyme und Kontext zu „verstehen“.
Training eines Modells für maschinelles Lernen: Basierend auf diesen Vektordarstellungen wird ein Modell für maschinelles Lernen (z. B. ein Klassifikator auf Basis tiefer neuronaler Netze oder eine Support-Vektor-Methode) trainiert. Das Lehrermodell ordnet Textvektoren den richtigen Kategorien zu und deckt Muster auf.
Klassifizierung: Wenn das System nach dem Training eine neue, nicht klassifizierte Anfrage erhält, durchläuft es dieselben Verarbeitungsschritte. Das trainierte Modell analysiert die Vektordarstellung des neuen Textes und sagt die wahrscheinlichste Kategorie (z. B. „Elektrischer Fehler“, „Hydraulikleck“, „Geplante Wartung“) mit einem bestimmten Maß an Zuverlässigkeit voraus.

Dieser Ansatz ermöglicht es dem System, nicht nur nach Schlüsselwörtern zu suchen, sondern auch den Inhalt der Bewerbung zu verstehen, selbst wenn der Wortlaut unklar ist oder spezifische Fachsprache enthält, die für ein bestimmtes Unternehmen charakteristisch ist.

Datenanforderungen

Die Qualität und Menge der Daten sind entscheidend für die erfolgreiche Implementierung eines OPM-Systems. Ohne geeignete Daten ist jedes Modell wirkungslos. Zu den Hauptanforderungen gehören:

Volumen historischer Anwendungen: Für das anfängliche Training des Modells sind mindestens 5.000–10.000 qualitativ klassifizierte Anwendungen erforderlich. Um eine hohe Genauigkeit zu erreichen, sind 20.000 – 50.000 Anwendungen oder mehr wünschenswert.
Qualität der Textbeschreibungen: Beschreibungen sollten so detailliert und klar wie möglich sein. Unklare, zu kurze Beschreibungen oder mit Abkürzungen gefüllte Beschreibungen, die nicht im System dekodiert werden, verringern die Genauigkeit. Es ist notwendig, eine Prüfung der Daten durchzuführen und, wenn möglich, die Terminologie zu vereinheitlichen.
Manuelle Klassifizierungsgenauigkeit: Historische Anwendungen müssen von Menschen korrekt klassifiziert werden. Wenn die Trainingsdaten Fehler enthalten, reproduziert das Modell diese. Es wird empfohlen, bestehende Klassifizierungen zu überprüfen und zu korrigieren.
Datenformat: Daten müssen in einem strukturierten Format verfügbar sein (z. B. CSV, JSON oder direkt aus der STUOiR/SAUAP-Datenbank). Jeder Eintrag muss eine Textbeschreibung des Problems und die entsprechende Kategorie (oder Kategorien) enthalten. Zusätzliche Felder wie Asset-ID, Datum, Priorität und Ausführender können zur Anreicherung des Modells verwendet werden.
Privatsphäre und Datenschutz: Gemäß den Anforderungen der ukrainischen Gesetzgebung (z. B. dem Gesetz der Ukraine „Über den Schutz personenbezogener Daten“) und internationalen Standards (ISO/IEC 27001) ist es notwendig, einen angemessenen Schutz der in Bewerbungen enthaltenen vertraulichen Informationen sicherzustellen.

Die Aufbereitung der Daten ist die zeitaufwändigste Phase der OPM-Implementierung. Investitionen in die Datenqualität zahlen sich durch eine deutlich höhere Systemgenauigkeit und -zuverlässigkeit aus.

Systemimplementierungsarchitektur

Die Integration des OPM-Systems in die bestehende Produktionslandschaft erfordert eine durchdachte Architektur. Eine typische Architektur umfasst die folgenden Komponenten:

Operatoren/Sensoren → TORO-Managementsystem (SUTOiR/SUAP) → OPM-Modul → Versandsystem/Datenbank → Ausführende

Quelle der Anwendungen: Dies können Bediener sein, die Problembeschreibungen manuell in das System eingeben (z. B. SAP PM, IBM Maximo, 1C:TORO), oder automatische Zustandsüberwachungssysteme (Condition Monitoring), die Benachrichtigungen basierend auf Daten von Sensoren (Temperatur, Vibration, Druck gemäß EN ISO 10816-1) generieren.
Toro Management System (SUTOiR/SUAP): Das bestehende System des Unternehmens, das Anwendungen sammelt, speichert und verwaltet. Das OPM-Modul lässt sich in dieses System integrieren, um nicht klassifizierte Anträge zu empfangen und klassifizierte Daten zurückzugeben.
OPM-Modul: Die zentrale Komponente, die die Verarbeitung natürlicher Sprache durchführt. Es kann als lokaler Server (On-Premise) bereitgestellt werden, um maximale Datensicherheit zu gewährleisten, oder als Cloud-Dienst (Cloud-basiert) für Flexibilität und Skalierbarkeit. Das Modul beinhaltet:
- Eingabe-/Ausgabeschnittstelle: Für die Interaktion mit SUTOiR/SUAP über API (Application Programming Interface).
- Vorverarbeitungssubsystem: Textbereinigung, Tokenisierung.
- Subsystem von Vektordarstellungen: Umwandlung von Text in numerische Vektoren.
- Klassifizierungsmodell: Trainiertes Modell für maschinelles Lernen.
Versandsystem und Datenbank: Klassifizierte Anfragen werden automatisch an die entsprechenden Teams oder einzelnen Techniker weitergeleitet, die auf diese Kategorie von Störungen spezialisiert sind. Die Informationen werden zur weiteren Analyse und Berichterstattung in einer Datenbank gespeichert.
Feedback und Umschulung: Ein entscheidendes Element. Techniker oder TORO-Manager überprüfen die automatische Klassifizierung. Wenn die Klassifizierung falsch war, korrigieren sie sie. Diese angepassten Daten werden verwendet, um das Modell regelmäßig neu zu trainieren und so seine Genauigkeit im Laufe der Zeit zu verbessern.

Es ist wichtig sicherzustellen, dass die Integration Datensicherheits- und Informationssystemstandards wie DSTU ISO/IEC 27001:2015 entspricht.

Echte Ergebnisse und wirtschaftliche Effizienz

Die Implementierung von OPM für die Klassifizierung von TORO-Anwendungen zeigt erhebliche Verbesserungen bei den Betriebsindikatoren:

Klassifizierungsgenauigkeit verbessern: Automatisierte OPM-Systeme erreichen eine Klassifizierungsgenauigkeit von 85–95 %, was deutlich höher ist als die manuelle Klassifizierung, die aufgrund von Ermüdung, mangelnder Standardisierung und Subjektivität oft bei etwa 60–70 % liegt.
Reduzierung der Antragsbearbeitungszeit: Die Zeit vom Eingang eines Antrags bis zur Klassifizierung und Weiterleitung wird von 15–30 Minuten (bei manueller Bearbeitung) auf weniger als 1 Minute verkürzt. Dies beschleunigt die Reaktion auf kritische Störungen.
Verringerung der Anzahl falsch weitergeleiteter Anfragen: Bis zu 20–40 % der Anfragen, die zuvor an das falsche Team oder den falschen Spezialisten gesendet wurden, werden jetzt korrekt klassifiziert und weitergeleitet. Dies reduziert den „Rollover“ der Anwendung zwischen den Abteilungen.
Reduzierte mittlere Wiederherstellungszeit (MTTR): Eine schnellere und genauere Disposition führt zu einer kürzeren MTTR, was sich direkt auf die Ausfallzeiten der Geräte auswirkt. Typisch ist ein Rückgang der MTTR um 10–15 %.
Verbesserte Datenanalyse: Die standardisierte automatische Klassifizierung generiert hochwertige Daten für die weitere Ursachenanalyse, Fehlervorhersage und Optimierung vorbeugender Wartungspläne.
Kosteneinsparungen und Return on Investment (ROI): Aufgrund der Reduzierung von Ausfallzeiten, der Optimierung der Arbeitszeit des Personals (bis zu 10–15 % der Arbeitszeit von Wartungsmanagern) und der gesteigerten Effizienz von Reparaturarbeiten beträgt der Return on Investment in der Regel 12–24 Monate.

Angewandte Metriken:

Kosten des Pilotprojekts: 20.000 – 50.000 EUR (einschließlich Datenaufbereitung und Bereitstellung des Basismodells).
Kosten der vollständigen Integration: 100.000 – 500.000 EUR (abhängig von der Komplexität der Integration, der Datenmenge und dem Anpassungsbedarf).
Reduzierung der Verwaltungskosten: Bis zu 0,5–1,5 EUR für jeden bearbeiteten Antrag. Bei 10.000 Anträgen pro Monat ergibt sich eine Ersparnis von 5.000 – 15.000 EUR pro Monat.

Einschränkungen und potenzielle Probleme

Trotz erheblicher Vorteile sind OPM-Systeme keine universelle Lösung und haben ihre Grenzen:

Garbage In, Garbage Out: Wenn die Trainingsdaten von schlechter Qualität sind, liefert das Modell ungenaue Vorhersagen. Schlechte Beschreibungen, inkonsistente Terminologie oder eine falsche manuelle Klassifizierung führen zu grundlegenden Problemen.
Mehrdeutigkeit und Kontext: Die menschliche Sprache ist komplex. OPM-Modelle haben möglicherweise Schwierigkeiten, sehr mehrdeutige, sarkastische oder zu kurze Beschreibungen zu verstehen, die ein tiefes Kontextverständnis erfordern.
Domänenspezifität: Modelle, die auf allgemeinen Textkorpora trainiert werden, sind für TORO-Fachjargon nicht effizient. Eine Schulung zu branchenspezifischen Daten ist erforderlich. Dies erfordert einen erheblichen Aufwand bei der Datenerhebung und -kennzeichnung.
Unterstützung und Umschulung: Produktionsprozesse und Ausrüstung ändern sich. Neue Arten von Störungen treten auf, neue Vermögenswerte, Fristen ändern sich. Das OPM-Modell erfordert eine regelmäßige Überwachung und regelmäßige Neuschulung (z. B. alle 3–6 Monate) für neue Daten, um seine Relevanz und Genauigkeit aufrechtzuerhalten.
Abhängigkeit von der IT-Infrastruktur: Für die Bereitstellung und den Betrieb von OPM-Systemen sind eine robuste IT-Infrastruktur, Rechenressourcen und möglicherweise spezielle Fachkenntnisse im Bereich maschinelles Lernen erforderlich.

Bauen oder kaufen: Entscheidungsanalyse

Bei der Planung der Einführung eines OPM-Systems zur Klassifizierung von Anwendungen stehen Unternehmen vor dem Dilemma: eine Lösung selbst zu entwickeln (Build) oder eine kommerzielle Lösung zu kaufen (Buy).

Entwicklung aus eigener Kraft (Build):

Vorteile:

Vollständige Anpassung an die individuellen Anforderungen des Unternehmens.
Wahrung geistigen Eigentums.
Tiefe Integration in bestehende interne Systeme ohne Kompromisse.

Nachteile:

Hohe anfängliche Entwicklungs- und Wartungskosten.
Der Bedarf an einem spezialisierten Datenteam (Data Scientists, ML Engineers).
Lange Implementierungszeit (12–24 Monate).
Das Bedürfnis nach ständiger Unterstützung und Weiterentwicklung.

Kauf einer kommerziellen Lösung (Kauf):

Vorteile:

Schnellere Bereitstellung (3–6 Monate für Basisintegration).
Geringere Vorabkosten (obwohl die Gesamtkosten für Lizenz und Support erheblich sein können).
Support und Updates vom Anbieter.
Enthält häufig vorab trainierte Modelle, die eine erneute Schulung anhand spezifischer Kundendaten erfordern.

Nachteile:

Weniger Flexibilität bei der Anpassung.
Eine Lieferantenbindung ist möglich.
Datensicherheitsprobleme, wenn die Lösung cloudbasiert ist.
Standardlösungen passen möglicherweise nicht vollständig zu individuellen Geschäftsprozessen.

Für die Mehrheit der ukrainischen Industrieunternehmen ist insbesondere in der Anfangsphase ein hybrider Ansatz optimal: der Kauf einer vorgefertigten Plattform, die eine weitere Schulung auf eigenen Daten und die Integration mit bestehenden EMS/ACS ermöglicht. Dadurch profitieren Sie von der schnellen Implementierung und dem Support bei gleichzeitiger Wahrung der Anpassungsfähigkeit.

Praktische Schritte zur Umsetzung

Der folgende Schritt-für-Schritt-Plan wird dem Engineering-Team des Unternehmens bei der Implementierung von OPM empfohlen:

Datenprüfung: Führen Sie eine detaillierte Analyse der vorhandenen historischen Anwendungen in Ihrem EMS/ACS durch. Bewerten Sie den Umfang, die Qualität der Textbeschreibungen und die Genauigkeit der aktuellen Klassifizierung. Stellen Sie fest, ob genügend Daten zum Trainieren des Modells vorhanden sind.
Nutzungsszenario-Definition: Beginnen Sie mit einer bestimmten Schadenskategorie mit hohem Volumen, bei der die manuelle Klassifizierung am problematischsten ist (z. B. Ausfälle eines einzelnen Gerätetyps oder einer bestimmten Fertigungshalle).
Bildung eines interdisziplinären Teams: Erstellen Sie eine Arbeitsgruppe, die Wartungsspezialisten, IT-Abteilung, Automatisierungsabteilung und möglicherweise Betriebspersonal umfasst.
Pilotprojekt: Stellen Sie ein kleines Pilotprojekt bereit. Verwenden Sie einen begrenzten Datensatz und konzentrieren Sie sich auf eine oder zwei Kategorien. Dies wird es ermöglichen, die Technologie zu testen, ihre Wirksamkeit zu bewerten und potenzielle Probleme ohne nennenswerte Investitionen zu identifizieren.
Auswahl der Lösungen: Wählen Sie basierend auf den Ergebnissen des Pilotprojekts und der Marktanalyse die am besten geeignete kommerzielle Lösung aus oder entwickeln Sie einen internen Entwicklungsplan.
Integration: Stellen Sie eine nahtlose Integration des OPM-Moduls in Ihr bestehendes EMS/SMS sicher, indem Sie Datenaustauschstandards wie DSTU ISO/IEC 19505-1:2015 (UML) befolgen.
Überwachung und Optimierung: Überwachen Sie nach der Implementierung kontinuierlich die Klassifizierungsgenauigkeit, sammeln Sie Benutzerfeedback und trainieren Sie das Modell regelmäßig anhand neuer, angepasster Daten, um eine hohe Leistung aufrechtzuerhalten.

Die UNITEC-D GmbH unterstützt digitale Transformationsstrategien in der Industrie durch die Bereitstellung zuverlässiger und zertifizierter (CE, UkrSEPRO) Ersatzteile und Komponenten, die den EN- und ISO-Normen entsprechen. Unsere breite Produktpalette, die über den elektronischen Katalog verfügbar ist, ermöglicht es Ihnen, die notwendigen Elemente für alle Systeme, die mit Hilfe intelligenter TORO-Systeme diagnostiziert wurden, schnell zu finden und zu bestellen. Dies gewährleistet einen unterbrechungsfreien Gerätebetrieb und minimiert Ausfallzeiten, was der Schlüssel zur erfolgreichen Nutzung der Vorteile von OPM ist.

Zusammenfassung

Die automatische Klassifizierung von Wartungsanfragen mithilfe der Verarbeitung natürlicher Sprache ist ein leistungsstarkes Tool zur Verbesserung der Wartungseffizienz in der ukrainischen Industrie. Dies ermöglicht eine Verkürzung der Reaktionszeit, eine Optimierung der Ressourcenzuweisung und eine deutliche Verbesserung der Datenqualität für die weitere Analyse. Obwohl die Implementierung Investitionen in Daten und Technologie erfordert, amortisieren sich die potenziellen Einsparungen und die erhöhte Betriebssicherheit schnell.

Um Ihre M&A-Initiativen zu unterstützen und die Zuverlässigkeit der Produktionsprozesse sicherzustellen, laden wir Sie ein, sich mit unserem Angebot an hochwertigen Industrieersatzteilen und -komponenten vertraut zu machen. Besuchen Sie den UNITEC-D E-Katalog.

Link

DSTU ISO 9001:2015 Qualitätsmanagementsysteme. Anforderungen
DSTU ISO/IEC 27001:2015 Informationstechnologien. Methoden und Mittel zur Gewährleistung der Sicherheit. Informationssicherheits-Managementsysteme. Anforderungen
DSTU EN ISO 10816-1:2006 Vibration. Messung und Auswertung von Maschinenvibrationen. Allgemeine Anforderungen.
DE ISO 13849-1:2015 Sicherheit von Maschinen. Sicherheitsbezogene Teile von Steuerungssystemen. Allgemeine Gestaltungsgrundsätze.
CE-Kennzeichnungsrichtlinien für Maschinen (2006/42/EG).
Technische Regelung der Maschinensicherheit, genehmigt durch den Beschluss der CMU vom 30. Januar 2013 Nr. 62 (entspricht der Richtlinie 2006/42/EG).
DSTU 4163-2003 Designdokumentationssystem. Regeln für die Gestaltung von Textdokumenten.