Zwei Teams von Studierenden der Fakultät für Computer- und Informationswissenschaften der Egypt University of Informatics entwickelten zwei Anwendungen, die auf zwei praktische Probleme im Fertigungssektor abzielen: die Verbesserung der Effizienz von Produktion und Maschinen sowie die frühzeitige Erkennung von Risiken verspäteter Rohstofflieferungen. Die beiden Projekte wurden in Zusammenarbeit mit Experten aus Deutschland, Spanien und den Niederlanden entwickelt und in einer Bewertungssitzung über Zoom vorgestellt, an der die Betreuer und Experten teilnahmen.
Nach Angaben der Universität wurden die beiden Anwendungen als Reaktion auf die Bedürfnisse von Einrichtungen entwickelt, die mit intelligenten Industrien und der fünften industriellen Revolution verbunden sind. Dabei wurde das im Rahmen des Programms Horizon Europe finanzierte Projekt zu intelligenten, flexiblen und resilienten Fertigungsnetzwerken genutzt. Den Vorsitz des externen Bewertungsausschusses führte der deutsche Professor Bernd Kramer. Ihm gehörten außerdem Professor Mike Papa Zoglou, Dr. Maria Ramirez Gutierrez und Herr Fernando Gigante von der spanischen Stiftung AIDIMME an.
Von Sensordaten zu Wartungsentscheidungen
Die erste Anwendung trägt den Namen „Produktions- und Maschineneffizienzoptimierer auf Basis eines Wissensmodells“. Sie zielt darauf ab, ein häufiges Problem moderner Fertigungsplattformen zu lösen: Die Systeme bleiben im reaktiven Modus und befassen sich erst dann mit Maschinenausfällen oder Produktionsengpässen, wenn diese bereits eingetreten sind.
Die Anwendung basiert auf einer hybriden Entscheidungsunterstützungsplattform, die Modelle des maschinellen Lernens, darunter Isolation Forest und XGBoost, mit ontologischem Schlussfolgern unter Verwendung der OWL-Sprache kombiniert. Das System verknüpft Sensordatenströme mit einer hierarchischen Struktur der Fabrikanlagen und nutzt anschließend SWRL-Regeln, um die kausalen Beziehungen zwischen der Verschlechterung von Komponenten, Systemengpässen und Verlusten bei der Produktionseffizienz nachzuverfolgen.
Die Plattform umfasst ein Erklärungsmodul, das auf großen Sprachmodellen basiert und komplexe semantische Zustände in Wartungsempfehlungen in einfacherer Sprache umwandelt. Das Projekt enthält außerdem eine Schicht zur Erweiterung der Wissensbasis, die sechs konkurrierende künstliche Intelligenzagenten verwaltet. Ihre Aufgabe besteht darin, neue Verhaltensmuster zu erkennen und SWRL-Regeln vorzuschlagen, die von Ingenieuren vor ihrer Übernahme geprüft werden. Nach Angaben der Universität ist das Design darauf ausgerichtet, die Plattform in einer Fabrikumgebung innerhalb eines Containers und mit geringer Latenz zu betreiben.
Ein digitaler Zwilling für Rohstoffrisiken
Die zweite Anwendung, „Semantischer digitaler Zwilling zur Erkennung und Bearbeitung von Risiken bei der Rohstoffversorgung“, konzentriert sich auf die mangelnde Echtzeittransparenz in der Fertigungslogistik und die Schwierigkeiten im Umgang mit unstrukturierten Bedingungen von Service-Level-Vereinbarungen. Das System soll Lieferverzögerungen im Voraus erkennen und bei Bedarf alternative Lieferanten aktivieren.
Die Anwendung kombiniert maschinelles Lernen zur Vorhersage von Verzögerungswahrscheinlichkeiten, große Sprachmodelle zur Umwandlung von Vertragstexten in strukturierte „ontologische Tripel“ sowie einen ontologischen Reasoner zur Unterstützung der Entscheidungsumsetzung. Mithilfe eines Wissensgraphen, der Daten und Abhängigkeiten miteinander verknüpft, versucht das Framework, das Lieferkettenmanagement von der Reaktion nach dem Eintritt einer Verzögerung hin zu einem proaktiven Eingreifen zu verlagern und zugleich eine einheitliche Informationsquelle zur Lagerverfügbarkeit bereitzustellen.
Warum ist diese Entwicklung wichtig?
Die Bedeutung der beiden Projekte liegt in der Verbindung von Technologien der künstlichen Intelligenz mit Methoden der Wissensrepräsentation innerhalb zweier konkreter industrieller Szenarien, statt sich auf eine allgemeine Darstellung der Fähigkeiten künstlicher Intelligenz zu beschränken. In der Praxis konzentriert sich das erste Projekt darauf, Sensordaten interpretierbar und für Entscheidungen nutzbar zu machen, während das zweite darauf abzielt, verstreute Vertrags- und Lieferkettendaten in ein Modell umzuwandeln, das für Prognosen und Interventionen eingesetzt werden kann.
Allerdings nennt der Beitrag keine quantitativen Betriebsergebnisse, etwa eine Verringerung der Ausfälle oder eine Verbesserung der Lieferzeiten, und erläutert auch nicht, ob die beiden Anwendungen in die kommerzielle Nutzung oder in Feldversuche eingetreten sind. Daher bleibt die angekündigte industrielle Wirkung mit der Entwicklungs- und Bewertungsphase verbunden und beruht nicht auf nachgewiesenen Leistungsergebnissen in laufenden Fabriken.
Zum Team der ersten Anwendung gehörten Abdel Karim Ahmed, Seif Wafik, Mohamed Hussein, Renad Sameh und Malak Montaser unter der Betreuung von Dr. Shereen El-Fayoumi. Das Team der zweiten Anwendung bestand aus Matthew Wael, Youssef Fares, Youssef Osama und Mark Tadros und stand unter derselben Betreuung.