close

Fehler präziser und schneller erkennen

Fehler präziser und schneller erkennen_HEADER 1
Geschätzte Lesezeit: 5 Minuten

Wie sich indus­tri­el­le Inspek­ti­ons­pro­zes­se mit künst­li­cher Intel­li­genz auto­ma­ti­sie­ren und opti­mie­ren lassen.

Die Feh­ler­inspek­ti­on ist in der indus­tri­el­len Wert­schöp­fungs­ket­te von Fer­ti­gungs­un­ter­neh­men ein ent­schei­den­der Fak­tor, um die Qua­li­tät der Pro­duk­te auf einem kon­stant hohen Niveau zu hal­ten. Die Kon­troll­pro­zes­se erfol­gen jedoch in vie­len Fäl­len noch manu­ell. Wie sich die Defekt­prü­fung mit­tels künst­li­cher Intel­li­genz (KI) durch­gän­gig auto­ma­ti­sie­ren und damit die Qua­li­täts­si­che­rung auf eine neue Stu­fe heben lässt, zeigt ein weg­wei­sen­des Refe­renz­pro­jekt der Uni­ver­si­tät Kas­sel in Zusam­men­ar­beit mit Fujitsu.

Der Fach­be­reich Gie­ße­rei­tech­nik, der zum Insti­tut für Pro­duk­ti­ons­tech­nik und Logis­tik an der Uni­ver­si­tät Kas­sel gehört, beschäf­tigt sich mit allen klas­si­schen The­men rund um die gie­ße­rei­tech­ni­sche Fer­ti­gung. Dazu zählt die Ent­wick­lung von ent­spre­chen­den Pro­zes­sen, Bau­tei­len und Werk­stof­fen. Eine wich­ti­ge Rol­le spie­len dabei auch aktu­el­le The­men wie Leicht­bau, Ener­gie­ef­fi­zi­enz oder Digi­ta­li­sie­rung. Der Fach­be­reich ver­fügt über hoch­au­to­ma­ti­sier­te gie­ße­rei­tech­ni­sche Anla­gen, die hin­sicht­lich Aus­stat­tung und Dimen­si­on durch­aus mit den Pen­dants aus der Fer­ti­gungs­in­dus­trie Schritt hal­ten kön­nen. Ein Spe­zi­al­ge­biet bil­det dabei der Ultra­dünn­wand­guss. Hier­bei geht es um beson­ders dünn­wan­di­ge Alu­mi­ni­um-Druck­guss-Bau­tei­le mit einer Wand­stär­ke von einem Mil­li­me­ter und weni­ger – die aber den­noch groß­flä­chig und mecha­nisch belast­bar sind.

Gussteile müssen präzise geprüft werden

Fehler präziser und schneller erkennen_Content 2Ziel des gemein­sa­men Pro­jekts war es, durch struk­tur­me­cha­ni­sche Anpas­sun­gen die Wand­stär­ken zu redu­zie­ren und dadurch den Ein­satz von Mate­ri­al und Gewicht zu mini­mie­ren. Beson­de­re Her­aus­for­de­run­gen lagen dabei vor allem in der Pro­zess­tech­nik, da durch die gerin­gen Wand­stär­ken Pro­zess-Schwan­kun­gen sowie Feh­ler viel stär­ker ins Gewicht fal­len. Dazu müs­sen die abge­gos­se­nen Bau­tei­le umfas­send mecha­nisch unter­sucht wer­den, bei­spiels­wei­se mit­tels Zug- und Här­te­prü­fung. Eine ent­schei­den­de Bedeu­tung erlangt hier­bei auch die visu­el­le Ana­ly­se. Die­se Art der Inspek­ti­on wird häu­fig noch manu­ell durch­ge­führt. Mitarbeiter*innen über­prü­fen dabei Bau­tei­le auf Feh­ler an der Ober­flä­che und loka­li­sie­ren die­se prä­zi­se. Die manu­el­le, visu­el­le Inspek­ti­on gilt in der Gie­ße­reibran­che nach wie vor als Stan­dard­werk­zeug und ist für bestimm­te Ein­satz­ge­bie­te zweck­mä­ßig. Sie erfor­dert kei­ne auf­wän­di­ge Anla­gen­tech­nik und lässt sich vor allem bei klei­nen Seri­en gut realisieren.

Bei Groß­se­ri­en hin­ge­gen ver­ur­sacht die­se Metho­dik einen ver­gleichs­wei­se hohen Auf­wand und ent­spre­chen­de Kos­ten, da jedes ein­zel­ne Bau­teil einer manu­el­len Sicht­prü­fung unter­zo­gen wer­den muss. Daher macht es Sinn, die­sen Pro­zess durch den Ein­satz von Kame­ra­sys­te­men und einer Ana­ly­se-Soft­ware zu auto­ma­ti­sie­ren. Letz­te­re basiert im Nor­mal­fall auf defi­nier­ten Regeln. Die Struk­tur von Guss­bau­tei­len macht jedoch auf­grund ihrer Rip­pen, ihrer ver­schie­de­nen Kühl­ka­nä­le und Frei­form­flä­chen die Ana­ly­se oft­mals sehr schwie­rig. Pro­zess­be­ding­te Fließ­li­ni­en auf den Bau­tei­len erschwe­ren die Prü­fung zusätz­lich. So kann es in bestimm­ten Anwen­dungs­fäl­len zu fal­schen Inspek­ti­ons­er­geb­nis­sen kom­men. Dabei wer­den ein­wand­freie Bau­tei­le unter Umstän­den als feh­ler­haft klas­si­fi­ziert, sodass die­se fälsch­li­cher­wei­se als Aus­schuss dekla­riert und aus­sor­tiert werden.

KI-Lösung von Fujitsu erkennt alle Fehler

Für den Dünn­wand­guss haben die Expert*innen des Fach­be­reichs einen Kata­log mit drei ver­schie­de­nen Feh­ler­klas­sen und unter­schied­li­chen Aus­prä­gungs­gra­den erstellt. Mit die­sem Feh­ler­ka­ta­log haben drei Mitarbeiter*innen unab­hän­gig von­ein­an­der die glei­chen Bau­tei­le ana­ly­siert, wobei eine bestimm­te Dis­kre­panz auf­ge­tre­ten ist. Um hier bes­se­re Ergeb­nis­se zu ermög­li­chen, hat der Pro­jekt­lei­ter dem Team von Fuji­tsu Bil­der inklu­si­ve einer Feh­ler­er­klä­rung zur Ver­fü­gung gestellt. Auf den Bil­dern waren die ent­spre­chen­den Defek­te an den Bau­tei­len mar­kiert. Dabei hat das KI-basier­te Ana­ly­se­sys­tem Feh­ler erkannt, die das mensch­li­che Auge nicht wahr­neh­men kann.

Gene­rell spie­len in der Feh­ler­kon­trol­le zwei Fak­to­ren eine wich­ti­ge Rol­le – die Genau­ig­keit und die Geschwin­dig­keit bei der Durch­füh­rung. Ohne den Ein­satz von KI wer­den die Defek­te bei­spiels­wei­se anhand von fest pro­gram­mier­ten Regeln detek­tiert. Sol­che Sys­te­me sto­ßen aber schnell an ihre Gren­zen – vor allem dann, wenn die Feh­ler in kom­ple­xen und viel­fäl­ti­gen Struk­tu­ren vor­kom­men, so wie im vor­lie­gen­den Fall. Durch das ver­mehr­te Auf­tre­ten von fälsch­li­cher­wei­se erkann­ten Feh­lern erhöht sich der Aus­schuss unnö­tig, was letzt­end­lich die wirt­schaft­li­che Attrak­ti­vi­tät eines sol­chen regel­ba­sier­ten Sys­tems ent­schei­dend verringert.

Know-how der Sichtprüfer*innen im KI-Modell abbilden

Fehler präziser und schneller erkennen_3Bei Qua­li­täts­si­che­rungs­sys­te­men mit inte­grier­ter KI hin­ge­gen ver­hält es sich anders. Hier las­sen sich die Exper­ti­se und das Wis­sen der Sichtprüfer*innen aus der Qua­li­täts­kon­trol­le direkt im KI-Modell abbil­den. Somit kön­nen auch kom­ple­xe Defek­te mit vie­len ver­schie­de­nen Erschei­nungs­for­men ver­läss­lich detek­tiert und sehr schnell und prä­zi­se loka­li­siert wer­den. Zudem lie­gen die Ergeb­nis­se – anders als bei der manu­el­len Sicht­prü­fung – direkt in digi­ta­ler Form vor, sodass sich die Infor­ma­tio­nen auch in ande­ren Sys­te­men durch­gän­gig nut­zen und wei­ter­ver­ar­bei­ten las­sen. Sol­che KI-basier­ten Lösun­gen sind natür­lich nicht auf die Gie­ße­rei-Indus­trie beschränkt, son­dern kön­nen auch in ande­ren Bran­chen ein­ge­setzt wer­den, in denen genau die­se Bedin­gun­gen vorherrschen.

Wie funk­tio­niert nun die Defek­t­er­ken­nung an den Guss­tei­len mit­hil­fe des KI-Modells kon­kret? Der ers­te Schritt besteht dar­in, ein Kame­ra­sys­tem zu instal­lie­ren und Bil­der von den ent­spre­chen­den Bau­tei­len auf­zu­neh­men. Die­ser Pro­zess birgt jedoch eini­ge Her­aus­for­de­run­gen in sich: So ist es bei­spiels­wei­se wich­tig, die Bil­der annä­hernd aus der glei­chen Lage auf­zu­neh­men, damit auch die ein­zel­nen Merk­ma­le und Defek­te kon­sis­tent abge­bil­det wer­den. In jeder Pro­duk­ti­ons­um­ge­bung herr­schen jedoch immer wie­der ver­schie­de­ne Bedin­gun­gen. So kommt es zu unter­schied­li­chen Licht­ein­fäl­len, Refle­xio­nen oder Schat­tie­run­gen auf den Bau­tei­len. Dadurch wer­den letzt­end­lich auch die zu erken­nen­den Defek­te auf den Ober­flä­chen abwei­chend dar­ge­stellt. Dies erschwert den Trai­nings­pro­zess der KI-Model­le erheblich.

Vorverarbeitung und Labeln legt Grundstein für Training

Um die­se Nach­tei­le zu umge­hen, kom­men im Ansatz von Fuji­tsu geeig­ne­te Metho­den der Vor­ver­ar­bei­tung zur Anwen­dung. Dazu zählt bei­spiels­wei­se das Aug­men­tie­ren der Bil­der. Dabei wer­den die­se rotiert oder gespie­gelt, also ganz gene­rell in einer ande­ren Form dar­ge­stellt. Dadurch kann das KI-Modell die Defek­te und Merk­ma­le auf den Bil­dern in ganz ver­schie­de­nen Aus­prä­gun­gen wahr­neh­men – und wird so bes­ser auf den jewei­li­gen Pro­zess hin trai­niert. Im nächs­ten Schritt folgt das Labeln der Bil­der. Das bedeu­tet, es wer­den dar­auf die Stel­len gekenn­zeich­net, an denen die Guss­tei­le Feh­ler auf­wei­sen. Dar­ge­stellt wird dies anhand soge­nann­ter Boun­ding Boxes. Hier­bei han­delt es sich um ein gra­fi­sches Ele­ment wie etwa ein umrah­men­des Recht­eck, das die betref­fen­de Stel­le über Koor­di­na­ten mar­kiert. Damit ist der Grund­stein für das Trai­nie­ren der Model­le gelegt.

Nach dem Trai­nings­pro­zess ist das KI-Modell dann in der Lage, Defek­te auch auf neu­en, bis­her unge­se­he­nen Bil­dern zu erken­nen. In der Pra­xis tre­ten die Feh­ler aber meist in vari­ie­ren­den For­men, Grö­ßen oder an ver­schie­de­nen Stel­len auf. Damit die Algo­rith­men auch sol­che Defek­te sicher erken­nen kön­nen, wird die Inspek­ti­ons­lö­sung von Fuji­tsu anhand geeig­ne­ter Machi­ne-Lear­ning-Ver­fah­ren wei­ter opti­miert. Dadurch lie­ßen sich im Pro­jekt bei der Uni­ver­si­tät Kas­sel alle Guss­tei­le mit Defek­ten ver­läss­lich iden­ti­fi­zie­ren und als Aus­schuss dekla­rie­ren. Wich­tig im Erken­nungs­pro­zess ist nicht nur die Bestim­mung der Ano­ma­lien auf der Metall­ober­flä­che, son­dern auch die prä­zi­se Visua­li­sie­rung und Loka­li­sie­rung auf Pixel-Ebe­ne. Dabei zeigt eine bestimm­te Far­be die Wahr­schein­lich­keit für einen Defekt in der betref­fen­den Regi­on an. Auf die­se Wei­se las­sen sich auch kleins­te Ris­se oder Ker­ben ent­de­cken, die selbst von Expert*innen leicht über­se­hen werden.

Fazit

Die KI-basier­ten Smart Inspec­tion Lösun­gen von Fuji­tsu über­zeu­gen – ver­gli­chen mit einem regel­ba­sier­ten Sys­tem oder der manu­el­len Feh­ler­kon­trol­le – durch vie­le Vor­tei­le. So arbei­ten Ers­te­re wesent­lich prä­zi­ser als der Mensch. Dabei wird die gesam­te Ober­flä­che sehr genau und objek­tiv geprüft, sodass auch kleins­te Ris­se oder Uneben­hei­ten sicher gefun­den wer­den. Durch die Berech­nung der Wahr­schein­lich­keit kön­nen Expert*innen in Grenz­fäl­len die umstrit­te­nen Stel­len gezielt nach­kon­trol­lie­ren. Dabei lässt sich die Genau­ig­keit im Pro­zess kon­ti­nu­ier­lich wei­ter ver­bes­sern, wenn die Daten­bank im Hin­ter­grund ite­ra­tiv durch neue Bil­der erwei­tert und die neu­ro­na­len Net­ze nach­trai­niert wer­den. Zudem arbei­tet die KI-basier­te Defek­t­er­ken­nung deut­lich schnel­ler als mensch­li­che Kontrolleur*innen, was die Pro­duk­ti­ons­ra­te signi­fi­kant erhöht.

Im nächs­ten Schritt wer­den wir das KI-Modell in eine user-ori­en­tier­te Umge­bung über­füh­ren, um alle Anfor­de­run­gen aus dem indus­tri­el­len Pro­duk­ti­ons­pro­zess eins zu eins abzu­de­cken. Dabei wer­den die Expert*innen im Rah­men eines Design-Thin­king-Pro­zes­ses die Bedürf­nis­se aller Nut­zer­grup­pen und Stakeholder*innen ein­be­zie­hen. So lässt sich die intel­li­gen­te Inspek­ti­ons­lö­sung auf Basis ver­schie­de­ner Sicht­wei­sen kon­se­quent wei­ter­ent­wi­ckeln. Damit leis­ten wir von Fuji­tsu einen ent­schei­den­den Mehr­wert für die Pro­zess- und Qua­li­täts­si­che­rung in Fer­ti­gungs­un­ter­neh­men.

Schlagwörter: , , ,

Story Page