Intelligentere Fertigung mit KI-unterstützten Qualitätssicherungsprozessen

Künstliche Intelligenz in der Produktion

| Autor / Redakteur: Plamen Kiradjiev und René Stäbler, IBM / Silvano Böni

Bildergalerie: 4 Bilder
(Bild: © Kras99, AdobeStock.com)

Dank hochauflösenden Kameras ist in der Qualitätssicherung vieles einfacher geworden. Selbst kleinste Beschädigungen oder Ungenauigkeiten können ohne Probleme erkannt werden. Die Auswertung der Bilder geschieht vielerorts aber noch manuell – dank dem Einsatz von Künstlicher Intelligenz könnte dies aber bald der Vergangenheit angehören.

Die Nadel im Heuhaufen finden – so ähnlich gestaltet sich häufig die Arbeit von Qualitätsinspektoren, wenn sie bei einem augenscheinlich meist perfekt aussehenden Produkt nach versteckten Mängeln suchen müssen: kleinste Kratzer, minimalste Ungenauigkeiten, schwer zu erkennende Einbauvarianten – die Arbeit verlangt höchste Konzentration, ist daher oft ermüdend und fehleranfällig. An vielen Stellen helfen mittlerweile hochauflösende Kameras Mängel zu erkennen, doch noch immer ist deren Identifikation und Auswertung eine hochgradig manuelle Angelegenheit.

Der Einsatz KI-basierter Systeme schafft hier grosse Abhilfe. Denn mit ihren Fähigkeiten der intelligenten Auswertung der Bildaufnahmen von Ultra-High-Definition-Kameras können diese Prozesse nachhaltig beschleunigt, die Inspektoren sehr effektiv unterstützt werden. Die IBM-Watson-IoT-Plattform bietet mit «Visual Insights» einen derartigen Service. Nach einem entsprechenden Training, bei dem das System anhand von Bildern lernt, wie ein Produkt auszusehen hat, welche Abweichungen von der Norm möglich sind und was sie zu bedeuten haben, können Inspektoren in der Produktqualitätsprüfung sehr viel schneller und gezielter winzige Kratzer oder nur nadelstichgrosse Beschädigungen identifizieren und klassifizieren. Positiver Nebeneffekt: Watson Visual Insights lernt durch das Feedback des Inspektors beständig dazu und verbessert damit kontinuierlich die Erkennungsleistung und die Produktqualität. Tests haben ergeben, dass bei einem acht Tage dauernden Produktionszyklus bis zu 80 Prozent der ursprünglich für die Prüfung veranschlagten Zeit eingespart werden konnten. Ähnliches gilt für die Beurteilung von Geräuschen: auch hier bietet das System Unterstützung bei der Fehlersuche. Mit einem spezifischen Akustik-Modul können Geräusche analysiert werden. Erkennt die Watson-AI Abweichungen vom Normalton, werden automatisch Benachrichtigungen per Sprache oder Bild gegeben.

Intelligente Bilderkennung in der Fahrzeugherstellung

Ein Beispiel für die Qualitätssicherung mit einem KI-basierten System ist die automatische Überprüfung des Einbaus eines spezifischen Bauteils in den Fahrzeugen eines grossen deutschen Automobilherstellers, die für den US-Export bestimmt sind. Die entsprechenden Qualitätsprüfungsprozesse werden momentan noch mit Unterstützung zahlreicher Kameras manuell durchgeführt. In einem Pilotprojekt wird nun getestet, welche Hilfe die Nutzung Künstlicher Intelligenz bringen kann. Konkret geht es dabei um die Frage, ob Abdeckungen für die Lichtweiteneinstellung, die in den USA vorgeschrieben sind, ordnungsgemäss im Auto verbaut wurden.

Die spezifische Herausforderung bei der Überprüfung ist, dass die Abdeckungen unterschiedliche Formen haben, oft in der gleichen Farbe wie ihre Träger sind und damit meist schwer von ihnen zu unterscheiden. Zusätzlich wird der Qualitätscheck dadurch erschwert, dass die Abdeckungen je nach Blickwinkel kaum zu erkennen sind. Die intelligente Bilderkennung und -analyse erleichtert diesen Prozess nun ganz erheblich: Mit ihrer Hilfe werden die verbauten Lichtabdeckungen nun auch aus ganz unterschiedlichen Blickwinkeln heraus schnell und zuverlässig erkannt. Watson hat dabei auch keine Probleme mit unterschiedlichen Lichtverhältnissen, denn sie werden für eine schnelle, präzise Analyse automatisch angepasst. Zudem kommt das System insgesamt mit wesentlich weniger hochauflösenden Kameras aus.

Um das zu erreichen, wurde Watson zunächst mit Bildern unterschiedlicher Abdeckungen gefüttert, wobei ihm die jeweiligen Unterscheidungsmerkmale «erklärt» – sie also klassifiziert wurden. Watson Visual Recognition verwendet hierfür verschiedene sogenannte Classifier- und Machine-Lear­ning-Algorithmen. Dieses Vorgehen zeigte schnell Wirkung: Watson schaffte es innerhalb kurzer Zeit mit einer Treffgenauigkeit von rund 95 Prozent, die verbauten, unterschiedlichen Deckel zu erkennen. Gleichzeitig lernt das kognitive KI-System durch das Feedback der Inspektoren beständig dazu und verbessert damit kontinuierlich seine Erkennungsleistung.

Dieses Einsatzszenario steht exemplarisch für das, was heute mit Hilfe intelligenter Bildanalysen in der Qualitätssicherung machbar ist, um die Arbeit der Inspektoren schneller und effektiver zu erledigen und sie von ermüdenden und eintönigen Auswertungstätigkeiten zu entlasten.

Ein weiteres Beispiel für intelligente Qualitätssicherung ist die Ausstattung von Industrierobotern mit intelligenten Werkzeugen, um permanent die Qualität ihrer Arbeit zu überwachen. Auf der Hannover Messe hat IBM einen Mitsubishi-Industrieroboter präsentiert, der im konkreten Fall Bilder und Geräusche von Fertigungsaktivitäten in Kombination mit entsprechenden Sensordaten des Roboters simultan erfassen kann und mit unterschiedlichen KI-basierten Werkzeugen, wie etwa den erwähnten Visual Insights oder mit Hilfe intelligenter Geräusch­analysen, auswertet und in entsprechende Handlungsempfehlungen umwandelt.

KI-basierter Digital Twin für die Qualitätsüberwachung

SmartFactory KL ist ein Industrie-4.0-Demonstrator, der als erstes Szenario seiner Art eine herstellerübergreifende Industrie-4.0-Produktionslinie repräsentiert. IBM gehört zu den Schlüsselpartnern der ersten Stunde, zuständig für die Erhebung, Analyse und Verteilung der Daten von den Maschinen. Der Demonstrator arbeitet mit Analytik- und IoT-​Technologien von IBM sowie intelligenten Watson-​KI-Services, die im Rahmen eines Multicloud-Szenarios aus der IBM Cloud zur Verfügung gestellt werden.

Die intelligente, integrierte Datenauswertung mittels eines KI-basierten digitalen Zwillings beim SmartFactory-KL-Demonstrator erlaubt es zu jedem Zeitpunkt, Informationen über den Produktionsprozess, die Produktqualität sowie über den Zustand der Gesamtanlage zu bekommen. Da die Daten für jedes einzelne Modul, das in der Cloud ausgewertet wird, auch separat betrachtet werden können, liefert der Ansatz bereits zu einem sehr frühen Zeitpunkt Indizien auch für die Qualität der einzelnen Produktionsschritte und somit Hinweise auf möglichen Wartungs- oder Nachjustierungsbedarf. Diese Insights sind der Schlüssel zu einem effektiven Qualitätsmanagement. Denn gibt es Qualitätsprobleme in der Produktion, führt dies meist auch zu Qualitätsproblemen beim Endprodukt. Auch diese werden auf diese Weise inklusive ihrer Ursache sehr früh erkannt.

Präzision ohne Abstriche für Mettler Toledo

Ein weiteres Beispiel, ein Anwendungsfall im Bereich der SmartFactory KL, 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 und zu verzerrten Messergebnissen führen. Auf der anderen Seite zeigen die Messergebnisse etwaige Qualitätsprobleme beim Endprodukt an. Im konkreten Fall werden nun 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 und hiermit die Beurteilung der Produktqualität zuversichtlich und ungestört sind. Besteht die Gefahr, dass die Waage falsche Ergebnisse liefern könnte oder die Mess­ergebnisse von der Norm abweichen, wird automatisch der Produktionsverantwortliche informiert. Hiermit kann Mettler Toledo seinen Kunden Aufwand und Kosten im Falle einer möglichen «Blindfahrt» bei der Qualitätssicherung, im Extremfall bis zur Geltendmachung etwaiger Qualitätsansprüche, ersparen.

Die Beispiele zeigen: es gibt eine enorme Bandbreite an Einsatzmöglichkeiten von KI zur Sicherung der Qualität von Produkten und Prozessen. Intelligente Technologien werden sicherlich in immer grösserem Umfang zur Qualitätssicherung beitragen – sie werden jedoch nicht den Menschen in seiner Urteilsfähigkeit und Entscheidungskompetenz ersetzen. SMM

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 45369480 / Automation-, Antriebs- & Steuerungstechnik)