Generative Künstliche Intelligenz als Assistenz in der Instandhaltung
-
Paul Gerds
Paul Gerds, M. Sc., ist Wissenschaftlicher Mitarbeiter im Team Produktionsplanung und -steuerung am Fraunhofer-Institut für Großstrukturen in der Produktionstechnik IGP und beschäftigt sich mit der algorithmenbasierten Planung und Steuerung von Produktionsprozessen und Energiesystemen.
,
Laura Robl
Laura Robl, M. Sc., ist als Wissenschaftliche Mitarbeiterin im Team der Produktionsplanung und -steuerung am Fraunhofer-Institut für Großstrukturen in der Produktionstechnik IGP tätig tätig und beschäftigt sich mit der KI-gestützten und simulativen Prozesssteuerung.
Dr.-Ing. Konrad Jagusch ist am Fraunhofer-Institut für Großstrukturen in der Produktionstechnik IGP tätig und leitet die Forschungsgruppe der Produktionsplanung und -steuerung.
Prof. Dr.-Ing. habil. Jan Sender ist Inhaber des Lehrstuhls Produktionsorganisation und Logistik an der Universität Rostock.
Abstract
Die Instandhaltung von maritimen Großstrukturen erfordert eine geeignete Dokumentation zur Verwaltung von Wartungsprozessen. Die Erfassung variiert je nach Unternehmen und erfolgt entweder manuell oder durch den Einsatz digitaler Werkzeuge. Die dort festgehaltenen Informationen dienen u. a. der Dokumentationspflicht. Der Einsatz generativer Künstlicher Intelligenz (KI) ermöglicht Dokumente automatisiert zu verarbeiten, relevante Daten zu extrahieren und strukturiert für zukünftige Wartungsarbeiten aufzubereiten. Folglich werden die Prozesse vereinfacht, indem Fehlerursachen schneller identifiziert und Maßnahmen gezielt abgeleitet werden. In diesem Beitrag wird ein praxisnaher Ansatz zur Implementierung von KI-basierten Systemen vorgestellt, die die Digitalisierung und Verarbeitung von Wartungsdokumenten unterstützen und eine fundierte Entscheidungsfindung bei Instandhaltungsmaßnahmen ermöglichen.
Abstract
The maintenance of large maritime structures requires suitable documentation to manage maintenance processes. Recording varies from company to company and is done either manually or using digital tools. The information recorded there serves, among other things, the documentation obligation. The use of generative artificial intelligence (AI) enables documents to be processed automatically, relevant data to be extracted and prepared in a structured manner for future maintenance work. As a result, processes are simplified by identifying the causes of errors more quickly and deriving targeted measures. This article presents a practical approach to implementing AI-based systems that support the digitalization and processing of maintenance documents and enable information based decision-making for maintenance measures.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory-Board wissenschaftlich begutachteten Fachaufsatz (Peer Review).
About the authors
Paul Gerds, M. Sc., ist Wissenschaftlicher Mitarbeiter im Team Produktionsplanung und -steuerung am Fraunhofer-Institut für Großstrukturen in der Produktionstechnik IGP und beschäftigt sich mit der algorithmenbasierten Planung und Steuerung von Produktionsprozessen und Energiesystemen.
Laura Robl, M. Sc., ist als Wissenschaftliche Mitarbeiterin im Team der Produktionsplanung und -steuerung am Fraunhofer-Institut für Großstrukturen in der Produktionstechnik IGP tätig tätig und beschäftigt sich mit der KI-gestützten und simulativen Prozesssteuerung.
Dr.-Ing. Konrad Jagusch ist am Fraunhofer-Institut für Großstrukturen in der Produktionstechnik IGP tätig und leitet die Forschungsgruppe der Produktionsplanung und -steuerung.
Prof. Dr.-Ing. habil. Jan Sender ist Inhaber des Lehrstuhls Produktionsorganisation und Logistik an der Universität Rostock.
Literatur
1 DIN – Deutsches Institut für Normung e. V.: DIN EN 13306:2018-02. Instandhaltung – Begriffe der Instandhaltung. Beuth Verlag, Berlin 2018Search in Google Scholar
2 Abbas, M.; Shafiee, M.: An Overview of Maintenance Management Strategies for Corroded sSteel Structures in Extreme Marine Environments. Marine Structures 71 (2020) 7, 102718 10.1016/j.marstruc.2020.102718Search in Google Scholar
3 Hays: KI-Transformation: Effizienzsteigerung statt Innovation im Mittelpunkt. Online unter https://www.hays.de/personaldienstleistung-aktuell/presse-mitteilung/hr-report-2024-effizienzsteigerung-statt-innovation-immittelpunkt [Abruf am 20.09.2024]Search in Google Scholar
4 Naveed, H.; Khan, A. U.; Qiu, S. et al.: A Comprehensive Overview of Large Language Models 2023. Online unter http://arxiv.org/pdf/2307.06435v9 [Abruf am 20.09.2024]Search in Google Scholar
5 Kusiak, A.: Generative Artificial Intelligence in Smart Manufacturing. Journal of Intelligent Manufacturing (2024) 10.1007/s10845-024-02480-6Search in Google Scholar
6 Cao, Y.; Li, S.; Liu, Y. et al.: A Comprehensive Survey of AI-Generated Content (AIGC): A History of Generative AI from GAN to ChatGPT 2023. Online unter http://arxiv.org/pdf/2303.04226v1 [Abruf am 20.09.2024]10.1145/3704262Search in Google Scholar
7 Mohammad, A. F.; Clark, B.; Hegde, R.: Large Language Model (LLM) & GPT: A Monolithic Study in Generative AI. In: 2023 Congress in Computer Science, Computer Engineering, & Applied Computing (CSCE). Las Vegas, NV, USA 24.–27.07.2023, S. 383–388 10.1109/CSCE60160.2023.00068Search in Google Scholar
8 Khurana, D.; Koli, A.; Khatter, K. et al.: Natural Language Processing: State of the Art, Current Trends and Challenges. Multimedia Tools and Applications 82 (2023) 3, S. 3713–3744 10.1007/s11042-022-13428-4Search in Google Scholar PubMed PubMed Central
9 Raiaan, M. A. K.; Mukta, M. S. H.; Fatema, K. et al.: A Review on Large Language Models: Architectures, Applications, Taxonomies, Open Issues and Challenges. IEEE Access 12 (2024), S. 26839–26874 10.1109/ACCESS.2024.3365742Search in Google Scholar
10 Huly, O.; Pogrebinsky, I.; Carmel, D. et al.: Old IR Methods Meet RAG. In: Hui Yang, G.; Wang, H.; Han, S. et al. (Hrsg.): Proceedings of the 47th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR 2024). Washington DC USA, 14.–18 07 2024, S. 2559–2563 10.1145/3626772.3657935Search in Google Scholar
11 Bandi, A.; Kagitha, H.: A Case Study on the Generative AI Project Life Cycle Using Large Language Models. In: Proceedings of 39th International Conference on Computers and Their Applications, 2024 10.29007/hvzcSearch in Google Scholar
12 Schröer, C.; Kruse, F.; Gómez, J. M.: A Systematic Literature Review on Applying CRISP-DM Process Model. Procedia Computer Science 181 (2021), S. 526–534 10.1016/j.procs.2021.01.199Search in Google Scholar
13 Tschirner, J.; Stepputat, M.; Jagusch, K.; Sender J.: Digitale Kranwartung – clever gelöst. Technische Logistik – Retrofit & Maintenance 2024. Online unter https://www.technische-logistik.net/fachmagazin/fachartikel/digitale-kranwartung-clever-geloest.html-0 [Abruf am 20.09.2024]Search in Google Scholar
14 Mishra, P.; Pai, P.; Patel, M. et al.: Extraction of Information from Handwriting Using Optical Character Recognition and Neural Networks. In: 2020 4th International Conference on Electronics, Communication and Aerospace Technology (ICECA). Coimbatore, India, 05.–07.11.2020, S. 1328–1333 10.1109/ICECA49313.2020.9297418Search in Google Scholar
15 Memon, J.; Sami, M.; Khan, R. A. et al.: Handwritten Optical Character Recognition (OCR): A Comprehensive Systematic Literature Review (SLR). IEEE Access 8 (2020), S. 142642–142668 10.1109/ACCESS.2020.3012542Search in Google Scholar
16 Rai, A.; Borah, S.: Study of Various Methods for Tokenization. In: Mandal, J. K.; Mukhopadhyay, S.; Roy, A. (Hrsg.): Applications of Internet of Things. Springer Singapore, Singapore 2021, S. 193–200 10.1007/978-981-15-6198-6_18Search in Google Scholar
17 Kukreja, S.; Kumar, T.; Bharate, V. et al.: Performance Evaluation of Vector Embeddings with Retrieval-Augmented Generation. In: 2024 9th International Conference on Computer and Communication Systems (ICCCS). 2024 9th International Conference on Computer and Communication Systems (ICCCS), Xi‘an, China, 19.04.2024 – 22.04.2024, S. 333–340. IEEE 2024 10.1109/ICCCS61882.2024.10603291Search in Google Scholar
18 Su, N.; Hu, C.; Li, B. et al.: Titanic: Towards Production Federated Learning with Large Language Models. In: IEEE INFOCOM 2024 – IEEE Conference on Computer Communications. Vancouver, BC, Canada, 20.-23.05.2024, S. 611–620 10.1109/INFOCOM52122.2024.10621164Search in Google Scholar
19 Meyer, S.; Singh, S.; Tam, B. et al.: A Comparison of LLM Finetuning Methods & Evaluation Metrics with Travel Chatbot Use Case 2024. Online unter http://arxiv.org/pdf/2408.03562v1.Search in Google Scholar
20 LangChain: MultiQueryRetriever. Online unter https://python.langchain.com/v0.1/docs/modules/data_connection/retrievers/MultiQueryRetriever [Abruf am 20.09.2024]Search in Google Scholar
© 2024 Walter de Gruyter GmbH, Berlin/Boston
Articles in the same Issue
- Frontmatter
- Editorial
- Die Zukunft der Produktionsnetzwerke – effizient, flexibel, intelligent und nachhaltig
- Produktionsstrategien
- Simulation und Bewertung von Fahrzeug-Produktionsstrategien
- Mit vorausschauenden Produktionsstrategien Wachstum in sich wandelnden Märkten erreichen
- Produktionsnetzwerke
- Standortstrategieentwicklung und Roadmapping in globalen Produktionsnetzwerken
- Kreislauffähige Produktionsnetzwerke
- Produktionsplanung
- Auswirkungen von Laststeuerungsprogrammen auf Lieferketten
- Digitaler Produktpass
- Verursachungsgerechte CO2-Bilanzierung für den Digitalen Produktpass
- Digitales Ecosystem
- Intelligente Wertschöpfungsnetzwerke für individuelle Fahrzeugentwicklung
- Supply-Chain-Management
- Modulares Simulationsmodell für das operative Supply-Chain-Management
- Variantenmanagement
- Frühzeitige Bewertung von Auswirkungen bei der Einführung neuer Produktvarianten
- Wirtschaftlichkeit
- Nutzen- und Kostenbestimmung von Technologien
- Echtzeitkommunikation
- Rescheduling zyklischer Echtzeitkommunikation
- Presshärten
- Höhere Duktilität durch verhinderte Austenitisierung
- Künstliche Intelligenz
- Generative Künstliche Intelligenz als Assistenz in der Instandhaltung
- Prozessmodell zur Entwicklung KI-basierter Geschäftsmodelle
- Digitale Transformation
- Gemba-Digitalisierung 4.0? Digitale Transformation auf Japanisch
- Vorgehensmodell zur Analyse und Auswahl einer IoT-Plattform für KMU
- Datenmanagement
- IIoT-basierte Geschäftsmodelle für Komponentenhersteller
- Vorschau
- Vorschau
Articles in the same Issue
- Frontmatter
- Editorial
- Die Zukunft der Produktionsnetzwerke – effizient, flexibel, intelligent und nachhaltig
- Produktionsstrategien
- Simulation und Bewertung von Fahrzeug-Produktionsstrategien
- Mit vorausschauenden Produktionsstrategien Wachstum in sich wandelnden Märkten erreichen
- Produktionsnetzwerke
- Standortstrategieentwicklung und Roadmapping in globalen Produktionsnetzwerken
- Kreislauffähige Produktionsnetzwerke
- Produktionsplanung
- Auswirkungen von Laststeuerungsprogrammen auf Lieferketten
- Digitaler Produktpass
- Verursachungsgerechte CO2-Bilanzierung für den Digitalen Produktpass
- Digitales Ecosystem
- Intelligente Wertschöpfungsnetzwerke für individuelle Fahrzeugentwicklung
- Supply-Chain-Management
- Modulares Simulationsmodell für das operative Supply-Chain-Management
- Variantenmanagement
- Frühzeitige Bewertung von Auswirkungen bei der Einführung neuer Produktvarianten
- Wirtschaftlichkeit
- Nutzen- und Kostenbestimmung von Technologien
- Echtzeitkommunikation
- Rescheduling zyklischer Echtzeitkommunikation
- Presshärten
- Höhere Duktilität durch verhinderte Austenitisierung
- Künstliche Intelligenz
- Generative Künstliche Intelligenz als Assistenz in der Instandhaltung
- Prozessmodell zur Entwicklung KI-basierter Geschäftsmodelle
- Digitale Transformation
- Gemba-Digitalisierung 4.0? Digitale Transformation auf Japanisch
- Vorgehensmodell zur Analyse und Auswahl einer IoT-Plattform für KMU
- Datenmanagement
- IIoT-basierte Geschäftsmodelle für Komponentenhersteller
- Vorschau
- Vorschau
