{"id":4494,"date":"2022-01-26T05:15:59","date_gmt":"2022-01-26T05:15:59","guid":{"rendered":"https:\/\/lamarr-institute.org\/blog\/root-cause-analyse\/"},"modified":"2025-11-12T14:53:39","modified_gmt":"2025-11-12T14:53:39","slug":"root-cause-analyse","status":"publish","type":"blog","link":"https:\/\/lamarr-institute.org\/de\/blog\/root-cause-analyse\/","title":{"rendered":"Fehleranalyse in Produktionsprozessen mit einer KI-basierten Root-Cause-Analyse"},"content":{"rendered":"\n<p>Noch interessanter als die KI-basierte Prognose von Fehlern \u2013 zum Beispiel in der industriellen Produktion \u2013 ist es f\u00fcr Unternehmen zu verstehen, <strong><em>warum<\/em><\/strong> Fehler \u00fcberhaupt auftreten bzw. warum ein konkreter Fehler aufgetreten ist und welche Handlungen zu seiner Abhilfe und zur Vermeidung von weiteren Fehlern durchzuf\u00fchren sind.<\/p>\n\n\n\n<p>Die Suche nach Schwachstellen bzw. Fehlerursachen ist unter dem Begriff \u201eFehleranalyse\u201c (englisch \u201eRoot-Cause-Analysis\u201c) bekannt. Ziel einer solchen Analyse ist es in der Praxis:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Stillstandzeiten in der Produktion zu verk\u00fcrzen bzw. zu vermeiden<\/li>\n\n\n\n<li>Qualit\u00e4tsm\u00e4ngel bei den hergestellten Produkten zu reduzieren<\/li>\n\n\n\n<li>Unbekannte Wirkzusammenh\u00e4nge zu erkennen und diese nachfolgend f\u00fcr die Optimierung der Produktionsanlagen und -prozesse zu nutzen<\/li>\n<\/ul>\n\n\n\n<p>Eine Root-Cause-Analyse stellt angesichts von stets steigenden Qualit\u00e4ts- und Optimierungsanforderungen eine kontinuierliche Aufgabe und Bestandteil des kontinuierlichen Verbesserungsprozesses eines Unternehmens dar.<\/p>\n\n\n\n<figure class=\"wp-block-image size-large wp-duotone-midnight\"><img decoding=\"async\" src=\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/Abb_RCA-1024x764.png\" alt=\"- Lamarr Institute for Machine Learning (ML) and Artificial Intelligence (AI)\" class=\"wp-image-25043\" title=\"\"><figcaption class=\"wp-element-caption\">\u00a9 Fraunhofer IAIS<\/figcaption><\/figure>\n\n\n\n<p>In modernen, digitalen Produktionsanlagen werden heute riesige Datenmengen aufgezeichnet, die sich mit einfachen Mitteln nicht mehr analysieren lassen.<\/p>\n\n\n\n<p>KI-Methoden k\u00f6nnen helfen, wenn es gilt Hinweise auf m\u00f6gliche Fehlerursachen in diesen Datenmengen zu finden. Wichtig ist es, dass in diesen Daten auch gen\u00fcgend Fehlerf\u00e4lle dokumentiert sind, so dass kausale Zusammenh\u00e4nge statistisch valide gefunden werden k\u00f6nnen. Betrachtet werden also nicht Ursachen von seltenen Fehlern, sondern die Gr\u00fcnde von allt\u00e4glichen Fehlern bzw. Produktionsst\u00f6rungen.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Ohne Anwendungsexperten geht es nicht<\/h2>\n\n\n\n<p>Nat\u00fcrlich gibt es in jedem Unternehmen Expert*innen, die \u201eden Laden am Laufen halten\u201c, das hei\u00dft Probleme beheben, Schwachstellen erkennen und die Produktion optimieren. Auch wenn nun riesige Datenmengen vorliegen, darf man nicht dem Irrglauben erliegen, dass die K\u00fcnstliche Intelligenz das Wissen und die Erfahrung von Anwendungsexpert*innen \u00fcberfl\u00fcssig machen k\u00f6nnte. Die Komplexit\u00e4t der Produktionsanlagen und der kritischen Fehlersituationen und damit der Schwierigkeitsgrad ist \u00e4u\u00dferst hoch (die einfachen Fehler sind in der Regel auch ohne KI l\u00e4ngst behoben). Dies reflektiert sich auch in der Datenlage: Es gibt meist viele, untereinander korrelierte Einflussfaktoren und eine &#8211; relativ dazu &#8211; kleine Menge an Fehlerf\u00e4llen. Diese und auch andere Faktoren erschweren die Datenanalyse, so dass im Interesse eines bestm\u00f6glichen Ergebnisses die Einbindung von Anwendungsexpert*innen essenziell ist. Von einer mindestens doppelt so langen Liste seien hier nur drei wichtige Aspekte erw\u00e4hnt:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>In der Praxis bew\u00e4hrte Heuristiken zur Fehlerbehebung k\u00f6nnen ausgenutzt werden, um die Komplexit\u00e4t der Aufgabenstellung zu reduzieren.<\/li>\n\n\n\n<li>Fachwissen, das nicht in den Daten enthalten ist, kann einflie\u00dfen.<\/li>\n\n\n\n<li>Anwendungsexpert*innen m\u00fcssen KI-Ergebnisse validieren, um echte Ursachen von anderen korrelierten Ereignissen (zum Beispiel andere Fehler-Symptome) zu unterscheiden.<\/li>\n<\/ul>\n\n\n\n<p>Ziele und Formen der Zusammenarbeit zwischen Anwendungsexpert*innen und Data Scientists werden in unserem <a href=\"https:\/\/www.iais.fraunhofer.de\/de\/geschaeftsfelder\/industrial-analytics\/root-cause-analyse.html\" target=\"_blank\" data-type=\"link\" data-id=\"https:\/\/www.iais.fraunhofer.de\/de\/geschaeftsfelder\/industrial-analytics\/root-cause-analyse.html\" rel=\"noreferrer noopener\">Whitepaper<\/a> ausf\u00fchrlich diskutiert.<\/p>\n\n\n\n<figure class=\"wp-block-image size-large\"><img decoding=\"async\" src=\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/Whitepaper_RCA_web_Cover-725x1024.jpg\" alt=\"- Lamarr Institute for Machine Learning (ML) and Artificial Intelligence (AI)\" class=\"wp-image-25046\" title=\"\"><figcaption class=\"wp-element-caption\">\u00a9 Fraunhofer IAIS\n<\/figcaption><\/figure>\n\n\n\n<h2 class=\"wp-block-heading\">Die besondere Herausforderung: Zeitreihen<\/h2>\n\n\n\n<p>Produktionsprozesse sind physikalische Vorg\u00e4nge, die sich in mehreren Verarbeitungsschritten \u00fcber einen l\u00e4ngeren Zeitraum erstrecken. Sie werden in der Regel zeitdiskret \u00fcberwacht und die aufgezeichneten Daten zu langen Zeitreihen aggregiert, die den Verlauf dokumentieren und die es zu analysieren gilt. Diese Zeitreihen sind meist hochdimensional (zum Beispiel vereinen sie die Werte vieler Sensoren) und k\u00f6nnen mehrere hundert Zeitschritte umfassen. Solche Zeitreihen enthalten eine Unzahl an m\u00f6glichen Mustern. Die Frage, welche davon urs\u00e4chlich f\u00fcr das Auftreten eines Fehlers sein k\u00f6nnte, gleicht der Suche einer Nadel in einem Heuhaufen.<\/p>\n\n\n\n<figure class=\"wp-block-image size-large\"><img decoding=\"async\" src=\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/Plot_1_Strichmaennchen-1024x501.jpg\" alt=\"- Lamarr Institute for Machine Learning (ML) and Artificial Intelligence (AI)\" class=\"wp-image-25048\" title=\"\"><figcaption class=\"wp-element-caption\">\u00a9 Anja\/stock.adobe.com &amp; ML2R\n<\/figcaption><\/figure>\n\n\n\n<p>Fraunhofer IAIS hat, basierend auf j\u00fcngsten Forschungsergebnissen und Projekterfahrungen, einen neuen technischen Ansatz f\u00fcr die KI-basierte Root-Cause-Analyse auf Zeitreihen-Daten entwickelt.<\/p>\n\n\n\n<p>Dieser Ansatz verwendet sogenannte <a href=\"https:\/\/lamarr-institute.org\/de\/tiefe-neuronale-netze\/\" target=\"_blank\" rel=\"noreferrer noopener\">tiefe Neuronale Netze<\/a>, um in mehrdimensionalen Zeitreihen Fehlerursachen-Prototypen zu finden. Ein solcher Prototyp ist eine kurze Zeitreihe, die den zeitlichen Verlauf von wenigen (beispielsweise 3 bis 5) Messstellen darstellt, und die durch das Neuronale Netz in \u00e4hnlicher Form mit einer Reihe von Fehlern in Verbindung gebracht wird.<\/p>\n\n\n\n<figure class=\"wp-block-image size-full\"><img decoding=\"async\" src=\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/Plot_2.jpg\" alt=\"- Lamarr Institute for Machine Learning (ML) and Artificial Intelligence (AI)\" class=\"wp-image-25050\" title=\"\"><figcaption class=\"wp-element-caption\">\u00a9 Fraunhofer IAIS <br>Beispiel eines Fehlerursachen-Prototyps<\/figcaption><\/figure>\n\n\n\n<p>Typischerweise werden zwischen 10 und 20 solcher Fehlerursachen-Prototypen durch das Neuronale Netz gefunden. Diese Prototypen m\u00fcssen nun mit Anwendungsexpert*innen anhand von Fallbeispielen diskutiert und interpretiert werden, um die Fehlerursache zu verstehen. Im Zuge dessen wird die Komplexit\u00e4t des Prototyps (insbesondere die Anzahl der zu betrachteten Messstellen und die L\u00e4nge der zu betrachtenden Zeitreihe) reduziert. Aus dem hierdurch gewonnenen Verst\u00e4ndnis k\u00f6nnen nun Handlungsanweisungen erstellt werden, wie bei dem Auftreten dieses Fehlers ad\u00e4quat reagiert werden soll. Au\u00dferdem k\u00f6nnen konstruktive Ma\u00dfnahmen ergriffen werden, die das Auftreten dieses Fehles zuk\u00fcnftig minimieren.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Fazit<\/h2>\n\n\n\n<p>Die Erfahrung von vielf\u00e4ltigen Projekten hat gezeigt, dass eine erfolgreiche, KI-basierte Root-Cause-Analyse meist nur gelingen kann, wenn man f\u00fchrende KI-Verfahren mit Methoden zur Einbindung von Expertenwissen kombiniert. F\u00fcr die bei Produktionsprozessen typischerweise anfallenden Zeitreihendaten hat Fraunhofer IAIS ein spezielles Analyseverfahren entwickelt. Dadurch ist es m\u00f6glich, automatisch aufgezeichnete Produktionsdaten f\u00fcr die Analyse von hochkomplexen Produktionsprozessen auszuwerten und so Wirkzusammenh\u00e4nge zu erkennen, die mit konventionellen Methoden der Root-Cause-Analyse verborgen geblieben w\u00e4ren.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Interessanter als die Prognose von Fehlern ist es f\u00fcr Unternehmen zu verstehen, warum ein konkreter Fehler aufgetreten ist. Eine KI-basierte Root-Cause-Analyse dient dazu, Hinweise auf Fehlerursachen in gro\u00dfen Datenmengen zu finden.<\/p>\n","protected":false},"author":9,"featured_media":4503,"template":"","meta":{"_acf_changed":false,"footnotes":""},"blog-category":[1416,546],"blog-tag":[1476,1519,1621],"class_list":["post-4494","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-alle-blogbeitraege","blog-category-anwendung","blog-tag-datenanalyse","blog-tag-industrie-4-0","blog-tag-zeitreihen"],"acf":[],"publishpress_future_workflow_manual_trigger":{"enabledWorkflows":[]},"_links":{"self":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/4494","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/types\/blog"}],"author":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/users\/9"}],"version-history":[{"count":0,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/4494\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media\/4503"}],"wp:attachment":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media?parent=4494"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-category?post=4494"},{"taxonomy":"blog-tag","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-tag?post=4494"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}