From P&ID Drawings to Process Graphs: A Multimodal Language Model Approach

Stellen Sie sich vor, Sie gehen durch eine riesige, antike Bibliothek, in der die Bücher nicht aus Papier bestehen, sondern aus riesigen, verhedderten Netzen aus leuchtenden Drähten und Rohren. Dies sind nicht bloß Dekorationen; sie sind die Blaupausen dafür, wie eine Fabrik atmet, sich bewegt und denkt. In der Welt des Ingenieurwesens werden diese Blaupausen als P&IDs (Piping and Instrumentation Diagrams – Rohrleitungs- und Instrumentierungsdiagramme) bezeichnet. Sie sind die Geheimsprache, die einem Computer sagt, wie er eine chemische Anlage, ein Kraftwerk oder eine Wasseraufbereitungsanlage steuert. Seit Jahrzehnten sind diese Blaupausen auf altem Papier oder als verschwommene digitale Bilder festgesteckt. Sie sind wie eine verschlossene Schatzkiste: voller Gold (wertvoller Daten), aber der Schlüssel zum Öffnen fehlt. Ingenieure müssen diese unordentlichen Zeichnungen anstarren und jede einzelne Verbindung manuell abtippen – eine langsame und fehleranfällige Aufgabe, die sich anfühlt, als würde man versuchen, einen Roman von Hand abzuschreiben, während jemand ständig die Schriftart ändert.

Vor kurzem ist eine neue Art von „Super-Leser“ eingetroffen: das Multimodale Large Language Model (MLLM). Betrachten Sie dies als KI-Detektive, die in der Lage sind, ein Bild anzusehen und gleichzeitig den Text darin zu lesen; sie verstehen nicht nur, wie die Symbole aussehen, sondern auch, was sie bedeuten. Die große Frage, die Wissenschaftler sich gestellt haben, lautet: Können wir diesen KI-Detektiven einfach eine unordentliche Blaupause übergeben und sie bitten, sie sofort in eine perfekte, digitale Karte zu verwandeln? Oder ist die Aufgabe zu chaotisch für einen einzigen, schnellen Blick? Dies ist das Rätsel, das ein Forscherteam des Imperial College London lösen wollte. Sie wollten wissen, ob wir diesen KI-Detektiven beibringen können, aufzuhören, alles auf einmal machen zu wollen, und stattdessen die Aufgabe in kleinere, intelligentere Schritte zu unterteilen, indem sie ihr Wissen darüber nutzen, wie Fabriken tatsächlich funktionieren, um sie zu leiten.

Die Forscher gingen vor, um zwei verschiedene Wege zu testen, eine KI anzuweisen, diese komplexen Fabrikblaupausen zu digitalisieren. Ihr erster Ansatz war die „Speed Run“-Methode: Sie fütterten die KI mit dem gesamten Blaupausenbild (in Scheiben geschnitten, damit die KI nicht überfordert wird) und einer kurzen Prozessbeschreibung und baten die KI, in einem Rutsch eine perfekte digitale Karte auszugehen. Sie nannten dies die „End-to-End“-Methode. Es ist, als würde man einem Schüler sagen, er solle ein ganzes Lehrbuch lesen, die Handlung verstehen und dann in einem einzigen Durchgang eine Zusammenfassung der Charaktere und ihrer Beziehungen schreiben, ohne sich dabei Notizen zu machen.

Der zweite Ansatz war die „Team Huddle“-Methode. Hierbei teilten sie die Aufgabe in zwei klar getrennte Schritte auf. Zuerst fungierte ein KI-Agent als reiner „Scanner“, der die Blaupausenscheiben betrachtete und schlichtweg jedes einzelne Stück Ausrüstung und jedes Instrument auflistete, das er sah, wobei er die Verbindungen ignorierte. Es war wie ein Bibliothekar, der lediglich jeden Buchtitel in einem Regal auflistet, ohne sich um die Geschichte zu kümmern. Dann nahm ein zweiter KI-Agent diese Liste von Namen und – entscheidend – einen Satz von „Regeln der Fabrik“ (wie etwa „Pumpen benötigen ein Rohr, das hineinführt, und ein Rohr, das hinausführt“). Dieser zweite Agent nutzte seinen Verstand, um herauszufinden, wie diese Teile basierend auf der Ingenieurslogik verbunden sein sollten, anstatt zu versuchen, die unordentlichen Linien im Originalbild nachzuverfolgen. Dies war die „dekomponierte“ Methode.

Als sie diese Methoden an zwei realen Fabrikdiagrammen testeten – einem Stickstoff-Druckwechseladsorptionsverfahren (Nitrogen Pressure Swing Adsorption plant) und einer Nassgaswäsche (Wet Flue Gas Desulfurization plant) – waren die Ergebnisse eindeutig. Der „Speed Run“-Ansatz hatte Schwierigkeiten. Selbst mit ein wenig Hilfe durch eine Prozessbeschreibung bekam er die Verbindungen etwa 40 % der Zeit falsch. Es war, als würde der Schüler die Wendungen der Handlung erraten; er konnte zwar die Charaktere (die Ausrüstungen) korrekt benennen, aber er brachte ständig durcheinander, wer mit wem sprach. Der „Team Huddle“-Ansatz hingegen war ein Game-Changer. Indem sie die Aufgabe des „Sehens“ von der Aufgabe des „Denkens“ trennten und dem zweiten Agenten ein Spickzettel mit Ingenieurregeln gaben, schoss die Genauigkeit in die Höhe.

Für die Stickstoffanlage erreichte die „Team Huddle“-Methode eine Gesamtgenauigkeit von 88,78 %, verglichen mit nur 6{*}6,56 % bei der einstufigen Methode. Sie erfasste jedes einzelne Stück Ausrüstung korrekt (100 % Knoten-Genauigkeit) und fand die Verbindungen zu 80,58 % der Zeit richtig heraus. Für die komplexere Slime- und Off-Gas-Anlage war die Verbesserung noch dramatischer. Die einstufige Methode brachte die Verbindungen nur etwa 59 % der Zeit korrekt hin, während die „Team Huddle“-Methode auf eine Genauigkeit von 74,12 % für die Verbindungen und 85,21 % insgesamt sprang. Die Forscher maßen dies mit einem „Simple Distance“-Score, der zählt, wie viele Fehler (fehlende Teile, zusätzliche Teile, falsche Verbindungen) die KI gemacht hat. Die „Team Huddle“-Methode hatte deutlich weniger Fehler, mit einem Wert von 24,0 für die Stickstoffanlage im Vergleich zu 45,6 für die „Speed Run“-Methode.

Das Paper legt nahe, dass das Geheimrezept nicht nur eine intelligentere KI ist, sondern ein intelligenterer Workflow. Es stellt sich heraus, dass die Aufforderung an eine KI, gleichzeitig zu „sehen“ und zu „schließen“, zu viel kognitive Last erzeugt, insbesondere wenn die Zeichnungen unordentlich sind und die Linien unterbrochen sind. Indem man einem Teil des Systems ermöglicht, sich rein auf das Lesen des Textes und der Symbole zu konzentrieren, und einem anderen Teil, sich rein auf die Anwendung der Ingenieurslogik zu konzentrieren, um die Verbindungen zu ermitteln, wird das System wesentlich zuverlässiger. Die Studie zeigt, dass ein einzelner, massiver Prompt zwar funktionieren kann, aber signifikant schlechter abschneidet als die Zerlegung der Aufgabe, insbesondere bei komplexen Diagrammen, bei denen die KI ohne die strukturierte Führung eines dekomponierten Workflows in den Details verloren geht.

Obwohl die Ergebnisse vielversprechend sind, betonen die Autoren vorsichtig, dass dies eine messbare Verbesserung ist und kein Zauberstab, der alles sofort löst. Sie fanden heraus, dass das bloße Hinzufügen einer Prozessbeschreibung zwar ein wenig half, aber erst die Kombination aus der Aufgabenaufteilung und dem Hinzufügen spezifischer chemischer Ingenieursregeln den eigentlichen Unterschied machte. Sie weisen zudem auf eine praktische Hürde hin: Die von ihnen verwendeten KI-Modelle sind proprietär (gehören großen Unternehmen), was Fragen zum Datenschutz aufwirft, da Fabriken ihre geheimen Blaupausen nicht auf externe Server übertragen möchten. Sie schlagen jedoch vor, dass derselbe „Team Huddle“-Workflow in Zukunft auch mit Open-Source-Modellen funktionieren könnte.

Letztendlich deutet diese Forschung darauf hin, dass die Zukunft der Digitalisierung unserer industriellen Welt nicht darin besteht, ein einzelnes Superhirn zu bauen, das alles erledigt, sondern ein Team aus spezialisierten Experten zu schaffen, die miteinander kommunizieren. Indem wir der KI beibringen, den Akt des Betrachtens einer Zeichnung vom Verständnis der dahinterliegenden Ingenieurslogik zu trennen, können wir diese staubigen, verhedderten Blaupausen in saubere, digitale Karten verwandeln, die Computer tatsächlich nutzen können, um smartere, sicherere Fabriken zu bauen. Es ist eine Erinnerung daran, dass der beste Weg, ein riesiges, chaotisches Problem zu lösen, manchmal darin besteht, es in kleinere, handhabbare Stücke zu zerlegen und die Experten das tun zu lassen, was sie am besten können.