Wie funktionieren KI-Konzepte zur Qualitätskontrolle, welchen Einfluss werden sie zukünftig auf die Fertigung nehmen und welche Rolle spielen sie im Rahmen der Smart Factory? Eine wichtige Teildisziplin der künstlichen Intelligenz ist Machine Learning (ML). In diesem Bereich sind in jüngster Vergangenheit erhebliche Evolutionssprünge zu beobachten, berichtet Damian Heimel von Deevio. Das Unternehmen automatisiert End-of-Line-Qualitätskontrollen mit Machine Learning.

ANZEIGE

Insbesondere bei der Erkennung von Mustern, Trends und Normabweichungen habe ML klare Stärken. Somit seien entsprechende Lösungen nicht nur für Bereiche wie die vorausschauende Wartung und betriebswirtschaftliche Prognosen, sondern auch für Qualitätskontrollen prädestiniert. Hier besitzen sie das Potenzial, Kontrollvorgänge vollständig zu automatisieren, ist Heimel sicher. Dies wiederum stelle einen Meilenstein auf dem Weg zur Smart Factory dar.

Doch wie funktioniert die Technologie im Detail? Machine Learning ermöglicht es Computern, aus vorliegenden Daten zu lernen und sich somit stetig zu verbessern. Im Bereich der industriellen Qualitätskontrolle handelt es sich bei diesen „Trainingsdaten“ um Beispielbilder.

ANZEIGE

Konkret benötigen ML-basierte Lösungen Bilder von Defekten auf Bauteilen in unterschiedlicher Ausprägung und an verschiedenen Positionen. Auf dieser Basis kann die Software lernen, Defekte zu generalisieren und sie auch an Bauteilen zu erkennen, die sie vorher noch nicht gesehen hat. Hierdurch lässt sich eine sehr hohe Variabilität von Fehlern identifizieren, erläutert der Experte von Deevio weiter. Gleichzeitig sei eine standardisierte Bewertung der Defekte möglich.

Auf den Anwendungsfall zugeschnitten

Für automatisierte Qualitätskontrollen auf KI-Basis benötigen Unternehmen im Wesentlichen eine industrielle Spezialkamera, eine passende Belichtungseinrichtung, einen Mini-Computer für die Steuerung sowie eine Software für die Defekterkennung, zählt er auf. Die Komponenten müssen auf den individuellen Anwendungsfall zugeschnitten werden.

Dies gelte auch für das zugrunde liegende Machine-Learning-Modell. Der Aufbau des Modells erfordert Bildmaterial der zu kontrollierenden Bauteile. Diese müssen die passende Belichtung und Auflösung haben, um verwendet werden zu können. Zudem müssen sie die Defektvariabilität abdecken. Es sind also Fotos sämtlicher Defektkategorien erforderlich. Zudem muss das Modell lernen, wie intakte Bauteile aussehen.

Durch fortlaufendes Training steigert das Machine-Learning-Modell binnen kurzer Zeit seine Präzision, so der Experte. Sobald die gewünschte Genauigkeit erreicht wurde, kann es auf einem speziell für ML-Anwendungen entwickelten Mini-Computer installiert werden. Dieser wird vor Ort direkt an die Maschinensteuerung angeschlossen und final in die Produktionslinie integriert.

Nun ist es möglich, Objekte mit einer ebenfalls installierten Kamera automatisch zu erfassen und durch das Machine-Learning-Modell zu analysieren. Als defekt eingestufte Objekte können aussortiert oder durch menschliche Experten begutachtet werden.

Zielführend ist es, die Analyseergebnisse zudem langfristig zu sammeln, rät Heimel. Aufzeichnungen dieser Art lassen dann fundierte Rückschlüsse auf Defekthäufigkeiten an bestimmten Stellen zu. Hieraus lassen sich wiederum gezielte Optimierungsmaßnahmen ableiten. Außerdem können weitere, bislang unbekannte Defekte hinzugefügt werden.

Kontrolle in weniger als einer Sekunde

Eine rein manuelle Qualitätskontrolle dauert im Durchschnitt 20 Sekunden pro Bauteil, berichtet Heimel. Mithilfe des vorgestellten Ansatzes reduziere sich der Zeitaufwand hingegen auf unter eine Sekunde. Es liege auf der Hand, dass sich hieraus signifikante Kostensenkungen in der Qualitätssicherung ergeben.

Auch die Flexibilität der „KI-Qualitätskontrolle“ gegenüber herkömmlichen Lösungen sei positiv hervorzuheben, nennt er einen weiteren Punkt: So existieren bereits seit mehreren Jahren sogenannte Machine-Vision-Systeme, bei denen Fehler an Bauteilen durch Kameras und Bildverarbeitungsprogramme erkannt werden. Systeme dieser Art erfordern es jedoch, mögliche Fehler im Vorfeld genau zu definieren.

Sie arbeiten also regelbasiert und generieren hierdurch Pseudofehlerraten von bis zu 50 Prozent, stellt Heimel heraus. Es entstehe somit ein deutlich zu hoher Ausschuss. Dies gelte insbesondere in Szenarien mit hoher Fehlervariabilität – etwa, wenn oberflächliche Beschädigungen viele verschiedene Formen und Farben annehmen können.

Anders stellt sich die Situation bei ML-basierten Qualitätskontrollen dar. Hier lernen die Modelle fortlaufend hinzu, wodurch sie im Laufe der Zeit unterschiedlichste Ausprägungen von Defekten eigenständig erkennen. Der unnötige Ausschuss wird deutlich minimiert, hebt der Experte hervor. Je nach Szenario sind Pseudofehlerraten von nur einem Prozent realistisch, schätzt er.

Gleichbleibend präzise

Die Automatisierung von Qualitätskontrollen mit ML-Software und Beispielbildern versetze Unternehmen auch in die Lage, unternehmensweite Standards der Qualitätsprüfung zu etablieren. Hing die Bewertungsqualität bislang von der Tagesform der Werker ab, folgt sie bei ML-Lösungen der Einschätzung von Qualitätskontrolleuren, welche im Vorfeld die zugrunde liegenden Beispielbilder als Trainingsmaterial geliefert haben.

KI-basierte Qualitätskontrollen besitzen also das Potenzial, deutliche Qualitätssteigerungen herbeizuführen, sagt Heimel. Denn im Vergleich zu menschlichen Kontrolleuren würden sie eine gleichbleibende Leistungsfähigkeit und Präzision gewährleisten.

In der Praxis führen bereits die ersten Unternehmen Qualitätskontrollen mit Machine-Learning-Systemen durch, berichtet der ML-Experte. Diese stammen insbesondere aus den Bereichen Automotive, Metallverarbeitung und Gießerei.

Zwar konzentriere sich der Einsatz momentan auf Kontrollen am Ende der Produktionslinien, die Möglichkeiten seien jedoch noch weitreichender: So sind auch automatisierte Zwischenkontrollen ein realistisches Szenario.

Mit diesem Ansatz wäre es möglich, defekte Bauteile sehr früh zu identifizieren, sodass sie nicht unnötig noch weitere Schritte des Produktionsprozesses durchlaufen. Die Kostensenkungspotenziale sind in diesem Fall noch größer, schätzt Heimel. Unabhängig davon gelte: Wer dem Idealbild der Smart Factory folgen und einen möglichst hohen Automatisierungsgrad seiner Fertigung erreichen möchte, komme am Thema Qualitätskontrollen nicht vorbei.