Der kombinierte Einsatz von leistungsfähiger Sensorik und künstlicher Intelligenz ermöglicht es, Risiken und Störfaktoren im Produktionsprozess in Echtzeit zu erkennen und so Ausschuss und Ausfallzeiten zu vermeiden.
KI-basierte Inline-Messtechniken führen Analysen in Echtzeit während des Produktionsprozesses durch.
Traitov / Getty Images / iStock
Im hart umkämpften Produktionsumfeld ist die Optimierung von Prozessen in Echtzeit unerlässlich, um die Effizienz aufrechtzuerhalten, Kosten zu senken und die Produktqualität zu verbessern. Diese Anforderungen können mit herkömmlichen Methoden der Qualitätskontrolle, die häufig auf menschlicher Inspektion beruhen, nicht erreicht werden. Ein wesentlicher Ansatz ist die Automatisierung der Teile- und Werkstückidentifikation sowie die Inline-Qualitätsprüfung mithilfe Künstlicher Intelligenz (KI).
KI hat sich als performantes Instrumentarium erwiesen, da sie die Möglichkeit bietet, riesige Datenmengen zu analysieren, Ergebnisse vorherzusagen und autonom Entscheidungen zu treffen. Mittels KI lassen sich Messungen und Analysen in Echtzeit während des Produktionsprozesses durchführen. Das sofortige Feedback ermöglicht schnelle Anpassungen. Zu den konkreten Methoden gehören Computer Vision, Vorausschauende Wartung und Sensorfusion.
Sensorfusion und Vorausschauende Wartung
Durch verschiedene Sensordaten (zum Beispiel Druck, Temperatur oder Feuchtigkeit) ist es mithilfe von KI möglich, Parameter zu extrahieren und damit einen Prozesszustand zu modellieren. Anhand der gewonnenen Daten lernt die KI die aktuellen Prozesszustände kennen und kann so frühzeitige Warnsignale für Abweichungen vom Standard identifizieren und Risiken im Produktionsprozess vorhersagen. Anstatt Objektlisten aus verschiedenen Sensoren zu fusionieren, werden bei der KI-basierten Sensorfusion Daten auf Merkmalsebene zusammengeführt und Vorhersagen nur einmal und auf Basis aller verfügbaren Daten getroffen – und nicht für jeden Sensor einzeln.
Bei der Vorausschauenden Wartung kommt eine Kombination aus integrierten Sensoren und Data-Science-Verfahren zum Einsatz, um zu antizipieren, wann welche Bauteile ausfallen könnten. Aus diesen Erkenntnissen sind dann Maßnahmen unabhängig der A-priori-Planung abzuleiten. Die Datenerfassung erfolgt aus verschiedenen Quellen, auch aus historischen Aufzeichnungen. Sobald Datensätze erfasst sind, werden sie mithilfe statistischer Techniken und Algorithmen analysiert. Dadurch lassen sich Muster und gegebenenfalls Anomalien entdecken, die auf potenzielle Probleme hinweisen.
Verschiedene Lernmodelle
Für die Vorausschauende Wartung ist ein Vorhersagemodell erforderlich, bei dem das Maschinelle Lernen als Teilbereich von KI verschiedene Datenanalyseansätze bereitstellt. Beim sogenannten Überwachten Lernen wird ein Modell anhand markierter Daten trainiert. Dabei lernen die neuronalen Netzwerkalgorithmen der KI, Eingabemerkmale den entsprechenden Ausgabemarkierungen zuzuordnen. Dieser Ansatz wird häufig verwendet, um Wahrscheinlichkeiten für Ausfälle auf Grundlage historischer Daten vorherzusagen.
Ein unüberwachtes maschinelles Lernmodell verarbeitet dagegen ungekennzeichnete Daten, um versteckte Muster oder Cluster innerhalb des Datensatzes zu identifizieren. Algorithmen können Anomalien aufdecken oder Abweichungen vom normalen Geräteverhalten erkennen und so auf potenzielle Fehler hinweisen. Beim sogenannten Reinforcement Learning wird ein Agent trainiert, mit seiner Umgebung zu interagieren. Es findet unter anderem Anwendung, um Wartungspläne oder Strategien zur Ressourcenzuweisung zu optimieren.
Visuelle Inspektionen in Echtzeit
Computer-Vision-Systeme nutzen Kameras und KI, um visuelle Inspektionen von Fertigungsprozessen in Echtzeit durchzuführen. Diese Systeme können durch Deep-Learning-Lösungen optische Defekte und für das menschliche Auge unsichtbare Anomalien erkennen. Ferner lässt sich damit die Qualität von Bauteilen klassifizieren, messen und prüfen.
Mit sogenannten Polarisationskameras sind sogar Objekte erkennbar, die über die Grenzen des sichtbaren Lichts hinausgehen, zum Beispiel bei spiegelnden Oberflächen und transparenten Objekten sowie Flüssigkeiten. Eine Positionserkennung in Echtzeit gibt räumliche und zeitliche Einblicke in Teile- und Warenströme und ermöglicht eine automatisierte Bestandsaufnahme und Kommissionierung.
