Kein Gespräch über moderne Produktionsmethoden kommt heute ohne das Thema Künstliche Intelligenz (KI) aus. Auch in der Qualitätssicherung sind bereits die Potenziale von Ansätzen wie Machine Learning zu erkennen.
Am deutlichsten ist dies in der Bildverarbeitung der Fall. Hier können Anbieter schon konkrete Lösungen vorweisen. Und es gibt bereits erste Beispiele für die Anwendung von KI-Technologien.
Doch auch in der Messtechnik gewinnt das Thema an Bedeutung. Die Anbieter beschäftigen sich bereits mit dem Thema und arbeiten daran, zum Beispiel Machine Learning in ihre Produkte einzubinden. „Aufgrund der technischen Möglichkeiten, die von den als „künstliche Intelligenz“ oder auch „Deep Learning“ bezeichneten Software-Methoden ausgehen, sind diese sicher auch für die Messtechnik von Relevanz“, sagt zum Beispiel Dr. Ralf Christoph, Geschäftsführender Gesellschafter von Werth.
Wie dies konkret aussehen kann, zeigte René Pleul, Technical Product Manager Surface Metrology bei Hexagon, auf dem vergangenen QE-Innovationsforum. Er präsentierte eine Lösung für die Messung der Oberflächenrauheit am Koordinatenmessgerät. In seinem Vortrag zeigte er, dass sich die erhobenen Rauheitskenngrößen auch intelligent für die klassische Qualitätsregelung im Sinne eines geschlossenen Regelkreises nutzen lassen. Dazu würden diese in einer Datenbank abgespeichert und mit Statistik-Software oder Künstlicher Intelligenz ausgewertet. „Erkennungsalgorithmen zeigen dann Änderungen in der Fertigung an, sodass man Prozesseinstellungen gegebenenfalls frühzeitig verändern kann“, erklärte Pleul.
Unbegrenzte Zahl an Anwendungen
Stéphane Auclair macht im Messtechnikbereich eine unbegrenzte Zahl an möglichen Anwendungen für KI aus. Die entsprechenden Technologien könnte die Anzahl menschlicher Interaktionen reduzieren, sagt der Division Vice-President für Marketing & Product Management bei Creaform.
So berichtet Auclair, dass heutzutage noch viel menschliche Intelligenz benötigt werde, um etwa die Prüfung oder Neugestaltung eines Objekts anhand von 3D-Scandaten durchzuführen. „Zum Beispiel müssen wir der Software immer noch teilweise sagen, welcher Teil der Scandaten eine Ebene oder ein Zylinder ist. Und wir müssen der Software mitteilen, welche Funktion eines Scans der Funktion der CAD-Datei für die Ausrichtung entspricht, um sie ordnungsgemäß zu erstellen“, erklärt Auclair.
Alicona-CEO Manfred Prantl sieht KI vor allem in zwei Bereichen als relevant. „Erstens, um innerhalb eines Datensatzes relevante Bereiche für die Datenauswertung zu ermitteln“, so Prantl. „Und zweitens bei der automatischen Klassifizierung von Oberflächen. Das heißt, Oberflächen werden aufgrund ihrer 3D-Daten und der Texturdaten automatisch bestimmten Eigenschaften zugeordnet.“
Besonders für den Closed Loop zu den Bearbeitungsmaschinen werde die Analyse von Messergebnissen auf Basis von KI an Relevanz gewinnen, glaubt Professor Heiko Wenzel-Schinzer, Geschäftsführer und Chief Digital Officer von Wenzel. Die Messergebnisse ließen sich dank KI exakter analysieren und die Rückkopplung zu den Bearbeitungsmaschinen könnte beschleunigt werden.
Subjektive Fehleinschätzungen werden minimiert
Grundsätzlich wird KI dazu führen, dass aufwändig manuelle Tätigkeiten ersetzt werden können, glaubt Prantl. „Messbereiche müssen nicht mehr händisch auf einem Messdatensatz eingegrenzt werden, subjektive Fehleinschätzungen werden somit minimiert“, sagt der Experte. „KI kann zukünftig Messbereiche selbstständig auswählen, Messplanungen automatisch durchführen und Messprogramme erstellen.“
Dank KI ließen sich komplexere Prozesse auch bei variierenden Eingangsdaten automatisieren, hebt Christoph hervor. „Konventionelle Technologien ermöglichen dies in gleicher Qualität nur mit erheblich höherem Entwicklungsaufwand und oft auch viel größerem Rechenaufwand“, so Christoph. „Auch können Aufgaben automatisiert werden, die bisher vom Menschen eher intuitiv entschieden wurden.“
Durch den wachsende Einsatz von optischen Technologien für Inline-Messaufgaben könnte die KI in diesem Bereich noch einen weiteren Push bekommen. Denn damit steigt auch die Datenmenge, die verarbeitet werden muss. Um diese zu bewältigen, braucht der Mensch Unterstützung.
Auclair geht davon aus, dass die Masse an Informationen sogar exponentiell wachsen werde. „Die KI kann dabei helfen, große Datenmengen zu verwalten, Ausreißer schnell zu identifizieren und Warnungen abzugeben, damit vorbeugende sowie korrigierende Maßnahmen ergriffen werden können.“
Wenzel-Schinzer sieht das ähnlich. Neben dem Aspekt, dass die Systeme besser mit den großen Datenmengen zurechtkommen, sieht er noch einen weiteren Vorteil, den KI der optischen Messtechnik bietet: „Man muss nicht alle Messpunkte vorher bestimmen, die einen interessieren müssten.“
Auch Prantl glaubt, dass die steigenden Anforderungen an die optische Messtechnik automatisch zu einem stärkeren Bedarf an KI führen werden. „KI verbessert die Auswertung der Messdaten – zum Beispiel aufgrund einer besseren Bildverarbeitung.“ Aktuell seien die Methoden der klassischen Bildverarbeitung oft qualitativ nicht ausreichend.
Außerdem: „Mit entsprechend mächtigen Tools der KI können Aufgaben, die bisher das Schreiben eines Algorithmus erforderten, durch das Trainieren auf beispielhaften Lösungen ersetzt werden“, erklärt Prantl weiter. „Trainieren statt Pogrammieren lautet das entsprechende Schlagwort.“
Dadurch ist seiner Meinung nach eine schnellere Automatisierung von Prozessen möglich. Neue Abläufe müssten nicht mehr mühsam neu programmiert werden, sondern würden einfach auf Basis vorhandener großer Datenmengen eingelernt. „Die optische Messtechnik kann davon enorm profitieren“, ist Prantl überzeugt..
Die großen Möglichkeiten, die sich durch KI eröffnen, lassen sich laut Prantl in allen Branchen erschließen. Grenzen gibt es diesbezüglich keine. „Überall steigen die Anforderungen an Automatisierung und gleichzeitiger Fehlerminimierung – das kann durch den Einsatz von KI erreicht werden“, so Prantl.
Wenzel-Schinzer erkennt ebenfalls überall Anwendungsmöglichkeiten für die Künstliche Intelligenz. Ein besonders großes Potenzial sieht er aber in Industrien, in denen der Einsatz der klassischen Messtechnik schon sehr weit vorangeschritten sei. Das gelte zum Beispiel für die Automobilbranche, die Luftfahrtindustrie und die Medizintechnik.
Herausforderung Black Box
So offen wie die Hersteller bei der Frage nach dem Potenzial der Künstlichen Intelligenz sind – mit Erläuterungen, wie weit die entsprechenden Technologien schon in die eigenen Produkte vorgedrungen sind, halten sie sich etwas zurück. Christoph von Werth erklärt, dass sein Unternehmen sich schon seit einiger Zeit mit den neuen Technologien beschäftigt. Details möchte er allerdings nicht nennen.
Alicona-Chef Prantl berichtet, dass KI bereits in die Produktentwicklung einfließe und speziell für Bildanalyseaufgaben verwendet werde.
Wenzel-Schinzer nennt in diesem Zusammenhang zumindest ein konkretes Produkt. Wenzel erprobe in dem mobilen Analyse-Tool WM | SYS Analyzer den Einsatz von Methoden des maschinellen Lernens.
KI bietet aber nicht nur Chancen. Mit dem Einsatz solcher Technologien sind auch Herausforderungen verbunden. So sind die Entscheidungsprozesse eines KI-Systems häufig nicht transparent. Der Mensch weiß in bestimmten Fällen nicht, wie das System zu seinem Ergebnis gekommen ist. Künstliche Intelligenz ist häufig eine Black Box.
„Eine fehlende Nachvollziehbarkeit von Entscheidungsprozessen ist natürlich ein Problem“, sagt Prantl. „Es bleibt fraglich, welche Faktoren das Ergebnis beeinflussen, ob es sich dabei um relevante oder nicht relevante Faktoren handelt. Diese Blackbox erschwert auch die Ursachenfindung von Fehlentscheidungen durch KI.“
Die Intransparenz hält auch Auclair für eine Herausforderung – aber für keine, die nicht gemeistert werden könnte. „Die zu bewältigenden Probleme werden jedoch nicht nur ein Hindernis sein, da die Technologie große wirtschaftliche Vorteile bietet“, so Auclair. „Das Vertrauen in die KI wird mit der Erfahrung wachsen und Standards und Zertifizierungen werden entwickelt, um das Vertrauen zu stärken und die Akzeptanz zu beschleunigen.“
Christoph weist in diesem Zusammenhang noch auf einen anderen Punkt hin: „Beim Einsatz von KI in der Messtechnik ist sicher zu beachten, dass die Messwerte nicht künstlich hin zum Sollwert optimiert werden.“ Durch geeignete Trainingsdaten, die nicht den idealen CAD-Geometrien entsprechen, ließe sich dies jedoch relativ leicht sicherstellen.
An Interoperabilität muss noch gearbeitet werden
Trotzdem gibt es in Sachen Künstliche Intelligenz noch einiges zu tun, wenn sie in der Messtechnik genutzt werden soll. Die Technologien müssen noch weiter ausreifen, Algorithmen für spezielle Anwendungen weiterentwickelt werden. Laut Auclair muss auch an einer besseren Interoperabilität zwischen verschiedenen Sensoren, Produktionsgeräten und Analysesoftware sowie weiteren Komponenten gearbeitet werden.
Nach Meinung von Prantl ist es außerdem wichtig, dass Software-Tools eine einfache Handhabung für den Endanwender ermöglichen. „Im Fokus sollte hier der User stehen, nicht der Entwickler.“
Wer auf den großen Wandel durch KI hofft, braucht Geduld. „KI und maschinelles Lernen sind komplex und liefern zuvor unerwartete Ergebnisse“, sagt Wenzel-Schnizer. „Know-how über diese Methodik ist nur wenig vorhanden, in Applikationen ist es noch nicht eingebaut.“ Daher dauere es sicher noch eine Weile, ehe KI in der Messtechnik zum Alltag gehöre.
So spannend wie die Entwicklung der KI-Technologien in der Messtechnik wird auch die Entwicklung des Marktes für die entsprechenden Produkte sein. Noch ist unklar, ob die Messtechnik-Anbieter das Feld ausschließlich selbst besetzen werden oder möglicherweise neue Player in den Sektor vordringen und KI-Lösungen bereit stellen werden.
Prantl erwartet, dass „beide Vorgehensweise notwendig sein werden“. Es gebe bereits Anbieter aus dem Bereich Bildverarbeitung, die Systeme zur Verfügung stellen, die vielfach einsetzbar sind.
Wenzel-Schinzer setzt auf Kooperationen. „Es wird sicher eine Kombination sein – die Software-Anbieter können KI, die Messtechnik-Anbieter kennen die erforderlichen Anwendungsfälle. Alleine wird es für jeden schwer.“
Werth-Chef Christoph sieht das etwas anders. „Die entsprechenden Module mit KI-Funktionalität werden sicher Bestandteil der Software der Messgerätehersteller sein“, so Christoph. „Die Ursache hierfür liegt darin, dass sie vollständig in den Datenfluss des Gesamtmessprozesses integriert sein müssen und gegebenenfalls zu wesentlichen Wettbewerbsvorteilen führen können.“
Daten von Präzisionswaagen wandern in die Cloud
Ein Anbieter aus einer anderen Branche hat die Qualitätssicherung bereits ins Visier genommen. Auf Basis seiner KI-Lösung Watson hat IBM bereits Anwendungen entwickelt, die durch kognitive Funktionen unterstützt werden.
Ein Beispiel ist die Datenanalyse mit Hilfe von Präzisionswaagen des Herstellers Mettler Toledo. Das Problem: Externe Faktoren wie Vibration, Temperatur oder sogar ein einzelner Luftzug können die Genauigkeit der Waage beeinträchtigen, deren Messergebnisse etwaige Qualitätsprobleme beim Endprodukt anzeigen sollen.
In einem konkreten Projekt werden die an der Präzisionswaage gesammelten Qualitäts-, Gewichts- und Schwingungsdaten in Echtzeit in die IBM Cloud übertragen, in der mit Hilfe eines eigens für Mettler Toledo entwickelten Machine-Learning-Modells analysiert wird, ob die Präzision der Messung ungestört ist. Besteht die Gefahr, dass die Waage falsche Ergebnisse liefern könnte oder die Messergebnisse von der Norm abweichen, wird automatisch der Produktionsverantwortliche informiert. ■
Der Autor
Markus Strehlitz
Redaktion
Qualiy Engineering
KI im produzierenden Gewerbe
Im Jahr 2030 werden 28 % (2,04 Billionen Euro) der deutschen Wirtschaftsleistung unmittelbar durch künstliche Intelligenz beeinflusst sein, so eine Analyse des Beratungsunternehmens Appanion Labs. Dieses Jahr liegt dieser Wert erst bei 3 % (218 Milliarden Euro). Der höchste Anteil KI-gestützter Wertschöpfung stammt dabei aus dem produzierenden Gewerbe. In der Top Ten der KI-Anwendungsfälle nach prognostiziertem wirtschaftlichem Einfluss liegen unter anderem Predictive Maintenance sowie die intelligente Qualitätskontrolle.
Wie Qualitätssicherung, Zustandsüberwachung und Anomalieerkennung dank KI verbessert werden können, zeigt die SmartFactory-KL des Deutschen Forschungszentrums für Künstliche Intelligenz (DFKI) dieses Jahr auf der Hannover Messe. Ein Use Case demonstriert zum Beispiel das Condition Monitoring einer Anlage. An einem Produktionsmodul wird dazu im laufenden Betrieb zu Demonstrationszwecken eine Fehlfunktion in Form eines Schleifgeräuschs erzeugt. Die Geräuschumgebung innerhalb der Produktionsmodule kann akustisch aufgezeichnet und durch KI-Algorithmen ausgewertet werden. Mit Hilfe des Algorithmus wird das Geräusch gehört und somit die Anomalie erkannt. Über das ERP-System kann ein Wartungsauftrag generiert werden, in dem bereits angezeigt wird, wo sich der Fehler befindet. Diese Information kann der Servicetechniker auf einem Tablet, Smartphone oder in einer Datenbrille einsehen.
