KIProQua: Mensch-KI-Partnerschaft für die proaktive Qualitätskontrolle in der industriellen Fertigung am Beispiel der Wertschöpfungskette der Produktion des elektrischen Antriebsstrangs für die E-Mobilität
Abgeschlossen
Information
Projektdaten
- Titel
- KIProQua: Mensch-KI-Partnerschaft für die proaktive Qualitätskontrolle in der industriellen Fertigung am Beispiel der Wertschöpfungskette der Produktion des elektrischen Antriebsstrangs für die E-Mobilität
- Projektleitung
- Scheele, Stephan M.
- Einrichtung
- Beteiligte Personen
- Scheele, Stephan M.Eirich, Joscha
- Beginn
- 01.11.2021
- Ende
- 30.04.2025
- Kategorie
- Sonstiges
Projektbeschreibung
- Akronym
- KIProQua
- Beschreibung
Mit einem human-in-the-loop Ansatz des maschinellen Lernens soll die Identifikation komplexerer Wirkzusammenhänge für die Produktqualität ermöglicht werden, die über aktuelle Ansätze der rein statistischen Anomalieerkennung in einzelnen Prozessabschnitten (Datensilos) hinausgehen. Durch explizite Nutzung von Expertenwissen sowie interaktive Korrekturen sollen adaptive Qualitätsmodelle generiert werden, die nicht nur lokale Informationen verwenden, sondern auch komplexe relationale Abhängigkeiten abbilden und so zur globalen Optimierung der Prozesssteuerung beitragen. Durch Ansätze der erklärbaren KI (XAI) wird somit Transparenz und Nachvollziehbarkeit der gelernten Modelle gewährleistet. Somit wird ein Beitrag zur Akzeptanz und gerechtfertigtem Vertrauen in das KI-System geschaffen. Als exemplarischer Anwendungsfall wird die Produktionskette des elektrischen Antriebsstrangs betrachtet. Ziel ist die Entwicklung eines interaktiven Dashboards, das auf innovativen Methoden des erklärenden interaktiven Lernens basiert. Damit wird die Erkennung komplexer Wirkbeziehungen in der Qualitätsbeurteilung ermöglicht und in Konsequenz die Produktionseffizienz gesteigert sowie Ausschüsse minimiert.
- Forschungsgebiet
- Interactive LearningAnomaly detectionAIXAIKowledge GraphMachine LearningRoot-Cause Analysen
- Stichwörter
- Interactive LearningAnomaly detectionCooperationAIXAIKowledge GraphMachine LearningRoot-Cause Analysen
Förderung
| Forschungsförderer | Programm | Fördersumme | Förderdauer | Förderkennzeichen |
|---|---|---|---|---|
| Bayerisches Staatsministerium für Wirtschaft, Landesentwicklung und Energie | BayVFP Förderline Digitalisierung | 274,11 € | 01.11.2021 - 31.10.2024 | DIK-2104-0028// DIK0382/02 |
Partnerschaften
| Projektpartner*innen | Projektname | Art der Partnerschaft |
|---|---|---|
| BMW AG - München | KIProQua | Kooperationspartnerschaft |
Publikationen
- Knowledge graph enhanced retrieval-augmented generation for failure mode and effects analysis – Bahr, Lukas; Wehner, Christoph; Wewerka, Judith u. a. · 2025 · Artikel in einer Zeitschrift / Postprint
- Anwendung von Causal-Discovery-Algorithmen zur Root-Cause-Analyse in der Fahrzeugmontage – Poßner, Lucas; Bahr, Lukas; Röhl, Leonard u. a. · 2025 · Konferenzveröffentlichung
- Knowledge graph enhanced retrieval-augmented generation for failure mode and effects analysis – Bahr, Lukas; Wehner, Christoph; Wewerka, Judith u. a. · 2025 · Artikel in einer Zeitschrift / Postprint
- Comprehensible Artificial Intelligence on Knowledge Graphs : A survey – Schramm, Simon Gerhard; Wehner, Christoph; Schmid, Ute · 2023 · Artikel in einer Zeitschrift / Postprint
- Interactive and Intelligent Root Cause Analysis in Manufacturing with Causal Bayesian Networks and Knowledge Graphs – Wehner, Christoph; Kertel, Maximilian; Wewerka, Judith · 2023 · Konferenzveröffentlichung
- ManuKnowVis : How to Support Different User Groups in Contextualizing and Leveraging Knowledge Repositories – Eirich, Joscha; Jackle, Dominik; Sedlmair, Michael u. a. · 2023 · Artikel in einer Zeitschrift / Postprint