Ansätze des Case-based Reasoning im Kontext von

3.3 CBR-Ansätze in relevanten Anwendungsgebieten

3.3.1 Ansätze des Case-based Reasoning im Kontext von

Aufbauend auf der Vorstellung der Funktionsweise von CBR werden in weiterer Folge die relevantesten Case-based Reasoning Ansätze im Kontext der Fachgebiete „In-standhaltung“ und „Service“ erläutert. Des Weiteren wird ein kurzer Ausblick auf CBR-Ansätze und deren Anwendungszwecke in angrenzenden Fachgebieten gegeben.

Eine vollumfängliche Darstellung aller Teilentwicklungen im Bereich CBR ist aufgrund der großen Anzahl an Publikationen und Anwendungsgebiete im Rahmen dieser Arbeit nicht möglich. Daher erfolgt an den entsprechenden Stellen ein Verweis auf weiterfüh-rende Literatur und Ansätze. Eine Übersicht der erläuterten Ansätze kann der nachfol-genden Tabelle entnommen werden.

Tabelle 7: Literaturübersicht CBR-Ansätze im Kontext von Instandhaltung und Ersatzteilmanagement (eigene Darstellung)

Nr. Jahr Autor Titel Branche Anwendungsgebiet

1 2011 Chougule et al.

An integrated framework for effective service and repair in the automotive domain: An application of association mining and case-based-reasoning. kernel-based feature manipulation for engine ignition system diagnosis. col-laboration from experts in industrial maintenance management. KPIs Monitoring: A PSS Approach.

Maschinen- und Anla-genbau

Instandhaltung von Werkzeugformen

Ansatz Nr. 1: Der Ansatz von CHOUGULE et al. nutzt Case-based Reasoning für die Optimierung von Kraftfahrzeugreparaturen. Er unterstützt die Identifikation von Schwierigkeiten bei der Reparatur von Fahrzeugen, das Ableiten von entsprechendem Schulungsbedarf bei Mechanikern und bietet eine Hilfestellung durch das Lernen aus vergangenen Reparaturmaßnahmen (cases), um eine schnelle und kosteneffiziente

Die approbierte gedruckte Originalversion dieser Dissertation ist an der TU Wien Bibliothek verfügbar. The approved original version of this doctoral thesis is available in print at TU Wien Bibliothek.Die approbierte gedruckte Originalversion dieser Dissertation ist an der TU Wien Bibliothek verfügbar. The approved original version of this doctoral thesis is available in print at TU Wien Bibliothek.

Instandsetzung zu ermöglichen. Für die Generierung von Cases werden zwei Daten-quellen genutzt. Die erste Quelle bildet eine Auftragsdatenbank. Sie beinhaltet allge-meine Fahrzeugdaten, Technikerdaten sowie eine textuelle Beschreibung (Fließtext) der durchgeführten Reparaturmaßnahmen. Des Weiteren wird eine Symptomdaten-bank genutzt, welche Fahrzeugdaten, ausgelesene Fehlercodes und das Ausleseda-tum der Fehlercodes, beinhaltet. Aus einer Kombination beider Quellen werden ent-sprechende Fälle generiert, welche in der Fallbasis als Referenz für zukünftige Repa-raturen bereitgestellt werden. Der Retrieve-Schritt erfolgt mittels der Methode „Text Mining“. Der Retain-Schritt wird durch einen unabhängigen Prüfschritt einer Zentra-linstanz unterstützt. Sofern die Reparatur, und somit der neue potenzielle „ Retain-Case“, von einem unerfahrenen Mechaniker durchgeführt wurde, wird mittels „ Associ-ation Rule Mining“ und „Text mining“ in einem separaten „Revise-Schritt“ geprüft, ob die verbauten Teile, die ausgelesenen Fehlercodes sowie die durchgeführten Maß-nahmen und schriftlichen Anmerkungen des Mechanikers korrelieren. Somit wird si-chergestellt, dass sich ausschließlich korrekt durchgeführte Reparaturmaßnahmen als Referenzfälle in der Fallbasis befinden. Dieser Revise-Schritt erfolgt manuell durch entsprechende Experten. Eine automatische Case-Anpassung wird aufgrund fehlen-der Verknüpfungen mit anfehlen-deren Quellen (z. B. Service-Handbücher, Service-Bulletins, Konstruktionsdokumente) und somit fehlenden Abgleichmöglichkeiten derzeit nicht durchgeführt. Mit Hilfe des entwickelten CBR-Ansatzes konnte v. a. die Rückmeldezeit und das Lernen von im Feld auftretenden Problemen von mehreren Wochen auf we-nige Minuten verkürzt werden. Des Weiteren ermöglicht der Ansatz das Identifizieren von Anomalien und Best-Practices, was davor aufgrund der großen Datenmengen nicht möglich war. (vgl. Chougule et al. 2011)

Ansatz Nr. 2: Der Ansatz nach VONG et al. unterstützt die Fehlerdetektion und Maß-nahmenableitung für schadhafte KfZ-Motoren und dem damit verbundenen Zündsys-tem. Der präsentierte Ansatz nutzt neben dem Expertenwissen der Mechaniker die Motordaten, welche über ein entsprechendes Messgerät ausgelesen werden und Auf-schluss über den Motorzustand und das Zündverhalten geben. Die Herausforderung bei diesem Ansatz besteht darin, die Abfrage- und Vergleichszeiten der einzelnen Cases aufgrund der großen Anzahl an Motorkennwerten möglichst gering zu halten und somit ein effizientes Schlussfolgern zu ermöglichen. Des Weiteren stellt die Ähn-lichkeit der Kurvenverläufe hinsichtlich des Zündverhaltens ein Problem dar. Die Au-toren integrieren in ihrem Ansatz daher zusätzliche Methoden für eine Vorbearbeitung (engl. preprocessing) der Signale und Daten. Zum Einsatz kommt zunächst die Me-thode „Wavelet Packet-Transformation“ (WPT) für das Aufsplitten des Eingangssig-nals. Da die verbleibende Anzahl an Eigenschaften dennoch sehr hoch ist, wird für die

Reduktion der Dimensionsanzahl das mathematische Verfahren der „ Kernel-Haupt-komponentenanalyse“ verwendet. Die Vorbearbeitung ist nach diesem Schritt abge-schlossen. Um die finalen Eigenschaften in weiterer Folge im Zuge des Retrieve-Schritts möglichst schnell abgleichen zu können, wird der „Kernel k-means“ Algorith-mus zur Clusterung der Cases eingesetzt. Der finale vorgeschlagene Case wird aus einem der gebildeten Cluster ausgewählt, nicht als Einzelfall aus der originären Fall-basis, welche alle Fälle enthält. Die Autoren weisen zeitliche Einsparungspotenziale ihres Ansatzes gegenüber alternativen Machine Learning Ansätzen aus, machen je-doch keine Angaben in welchem Ausmaß die Diagnose- und Reparaturzeiten in der Praxis reduziert werden können. (vgl. Vong et al. 2011)

Ansatz Nr. 3: KAMSU-FOGUEM und NOYES entwickeln einen allgemeinen CBR-An-satz für die Formalisierung von Experten bezogenem Instandhaltungswissen. Dieser Ansatz soll zur erweiterten Kollaboration und Effizienzsteigerung in der Instandhaltung beitragen. Der vorgestellte Ansatz wird am Beispiel von Antriebseinheiten, bestehend aus Elektromotor, Getriebe und Lager, demonstriert. Für die semantische Beschrei-bung von Problemstellungen und potenziellen Lösungen verwenden die Autoren die Methode der Konzeptgraphen. Diese werden in Bezug zueinander gesetzt, sodass während des Retrieve-Schrittes direkt von einer Problemstellung auf zugehörige Lö-sungsgraphen geschlossen werden kann. Die Case-Base enthält Lösungsvorschläge aus unterschiedlichen Perspektiven (z. B. Mechanik, Elektronik oder Software), welche ggf. mit demselben Problemgraphen verknüpft werden können. Der Mechaniker im Feld kann so, auf unterschiedliches Expertenwissen zugreifen, das ihm in Form von Service-Anweisungen, Fact-Sheets etc. zur Verfügung gestellt wird. Eine Quantifizie-rung der erzielten Ergebnisse wird durch die Autoren nicht vorgenommen. (vgl.

Kamsu-Foguem und Noyes 2013)

Ansatz Nr. 4: POTES RUIZ et al. bauen auf dem zuvor beschriebenen CBR-Ansatz von KAMSU-FOGUEM und NOYES auf. Ihr Ansatz dient ebenfalls der Formalisierung von Experten bezogenem Instandhaltungswissen. Analog zum vorherigen Ansatz soll auch dieser die erweiterte Kollaboration in der Instandhaltung erhöhen und somit zur Effizienzsteigerung beitragen. Der entwickelte Ansatz wird anhand eines Beispiels für Werkzeugmaschinen demonstriert. Für die semantische Beschreibung von Experten-wissen, sprich von Problemsituationen und den damit verbundenen Lösungen, ver-wenden die Autoren ebenfalls die Methode der Konzeptgraphen. Im Zuge des Ret-rieve-Prozesses wird das Transferable Belief Model (TBM), welchem die Dempster-Shafer Theorie (Evidenztheorie) zugrunde liegt, verwendet. Dieses prüft innerhalb der Cases, wie viele Experten aus welchen gleichen bzw. unterschiedlichen Domains wel-che Hypothese hinsichtlich Problemursawel-che und zugehörigem Lösungsvorschlag

empfehlen. Somit wird eine Gewichtung der Hypothesen erzeugt. Zudem wird eine Kennzahl zur Bewertung der semantischen Ähnlichkeit berechnet und anschließend der erfolgversprechendste vergangene Case ausgegeben. Der präsentierte Ansatz wurde mittels einer theoretischen Case-study durchgeführt. Eine Quantifizierung des in der Praxis erzielbaren Nutzens ist nicht beschrieben. (vgl. Potes Ruiz et al. 2013) Ansatz Nr. 5: POTES RUIZ et al. formulieren in diesem Ansatz eine Erweiterung ihres zuvor präsentierten Ansatzes. Das Ziel liegt nach wie vor auf dem Erfassen und Nutz-barmachen von Instandhaltungswissen, sprich der Dokumentation von spezifischen Anlagenfehlern und angewandte Lösungen bei deren Reparatur. Der vorliegende An-satz wird anhand des Beispiels von Deckenkränen illustriert. Die Formalisierung des Wissens, sprich Problemstellungen und damit verbundene Lösungsmöglichkeiten, er-folgt analog zu den vorangegangenen Ansätzen mittels Konzeptgraphen. Der Ret-rieve-Prozess erfolgt ebenfalls durch das Schlussfolgern mittels der Verknüpfung der unterschiedlichen Konzeptgraphen. Des Weiteren verwenden POTES RUIZ et al. in ihrem Ansatz die Methode „Association Rule Mining“ (ARM). Diese wird jedoch nicht für die Identifikation von Anlagenproblemen verwendet, sondern für die Identifikation von Zusammenhängen zwischen den einzelnen Cases, die mittels der Konzeptgra-phen entsprechend formalisierte Regeln und Zusammenhänge enthalten. Dieser An-satz soll es ermöglichen, Transparenz hinsichtlich existierenden und nicht-existieren-den Zusammenhängen sowie deren Häufigkeiten in der Case-Base zu erlangen und den Nutzern aufzuzeigen. Im Zuge des ARM wird ein Apriori-Algorithmus eingesetzt.

Der Ansatz präsentiert ausschließlich qualitative Ergebnisse auf Konzeptebene. Eine Quantifizierung hinsichtlich des Praxisnutzens wurde nicht vorgenommen. (vgl. Potes Ruiz et al. 2014)

Ansatz Nr. 6: Der Ansatz von MOURTZIS et al. verwendet CBR für die Abschätzung der Instandhaltungsdauer für komplexe „Engineer-to-Order“ Kunststoffspritzgusswerk-zeuge. Die allgemeine Anwendung des CBR-Ansatzes erfolgt durch Unternehmen, welche Werkzeugformen im Kundenauftrag überarbeiten, warten und instand setzen.

Mittels einer schnellen und verlässlichen Abschätzung der Instandhaltungsdauer für die Spritzgusswerkzeuge soll den Kunden (Anlagenbetreibern) eine bessere Pla-nungsgenauigkeit geboten und die allgemeine Kundenzufriedenheit erhöht werden.

Des Weiteren ermöglicht der Ansatz eine optimierte Kostenabschätzung. MOURTZIS et al. untersuchen in ihrem Ansatz unterschiedliche Attribute (Instandhaltungsprozess- und Produktattribute), welche eine Auswirkung auf die Instandhaltungsdauer einer Werkzeugform aufweisen. Die numerischen und alphanumerischen Attribute werden anschließend normalisiert und gewichtet. Jeder attribuierte Case ist mit

entsprechen-Die approbierte gedruckte Originalversion dieser Dissertation ist an der TU Wien Bibliothek verfügbar. The approved original version of this doctoral thesis is available in print at TU Wien Bibliothek.Die approbierte gedruckte Originalversion dieser Dissertation ist an der TU Wien Bibliothek verfügbar. The approved original version of this doctoral thesis is available in print at TU Wien Bibliothek.

den Instandhaltungszeiten verknüpft, die bei Anwendung des CBR-Ansatzes als vor-geschlagene Lösung ausgegeben werden. Im Zuge des Retrieve-Prozesses wird für numerische Werte die Ähnlichkeit mittels der euklidischen Distanz ermittelt. Alphanu-merische Werte werden normalisiert als Zahlenwerte dargestellt (z. B. Type of Harde-ning: Good = 0; very Good = 1). Im Zuge des Retrieve-Prozesses erfolgt auch hier eine Distanzmessung mittels eines Abgleiches der einzelnen Werte. Der bestpassende Case (nearest neighbour) wird anhand der Gesamtähnlichkeit, welche sich aus den beiden zuvor beschriebenen Einzelähnlichkeiten zusammensetzt, bestimmt. Die Auto-ren präsentieAuto-ren eine Evaluierung ihres Ansatzes im Zuge eines Tests. Die ausgege-bene Abschätzung für die Instandhaltungsdauer eines Kunststoffspritzgusswerkzeu-ges betrug 71 Arbeitstage. Die real erzielte Instandhaltungsdauer war 68 Tage. Die Abweichung von 5,74 % wird als zufriedenstellend angesehen und zeigt das Potenzial des präsentierten Ansatzes. (vgl. Mourtzis et al. 2017)

3.3.2 Weitere Anwendungen von Case-based Reasoning in angrenzenden

Im Dokument D I S S E R T A T I O N (Seite 94-98)