Startseite » Top-News »

Maschinelles Lernen in der Qualitätskontrolle

Maschinelles Lernen in der Qualitätskontrolle
KI-Algorithmen machen flexibel

Anzeige
Mithilfe von Machine Learning lassen sich Aufgaben in der Qualitätskontrolle schneller umsetzen und automatisieren – das zeigen vor allem Praxisbeispiele aus der Bildverarbeitung. Auch in der Messtechnik bietet sich großes Potenzial.

Die Produktqualitätskontrolle gehört zu den Haupteinsatzgebieten für Künstliche Intelligenz (KI) im industriellen Umfeld. Das ist das Ergebnis einer Studie des Marktforschungshauses Capgemini Research Institute. Gemeint sind dabei vor allem Systeme, die mit maschinellem Lernen arbeiten. Sie sorgen etwa dafür, dass sich Inspektionsaufgaben schneller umsetzen oder automatisieren lassen. Und diese Vorteile zeigen sich besonders in der Bildverarbeitung.

Viele Aufgaben dort sind aufwändig und lassen sich ohne Expertenwissen kaum umsetzen. Doch solche Experten seien in den Anwenderunternehmen kaum zu finden, sondern vor allem bei den Bildverarbeitungsanbietern, so Professor Michael Heizmann, der das Institut für Industrielle Informationstechnik am KIT leitet. Bei einem selbstlernenden System wird ein solcher Experte dagegen nicht benötigt. Das System lernt auf Basis entsprechender Bilder, die Defekte selbst zu erkennen.

So spielen Machine- oder Deep-Learning-Lösungen ihre Stärken vor allem bei komplexen Inspektionsaufgaben aus. Dank ihrer automatischen Anpassungsfähigkeit sind sie außerdem so flexibel, sich schnell auf eine Vielfalt an Defekten sowie eine große Varianz von Bauteilen einzustellen.

In der Bildverarbeitung finden sich daher die meisten Beispiele für den Einsatz von Machine Learning. So hat zum Beispiel Audi in seinem Presswerk in Ingolstadt eine Software installiert, deren Basis ein künstliches neuronales Netz ist. Kameras überprüfen dort alle Bauteile direkt nach der Herstellung. Die selbst entwickelte Deep-Learning-Software analysiert die Bilder und erkennt sowie markiert pixelgenau feinste Risse in den Blechteilen.

Die Software beschleunigt nicht nur die Prüfprozesse, weil die Kameras vorher für jedes neue Bauteil entsprechend konfiguriert werden mussten. Sie sorgt auch für zuverlässigere Ergebnisse. Die einfachen Algorithmen der klassischen Bildverarbeitung produzierten regelmäßig Fehlerkennungen, da sie stark von Umwelteinflüssen wie etwa Lichtverhältnisse oder der Oberflächenbeschaffenheit abhängig sind.

System spart wertvolle Produktionszeit

Auch Fiat Chrysler China setzt auf Machine Learning. „Wir trainierten ein KI-System zur Erkennung von ungeeigneten Baugruppen oder fehlenden Komponenten wie zum Beispiel kleine Schrauben, die für ein menschliches Auge schwer zu erkennen sind“, zitiert die Capgemini-Studie Neeraj Tiwari, Director Manufacturing JV Organization bei Fiat Chrysler China. „Das System ist extrem schnell und effizient, so dass defekte Teile vom Hauptförderband auf eine separate Linie im Nacharbeitsbereich gebracht werden können, wo sie korrigiert werden.“ Das Verfahren reduziere nicht nur eine Menge Qualitätsprobleme beim Endkunden, sondern spare wertvolle Produktionszeit.

Machine Learning kommt aber nicht nur in der Automobilindustrie zum Einsatz. Die Capgemini-Experten berichten von einem Lebensmittelunternehmen, das mithilfe von Deep Learning die Qualitätskontrolle von Eiern beschleunigt. Das Unternehmen hat auf Basis eines neuronalen Netzwerks einen Algorithmus entwickelt und dafür mehr als 70.000 Bilder von Eiern verwendet, die in zehn Kategorien eingeteilt wurden – je nach Art des Defekts.

Jedes Ei wird mit diesem System verglichen, um festzustellen, ob es defekt ist. Dabei arbeitet die Lösung in Höchstgeschwindigkeit und scannt jedes Ei in weniger als 40 Millisekunden, um mit der Geschwindigkeit der Produktionslinie Schritt zu halten. Schließlich hat das Unternehmen einen Produktions-Output von 30.000 bis 270.000 Eiern pro Stunde.

Mit KI ist noch viel mehr möglich

Während in der Bildverarbeitung schon reichlich Anwendungsfälle für Machine Learning zu finden sind, steht man in der Messtechnik gerade am Anfang. Doch auch dort bietet sich für die entsprechenden Technologien ein großes Potenzial.

Bisher sei es nur möglich, mit einem Bruchteil der gewonnenen Daten aus dem Messprozess wirklich zu arbeiten, sagt Professor Heiko Wenzel-Schinzer, Chief Digital Officer bei Wenzel. „Unterstützung von Closed-Loop-Szenarien, Richtige Taktung in Automationslösungen, Unterstützung der Anwender bei der richtigen Form und Lage der Werkstücke, bei der Messprogrammerstellung, der Fehlervermeidung und richtigen Analyse der Messdaten – das sind alles Felder, wo man auch ohne KI etwas machen kann“, so der Experte. Aber mit KI sei noch viel mehr möglich. „Der richtige Einsatz der KI wird die Messtechnik auf ein neues Niveau heben: als Berater der Konstruktion, Begleiter der Produktion und Partner der Anwender“, sagt Wenzel-Schinzer.

Auch Christian Janko, Geschäftsführer von Bruker Alicona, sieht große Möglichkeiten für Technologien rund um die künstliche Intelligenz. „Jeder, der in der produzierenden Industrie tätig ist, weiß, dass viele Anforderungen hinsichtlich Automatisierung und vernetze Produktion mit konventionellen Methoden der Qualitätssicherung mitunter nur noch schwierig zu bewältigen sind.“ Sein Unternehmen habe bereits KI in praxistaugliche, wertschöpfungssteigernde Produkte gegossen, so Janko.

So berichtet er zum Beispiel von einer Lösung zur Bewertung von Kugelstrahlprozessen, die gegenwärtig in der Flugzeugindustrie genutzt werde. Dabei werde der Bedeckungsgrad von gestrahlten Oberflächen hinsichtlich Bearbeitungsdauer und Strahlintensität automatisch ausgewertet.

„Außerdem bieten wir mit unserer Detection Cell eine völlig neuartige Lösung zur automatischen Defekterkennung und Messung“, sagt Janko. „Diese Zelle ist ein Zusammenspiel aus den Bereichen Bildverarbeitung, optische 3D-Messtechnik, digitale Messplanung, Robotik und Künstliche Intelligenz.“ Mit der Lösung lassen sich laut Janko viele aufwändige manuelle und auch nicht prozessstabile Methoden bei der Defektanalyse ersetzen.

Auch Wenzel arbeitet bereits an der Integration von Methoden des maschinellen Lernens in seine Technologien – etwa beim mobilen Analyse-Tool WM | SYS Analyzer. „Auf Basis von WM | SYS Analyzer sammeln wir Daten rund um die Messmaschinen“ erklärt Wenzel-Schinzer. Die erste Version davon werde nun auf den Kundenmaschinen installiert – aber nur nach Zustimmung des Kunden auch aktiviert, betont er. „Derzeit läuft im Rahmen einer Forschungskooperation mit einer Hochschule ein Projekt zur intelligenten Nutzung der gewonnenen Informationen. Hier werden verschiedene KI-Ansätze auf die Daten angewendet.“

Lösungen kommen von den Messtechnikanbietern

Es stellt sich die Frage, wie die Künstliche Intelligenz ihren Weg in die in der Qualitätskontrolle verwendete Messtechnik finden wird. Über die Messtechnik-Anbieter? Systemintegratoren? Oder vielleicht IT-Anbieter, die sich mit dem Thema beschäftigen?

„Wir arbeiten daran, dass die KI über die Produkte der Messtechnik in die Qualitätssicherung beziehungsweise Messtechnik einfließen wird“, sagt Wenzel-Schinzer. „Unsere Überzeugung ist, dass das Domänenwissen in der Messtechnik seltener und damit wertvoller ist als die Anwendung von KI-Baukästen, daher können gute Lösungen eher von uns entwickelt werden.“ Derzeit sei KI-Wissen auch noch Expertenwissen, aber das werde sich mit einfacheren Tools schnell ändern.

Bei der Integration der KI in die Qualitätssicherung beziehungsweise Messtechnik seien alle gefragt, glaubt Janko. Nach wie vor gelte es, gesteigerte Rechenleistung mittels Grafikkarten zu erzielen. Auch in Sachen Verfügbarkeit von entsprechenden Softwaretools gebe es Luft nach oben. „Hier wird sich meiner Meinung nach eine eigene Industrie entwickeln, die sich mit der Frage auseinandersetzen wird, wie der End-User notwendige Daten komfortabel sammeln und in einen Algorithmus führen kann, um ein KI System zu trainieren.“

Mehrere Terabyte an Prüfbildern

Machine-Learning-Systeme brauchen jedoch viele Daten, um für ihre jeweilige Aufgabe trainiert zu werden. Der Aufbau einer ausreichend großen Datenbasis sei eine der größten Herausforderungen im Audi-Projekt gewesen, heißt auf Seiten des Autobauers. Dafür wurden Bilddaten konzernweit gesammelt. Mehrere Terabyte an Prüfbildern aus sieben Pressen am Audi-Standort Ingolstadt und von mehreren Volkswagen-Standorten bilden die Datenbasis für die Deep-Learning-Software.

Laut Audi lässt sich der Machine-Learning-Ansatz künftig auch bei anderen optischen Qualitätsprüfungen einsetzen – etwa in der Lackiererei oder der Montage. Voraussetzung sei aber eine ausreichend große Zahl gelabelter Datensätze.

Auch die Bildverarbeitungsexperten Petra Thanner und Daniel Soukup vom AIT (Austrian Institute of Technology) betonen in einem Beitrag in der Quality Engineering (Ausgabe QE Plus 3), wie wichtig umfangreiche Datensätze für das Training von neuronalen Netzen sind. Denn beim Einsatz von Deep Learning würden alle Informationen aus den Trainingsdaten abgeleitet. Dabei sei auch erfolgskritisch, dass diese alle unterschiedlichen Erscheinungsvarianten repräsentativ abdecken.

Das Problem: Gerade Bilddaten sind in der Qualitätskontrolle nicht immer in der notwendigen Menge vorhanden. Machine Learning in der Bildverarbeitung fehlt somit oft die Basis, um verlässliche Ergebnisse liefern zu können.

Doch es gibt Lösungen. Die AIT-Experten berichten zum Beispiel von so genannten Generative Adversarial Networks, mit denen sich künstliche Daten erzeugen lassen. Auch Heizmann sieht teil-synthetische Daten als eine Möglichkeit, mit denen sich die notwendige Informationsbasis herstellen lässt. Eine andere sind vortrainierte Netze, die nur noch eine vergleichsweise geringe Datenmenge brauchen, um für die jeweilige spezifische Anwendung trainiert zu werden.

Es sieht also nicht so aus, als sei Machine Learning nur ein Hype-Thema. Die Chancen stehen gut, dass sich diese Technologien auch in der Qualitätskontrolle fest etablieren werden. ■


Der Autor

Markus Strehlitz

Redaktion

Quality Engineering


Deutsche Firmen setzen auf KI

Deutschland ist führend beim Einsatz von Künstlicher Intelligenz (KI) in Produktionsprozessen, so das Ergebnis einer Studie des Capgemini Research Institute. Demnach haben 69 Prozent der deutschen Fertigungsunternehmen mindestens einen KI-Anwendungsfall im Einsatz – gegenüber 28 Prozent der Produktionsunternehmen in den USA und 11 Prozent in China. Auch andere europäische Länder sind schon weit. In Frankreich nutzen 47 Prozent der Fertigungsunternehmend KI, in Großbritannien sind es 33 Prozent.

Die Nutzung konzentriert sich dabei laut Studie vor allem auf drei Bereiche: Produktqualitätskontrolle, intelligente Wartung sowie Bedarfsplanung. Die befragten Führungskräfte berichten, dass man in diesen Bereichen KI-Lösungen am einfachsten implementieren könne und sich hier die beste Rentabilität ergebe. Die Studie nennt auch Herausforderungen beim KI-Einsatz: Dazu zählt, über die ersten Implementierungen hinaus zu skalieren und dann systematisch das Potenzial der KI weiter zu nutzen.

Methodik der Untersuchung: Capgemini führte umfangreiche Sekundäruntersuchung zu den KI-Initiativen durch, die von 300 globalen Herstellern getestet und umgesetzt werden. Die Unternehmen kamen aus den Branchen Automotive, industrielle Fertigung, Konsumgüter sowie Luftfahrt und Verteidigung. Zusätzlich wurden über 30 Führungskräfte aus Produktionsunternehmen der genannten Sektoren befragt.

Anzeige
Newsletter

Jetzt unseren Newsletter abonnieren

Videos Control 2019

Die besten Videos von der Messe

Quality Engineering
Titelbild QUALITY ENGINEERING 1
Ausgabe
1.2020
LESEN
ABO
Webinare & Webcasts

Technisches Wissen aus erster Hand

Whitepaper

Whitepaper zum Thema QS

Anzeige
Anzeige

Industrie.de Infoservice
Vielen Dank für Ihre Bestellung!
Sie erhalten in Kürze eine Bestätigung per E-Mail.
Von Ihnen ausgesucht:
Weitere Informationen gewünscht?
Einfach neue Dokumente auswählen
und zuletzt Adresse eingeben.
Wie funktioniert der Industrie.de Infoservice?
Zur Hilfeseite »
Ihre Adresse:














Die Konradin Verlag Robert Kohlhammer GmbH erhebt, verarbeitet und nutzt die Daten, die der Nutzer bei der Registrierung zum Industrie.de Infoservice freiwillig zur Verfügung stellt, zum Zwecke der Erfüllung dieses Nutzungsverhältnisses. Der Nutzer erhält damit Zugang zu den Dokumenten des Industrie.de Infoservice.
AGB
datenschutz-online@konradin.de