Knowledge-based maintenance framework for smart manufacturing

Abstract

Gegenwärtig sieht die Industrie mit verschiedenen Herausforderungen konfrontiert, darunter die Zunahme an Komplexität von Fertigungssystemen, der Mangel an Fachkräften sowie die unzureichende Nutzung unstrukturierter Daten. Diese Faktoren tragen zu Ineffizienzen bei der Instandhaltung bei, was zu hohen Kosten aufgrund ungeplanter Ausfallzeiten, ineffizienter Fehlerbehebung und ineffektiver Dokumentationspraktiken führt. Trotz der Fortschritte bei der vorausschauenden Instandhaltung unter Verwendung strukturierter Daten wird das erhebliche Potenzial unstrukturierter Daten, wie z. B. Instandhaltungsbereichte, oft vernachlässigt. In diesem Zusammenhang wird die Integration von künstlicher Intelligenz, wie maschinelles Lernen, natürlicher Sprachverarbeitung und Wissensgraphen, als ein vielversprechender Ansatz angesehen, um die Instandhaltungslandschaft zu transformieren. Die vorherrschenden Instandhaltungs-Lösungen nutzen überwiegend strukturierte Daten und vernachlässigen unstrukturierte Daten. Darüber hinaus sind Instandhaltungsprozesse durch einen Mangel an kompetenzbasierter Planung, unzureichende Unterstützung für Techniker bei der Fehlerdiagnose und ineffiziente Dokumentationsmethoden gekennzeichnet. Obwohl bereits einige Aspekte der vorausschauenden Instandhaltung durch bestehende Tools abgedeckt werden, bieten diese keine umfassende kognitive Unterstützung. Die vorliegende Arbeit präsentiert eine Architektur für ein kognitives Instandhaltungs-Framework (ARCHIE), dass die kompetenzbasierte Instandhaltungsplanung und -ausführung verbessert und die menschlichen Fähigkeiten erweitert. Die Architektur integriert Echtzeit-Sensordaten mit kontextbezogenen Erkenntnissen aus unstrukturierten Textdaten. Die modulare Architektur umfasst fünf Funktionseinheiten, die Fehlererkennung, Aufgabenempfehlungen, halbautomatische Dokumentation und menschenzentrierte Planung unterstützen. Die Validierung von ARCHIE erfolgte in Halbleiterindustrie, wo signifikante Verbesserungen beobachtet wurden. Zu den wichtigsten Ergebnissen gehören eine Reduzierung der mittleren Reparaturzeit (MTTR) um 20% und eine verbesserte Aufgabenzuweisung. Es lässt sich zusammenfassen, dass ARCHIE einen substanziellen Beitrag zum Bereich der industriellen Instandhaltung leistet und auf kritische personelle und technologische Herausforderungen der industriellen Zukunft eingeht. Seine Skalierbarkeit und Anpassungsfähigkeit macht es zu einem wertvollen Werkzeug für breitere industrielle Anwendungen und ebnet den Weg für intelligentere, datengetriebene Instandhaltungslösungen. Die Ergebnisse zeigen das Potenzial von Künstlicher Intelligenz in der Instandhaltung auf, Anlagen Verfügbarkeit zu erhöhen und nachhaltige Produktionssysteme zu fördern.

The industrial sector faces several challenges, including the increasing complexity of manufacturing systems, a shortage of skilled labor, and the underutilization of unstructured data. These factors contribute to maintenance inefficiencies, resulting in high costs due to unplanned downtime, inefficient fault resolution, and ineffective documentation practices. Despite the advancements in predictive maintenance (PdM) using structured data, industries often neglect the significant potential of unstructured data, such as technician logs and shift reports. In this context, the integration of artificial intelligence (AI) technologies, such as machine learning (ML), natural language processing (NLP), and knowledge graphs (KG), has the potential to transform the maintenance landscape, address the aforementioned challenges, increasing asset availability, and enhance decision-making processes. The prevailing PdM solutions are predominantly structured data–dependent, overlooking the vast repository of unstructured knowledge present in textual sources. Moreover, maintenance processes are characterized by a paucity of competence-based planning, inadequate support for technicians in fault diagnosis, and inefficient documentation methods. Existing tools address some PdM aspects but lack comprehensive cognitive support integrating structured and unstructured data. To address these gaps, this thesis presents an architecture for a cognitive maintenance framework (ARCHIE) that enhances competence-based maintenance planning and execution, and augments human capabilities. ARCHIE integrates real-time sensor data with contextual insights from unstructured textual sources, thereby creating a holistic maintenance environment. Its modular architecture encompasses five functional units, supporting fault detection, task recommendation, semi-automatic documentation, and human-centered planning. ARCHIE was applied and validated within semiconductor manufacturing environments, demonstrating significant improvements. Its key outcomes included a 20% reduction in mean time to repair (MTTR) and enhanced task allocation. By providing precise, competence-aligned recommendations and leveraging virtual sensors to process unstructured data, ARCHIE enabled proactive maintenance strategies and improved overall equipment efficiency. Moreover, the framework emphasized usability, promoting user acceptance through its human-centered design. ARCHIE represents a robust contribution to the industrial maintenance field, addressing critical workforce and technological challenges. Its scalability and adaptability position it as a valuable tool for broader industrial applications, paving the way for more intelligent, data-driven maintenance solutions. The findings highlight the potential for AI to revolutionize maintenance practices, reduce costs, and support sustainable production systems.