Qualitätssicherung Künstliche Intelligenz hört, was die Maschinen flüstern

Anbieter zum Thema

IS Predict GmbH

Linde Material Handling GmbH

Klinkhammer Intralogistics GmbH

Treston Deutschland GmbH

Künstliche Intelligenz in der Qualitätssicherung: Ein internationaler Automobilzulieferer setzte dazu ein Projekt auf mit dem Ziel, mithilfe von KI etwaige Mängel direkt an kritischen Produktionsschritten zu erkennen und somit eine 100%-ige Prüfung zu realisieren.

In der Automobil(zuliefer)industrie werden viele Arbeiten automatisiert durchgeführt, zum Beispiel Schweißen, Pressen, Kleben oder Löten von Metallteilen. Die Arbeiten müssen in hoher Qualität erfolgen, um die korrekte Funktionsweise zu gewährleisten – und im Endeffekt damit auch das Leben der Passagiere zu schützen. Daher wundert es nicht, dass aufwendige Qualitätssicherungsmaßnahmen durchgeführt werden.

Da diese Arbeiten immer auch Daten erzeugen, die mittlerweile auch zunehmend gespeichert und somit auswertbar sind, überrascht es ebenfalls nicht, dass intelligente Datenanalysen, basierend auf künstlicher Intelligenz (KI), hochkomplexe Prüfschritte automatisieren. Das folgende Beispiel zeigt auf, wie KI zur Qualitätssicherung hochfrequenter Produktionsschritte eingesetzt wird.

Bildergalerie

Mängel direkt an kritischen Produktionsschritten erkennen

Das Werk eines Automobilzulieferers stellt Metallkomponenten her; zum Teil mit Stückzahlen mit bis zu 600 Hüben/Minute. Die Metallteile werden verformt (pressen oder stanzen) und verbunden (löten, kleben, schweißen oder schrauben). Natürlich ist jeder Prozessschritt wichtig für die Stabilität und Qualität der Autokomponenten, jedoch ist es aufgrund der hohen Stückzahl nicht möglich, alle kritischen Arbeiten zu überprüfen. Daher werden Stichproben durchgeführt, beispielsweise bei Schweißungen etwa ein Prozent, da diese mit Ultraschalltechnik überprüft werden. Ultraschalltechnik erfordert einerseits entsprechend teure Investitionen in Prüfanlagen, aber auch stets zertifiziertes Prüfpersonal. Die Prüfungen sind außerdem zu zeitintensiv, als dass sie auf alle Schweißungen angewendet werden können.

Daher ging der Automobilzulieferer hier neue Wege: Er setzte ein Projekt auf mit dem Ziel, mithilfe von künstlicher Intelligenz etwaige Mängel direkt an kritischen Produktionsschritten zu erkennen und somit eine 100%-ige Prüfung zu realisieren. Die KI muss in (Nahe-)Echtzeit die Daten jedes einzelnen Produktionsschrittes interpretieren, so dass auftretende Mängel behoben beziehungsweise die entsprechenden Komponenten direkt aussortiert werden können.

Selbstlernend auf Veränderungen anpassen

Die Basis einer jeden Datenanalyse, ob mit künstlicher Intelligenz oder mit bewährten statistischen Verfahren, ist eine ausreichend-gute Datenlage. Daher wurden zuerst entsprechende Daten über mehrere Monate gesammelt. Selbstlernende KI-Lösungen wurden auf diesen Produktionsdaten trainiert: Kann die KI komplexe Datenmuster aus den Steuerungsdaten erkennen, wann die einzelnen Produktionsschritte nicht mit hoher Qualität durchlaufen wurden? Aufgrund der hohen Variantenkomplexität lagen jedoch nur vergleichsweise wenige Schlechtfälle vor. Dies erfreut jeden Werksleiter; doch die KI muss dann „tiefer graben“. Die Algorithmik musste daher entsprechend abstrahieren, um trotz mangelnder Datenlage verlässliche Qualitätsbewertungen durchführen zu können.

Zu Beginn wurden noch Schweißungen aussortiert, die nicht genau bewertet werden konnten. Diese wurden durch die Ultraschaller geprüft, deren Rückmeldung wiederum das kontinuierliche Lernen der künstlichen Intelligenz unterstützte. So wurden die „Graufälle“ immer geringer bei gleichzeitiger 100-%-Prüfabdeckung.

Wie in dem Beispiel ersichtlich, kann die Komplexität in der Produktion sehr hoch sein, oft verursacht durch eine hohe Anzahl von Produktvarianten, wie wir sie in der Automobil(zuliefer)produktion oft vorfinden. Eine KI-Lösung, die am Anfang sehr gute Ergebnisse liefert, verliert leider schnell an Aussagekraft, wenn sich die KI-Algorithmik nicht an die veränderten Begebenheiten anpasst. Was nützt der beste „digitale Zwilling“, wenn er nur am Anfang seinem Bruder / seiner Schwester gleicht? Für einen langanhaltenden Mehrwert von KI-Lösungen ist daher die Adaptivität wichtig, also das ständige Anpassen auf neue Umgebungssituationen: Dies ermöglichen Selbstlernalgorithmik und kontinuierliches Lernen. KI-Prototypen, die nur einen sehr begrenzten Umfang haben, also beispielsweise drei Stanzmaschinen, kommen natürlich ohne Selbstlernalgorithmik aus, da ein Data Scientist es hier zeitlich schafft, die Veränderungen in den mathematischen Modellen nachzuziehen. Wenn jedoch Dutzende oder gar Hunderte von Maschinen angebunden sind, dann würde man eine Heerschar von Data Scientsts benötigen, die immer wieder der Realität leicht hinterherlaufen. Auch wenn diese Heerschar im finanziellen Rahmen des Werksleiters wäre, so würde er die Stellen wohl nicht besetzen können. Data Science ist eine sehr gefragte Expertise. Folglich werden sich nur die KI-Lösungen durchsetzen, sowohl wirtschaftlich als auch in der Breite, die sich selbstlernend auf Veränderungen anpassen können.

Cenit

Wenn die KI sehen und voraus denken kann

(ID:47479363)