SPOC

Kontext and Motivation

Industrielle Prozess- und Produktionsdaten sind fast ausschließlich beobachtender Natur, was die datengesteuerte Wissensextraktion aus typischen Industriedatensätzen im Allgemeinen und die Entdeckung kausaler Zusammenhänge zwischen Betriebsweisen und Nachhaltigkeitskennzahlen im Besonderen erschwert. Darüber hinaus sind datengesteuerte (Prozess-)Modelle, die auf statistischen und nicht auf kausalen Beziehungen beruhen, zwar gut geeignet, um Abweichungen von normalen Betriebsbedingungen zu erkennen, aber für die Fehlerdiagnose, Prozesssteuerung und -optimierung nur von begrenztem Nutzen. Hinzu kommt, dass statistische Modelle anfällig für (kleine) Änderungen in der Datenverteilung sind, die in Produktionsumgebungen häufig auftreten (z. B. bei Änderungen in der Rohstoffzusammensetzung).

Der derzeitige Übergang zu einer Kreislaufwirtschaft geht jedoch mit einer zunehmenden Verwendung hochvariabler (z. B. recycelter) Rohstoffe einher, die flexiblere Prozesse und agile Wertschöpfungsketten erfordern. Um diese Flexibilität zu erreichen, und motiviert durch die Anwendungsfälle unserer Partner*innen, sind robustere, datengesteuerte Modelle (basierend auf kausalen Beziehungen) erforderlich, die eine (optimale) Prozessplanung und -steuerung entlang der Wertschöpfungsketten unter sich ändernden Rahmenbedingungen (z. B. Rohstoffzusammensetzung) ermöglichen.

Erwartete Ergebnisse

• Neuartige Werkzeuge für die Transfer Learning-basierte Integration und Analyse heterogener Daten
• Kausale Modellierung und Inferenz unter Verwendung von Prozessbeobachtungsdaten aus heterogenen Quellen
• Workflows für digitale Zwillinge von gesamten Wertschöpfungsketten

Fördergeber

Das Projekt wird im Rahmen von COMET – Competence Centers for Excellent Technologies durch BMK, BMAW, Land Oberösterreich und den wissenschaftlichen Partnern des SCCH gefördert. Das Programm COMET wird durch die FFG abgewickelt.