Fehler präziser und schneller erkennen_HEADER 1

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.



Sie möchten schon gehen?

Abonnieren Sie vorher noch schnell unseren Newsletter – so verpassen Sie keinen neuen Beitrag.