Bessere Produkte dank Künstlicher Intelligenz

[vc_row][vc_column][vc_custom_heading text=“Bessere Produkte dank Künstlicher Intelligenz“ font_container=“tag:h2|font_size:38|text_align:left|color:%23e30613″ use_theme_fonts=“yes“ css=“.vc_custom_1575532835479{margin-top: -25px !important;}“][vc_custom_heading text=“Wie maschinelles Lernen die Qualität voraussagen kann“ font_container=“tag:h2|font_size:22|text_align:left|color:%23f07d00″ use_theme_fonts=“yes“ css=“.vc_custom_1575532858670{padding-bottom: 10px !important;}“][vc_column_text]Tizian Schneider, Andreas Schütze, Steffen Klein, Lehrstuhl für Messtechnik, Universität des Saarlandes; Arbeitsgruppe Mess-technik, Zentrum für Mechatronik und Automatisierungstechnik[/vc_column_text][vc_custom_heading text=“Kurz und bündig:“ font_container=“tag:h3|font_size:17|text_align:left|color:%23ffffff“ use_theme_fonts=“yes“ css=“.vc_custom_1519747666609{padding-left: 15px !important;background-color: #f07d00 !important;}“][vc_column_text css=“.vc_custom_1575532953197{border-top-width: 1px !important;border-right-width: 1px !important;border-bottom-width: 1px !important;border-left-width: 1px !important;padding-top: 10px !important;padding-right: 10px !important;padding-bottom: 10px !important;padding-left: 10px !important;background-color: #eaeaea !important;border-left-color: #aaaaaa !important;border-left-style: solid !important;border-right-color: #aaaaaa !important;border-right-style: solid !important;border-top-color: #aaaaaa !important;border-top-style: solid !important;border-bottom-color: #aaaaaa !important;border-bottom-style: solid !important;border-radius: 1px !important;}“]In heutigen Produktions- und Montagelini-en werden bereits eine Vielzahl an Prozess- und Prüfdaten aufgezeichnet. Um das große Potential der erfassten Daten auszu-schöpfen, können Methoden des maschi-nellen Lernens eingesetzt werden, um die in den Daten enthaltenden Informationen in Modellen zu konzentrieren. Im Rahmen des Forschungsprojektes MessMo wird dazu eine Kombination von überwachten und unüberwachten Lernverfahren zur Optimierung von modernen Montagelinien im Hinblick auf Qualitätsvorhersage, Prozessoptimierung und Condition Monito-ring eingesetzt.[/vc_column_text][/vc_column][/vc_row][vc_row css=“.vc_custom_1519752670572{margin-top: -10px !important;}“][vc_column][vc_column_text]Zustandsorientierte Instandhaltungsstrategien sowie eine kontinuierliche Überwachung der Produktqualität gehören zu den zentralen Versprechen der Industrie 4.0 und dem industriellen Internet der Dinge (IIoT). Diese Versprechen können mittels Methoden des maschinellen Lernens als Teilaspekt der künstlichen Intelligenz realisiert werden. [/vc_column_text][ult_dualbutton btn_hover_style=“Style 2″ btn_border_style=“solid“ btn_color_border=“#ffffff“ btn_border_size=“2″ btn_alignment=“left“ dual_resp=“off“ button1_text=“Einzelheft kaufen“ icon_link=“url:https%3A%2F%2Fwww.aws-institut.de%2Fim-io%2Fproduct%2Fqualitaet-4-0%2F|title:Qualit%C3%A4t%204.0||“ btn1_background_color=“#f07d00″ btn1_bghovercolor=“#e30613″ icon=“Defaults-book“ icon_size=“22″ icon_color=“#ffffff“ icon_hover_color=“#f07d00″ button2_text=“Jetzt abonnieren“ btn_icon_link=“url:https%3A%2F%2Fwww.aws-institut.de%2Fim-io%2Fabo%2F|title:Abo||“ btn2_background_color=“#f07d00″ btn2_bghovercolor=“#e30613″ btn_icon=“Defaults-chevron-right“ btn_icon_size=“22″ btn_icon_color=“#ffffff“ btn_iconhover_color=“#f07d00″ divider_text=“oder“ divider_text_color=“#f07d00″ divider_bg_color=“#ffffff“ btn1_text_color=“#ffffff“ btn1_text_hovercolor=“#ffffff“ btn2_text_color=“#ffffff“ btn2_text_hovercolor=“#ffffff“ title_font_size=“desktop:20px;“ btn_border_radius=“3″ title_line_ht=“desktop:22px;“ btn_width=“280″][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]Um den Einsatz moderner Methoden in der Industrie zu ermöglichen und voran zu treiben, werden mehr und mehr Daten in den Prozessen moderner Produktions- und Montagelinien erfasst. Die dazu benötigten zentralen Datenablage- und Verarbeitungssysteme befinden sich jedoch zum Großteil noch im Auf bau. Durch die resultierende Heterogenität der Datenquellen stellt die Integration und Kombination von Prozessdaten häufig noch eine große Herausforderung dar [1]. Eine prozessübergreifende Kombination von Daten und Produkt beispielsweise anhand eines einzigartigen Product Keys ist in großen Teilen heutiger Produktions- und Montagelinien bis jetzt nur bedingt möglich [1]. Dies erschwert prozess- beziehungsweise stationsübergreifende Analysen mit deren Hilfe Ursache-Wirkungs-Beziehungen über die gesamte Linie hergeleitet und dadurch Prozessoptimierungen oder zusätzliche Qualitätskontrollen durchgeführt werden können. Des Weiteren sind je nach Automatisierungsgrad der betrachteten Produktionslinie beispielsweise manuelle Montageprozesse vorhanden, in denen keine oder nur sehr spärlich Daten erfasst werden, wodurch aus Datensicht sogenannte „Blind Spots“ entstehen [2]. In diesem Fall müssen rein datengetriebene Verfahren durch Methoden der klassischen Modellbildung erweitert und existierende Lücken durch Expertenwissen über die Anlage oder physikalische Modelle geschlossen werden [3].[/vc_column_text][vc_custom_heading text=“Maschinelles Lernen in industriellen Prozessen“ font_container=“tag:h3|text_align:left“][vc_column_text]Aufgrund der ständig steigenden Komplexität der Industrie 4.0 werden immer häufiger datengetriebene Methoden eingesetzt, um den Aufwand für eine klassische, physikalische Modellbildung zu reduzieren und so die benö-tigte Produktqualität mit geringen Kosten zu gewährleisten [4]. Das Eingreifen in einen Prozess auf Basis der Vorhersage eines datenge-triebenen Modells bedingt jedoch eine Nach-vollziehbarkeit des hergeleiteten Modells und ein sich daraus ergebendes Vertrauen des zuständigen Personals. Gerade bei aktuell viel-diskutierten Methoden wie beispielsweise dem Deep Learning handelt es sich jedoch um Blackbox-Verfahren, die nur sehr begrenzt Einblick in den Entscheidungsprozess des Modells gestatten.In diesem Zusammenhang wurde ein vollautomatisierter Methodenbaukasten zum überwachten maschinellen Lernen entwickelt, dessen Leistungsfähigkeit anhand der Schadensdetektion an hydraulischen Aggregaten oder der Bestimmung verbleibender Abnutzungsvorräte elektromechanischer Zylinder demonstriert wurde [5]. Im Gegensatz zu Blackbox-Ansätzen bleibt bei diesem Methodenbaukasten die Möglichkeit zur physikalischen Plausibilisierung des Modells bestehen. Dazu werden zunächst in vorgelagerten Schritten mittels Merkmalsextraktion und -selektion nachvollziehbare und relevante Signalcharakteristiken bestimmt. Es wurde gezeigt, dass danach die gesuchte Information konzentriert in diesen Charakteristiken enthalten ist, weshalb für die anschließende Mustererkennung und Modellbildung inhärent erklärbare, lineare Verfahren verwendet wer-den können [5]. Das grundsätzliche Vorgehen für das überwachte maschinelle Lernen ist in Abbildung 1 noch einmal zur Verdeutlichung dargestellt.Bei der Anwendung überwachter Lernverfahren in realen industriellen Anwendungen ergibt sich jedoch häufig das Problem, dass keine voll-ständige Datenbasis mit gesuchten Maschinenzuständen oder Fehlermechanismen vorhanden ist. Dadurch bleibt der Ansatz auf die Detektion einiger weniger bekannter Systemzustände beschränkt, was für eine umfassende Zustandsbewertung beziehungsweise der Qualitätskontrolle unzureichend ist.Ausgehend von diesem Problem wird eine erweiterte Analyse auf Basis der Produktionsdaten makelloser Produkte vorgeschlagen. Sind solche Daten verfügbar, können unüberwachte Methoden wie beispielsweise die Anomaliedetektion (engl.: Novelty Detection) eingesetzt werden, um im überwachten Modell nicht vorgesehene Zustände beziehungsweise unbekannte Produktfehler zu detektieren. Nach Identifikation der Ursache, zum Beispiel durch entsprechend qualifiziertes Wartungspersonal, können diese dann nach und nach in das überwachte Modell integriert und beim nächsten Auftreten des entsprechenden Datenmusters direkt zugeordnet werden. Zudem kann eine Visualisierung der Daten sowie eine Identifikation der dominantesten Einflussgrößen auf den Prozess erfolgen. Bei der Anwendung der Novelty Detection wird ein Modell des Normalzustandes auf Basis von Trainingsdaten gebildet und neue Daten anhand eines Novelty Scores bewertet. Hierfür definieren die Algorithmen einen Normalzustand mit Hilfe charakteristischer Muster in Sensordaten und setzen einen Schwellwert, um zwischen Normalzustand und Anomalie zu unterscheiden. Die Anwendungsmöglichkeiten der Novelty Detection in Kombination mit überwachten Lernverfahren sind in Abbildung 1 dargestellt.[/vc_column_text][vc_single_image image=“15285″ img_size=“large“ add_caption=“yes“ alignment=“center“][vc_custom_heading text=“Ziele und Vorgehen im Projekt messtechnisch gestützte Montage“ font_container=“tag:h3|text_align:left“][vc_column_text]Im Rahmen des Projektes MessMo (Messtechnisch gestützte Montage) wird von den Lehrstühlen für Messtechnik und für Montagesysteme der Universität des Saarlandes erforscht, inwiefern Methoden des maschinellen Lernens zur Analyse von komplexen, industriellen Montageprozessen eingesetzt werden können.Die Validierung der verwendeten Methoden erfolgt anhand von drei unterschiedlich stark automatisierten Montagelinien für pneumatische Zylinder, Stromregelventile bzw. Magnetventile. Diese bestehen neben diversen Montagestationen, bei denen Prozessdaten auf-gezeichnet werden, aus Prüfstationen, die eine hundertprozentige Endprüfung durch eine Schwellwertüberwachung durchführen. Die Analyse dieser Daten erfolgt mittels des in [5] vorgestellten Methodenbaukastens zum automatisierten maschinellen Lernen in Kombination mit verschiedenen Methoden zur Novelty Detection. Sämtliche verwendeten Algorithmen sind Bestandteil der auf MATLAB basierenden Open Source Toolbox DAV³E (Data Analysis, Visualization, Verification and Validation Environment) mit grafischer Nutzeroberfläche [6].[/vc_column_text][vc_custom_heading text=“Unüberwachtes maschinelles Lernen in MessMo“ font_container=“tag:h3|text_align:left“][vc_column_text]Für die Novelty Detection werden verschiedene komplementäre Methoden verwendet, wobei jeweils mit einfach verständlichen Regeln die beste Methode für den betrachteten Use Case ausgewählt wird [7]. Bei den verwendeten Methoden handelt es sich dabei um K Nearest Neighbors (KNN) [8], Gausian Mixture Models [9], One Class Support Vector Machines [10] und Autoencoder [11]. Diese können neben der Zustandsüberwachung und Qualitätskontrolle ebenfalls für die Detektion von Sensorfehlern eingesetzt werden [7]. Für eine erste verein-fachte Visualisierung der Daten kann die Hauptkomponentenanalyse (engl. Principal Component Analysis, PCA) [12], eingesetzt werden. Diese liefert die nach Relevanz geordneten, dominantesten Einflüsse die Qualitätsmerkmale der Produkte beeinflussen, wobei durch die Linearität der PCA eine physikalische Interpretierbarkeit der Visualisierung gegeben ist.In Abbildung 3 ist das Ergebnis der Novelty Detection anhand von Prozessdaten einer Montagelinie für Stromregelventile in Form eines Progression-Plots dargestellt. Im Progression-Plot sind dabei die mittels KNN vorhergesagten Novelty Scores der einzelnen produzierten Ventile dargestellt. Neben den von der Prüfstation als NIO (nicht in Ordnung) gelabelten Ventile werden hier von der Novelty Detection weitere Ventile als Anomalie erkannt. In Bezug auf die gestellten Forschungsfragen könnte dies darauf hindeuten, dass es fehlerhafte oder zumindest vom Sollzustand abweichende Ventile gibt, welche nicht durch die einfachen Schwellwertverfahren der Prüfstationen erkannt werden. Diese Informationen können dazu genutzt werden, fehlerhafte Produkte bereits frühzeitig auszuschleusen, um somit Kosten zu senken und Produktionskapazitäten zu erhöhen.[/vc_column_text][vc_single_image image=“15286″ img_size=“large“ add_caption=“yes“ alignment=“center“][vc_custom_heading text=“Überwachtes maschinelles Lernen in MessMo“ font_container=“tag:h3|text_align:left“][vc_column_text]Im Rahmen einer Qualitätskontrolle kann der in [5] vorgestellte Methodenbaukasten zum überwachten maschinellen Lernen für eine Analyse möglicher Korrelationen von Produkt- und Prüfdaten in Produktions- und Montagelinien eingesetzt werden. In einer ersten Untersuchung wurde dazu ein Modell aus den Prozessdaten einer Montagelinie für Magnetventile gebildet. Ziel der Mustererkennung war dabei, das Ergebnis der Endprüfung (IO – in Ordnung – oder NIO) anhand von Prozessdaten aus der Linie vorherzusagen. Das Resultat der Modellbildung ist in Abbildung 1 anhand der ersten Diskriminanzfunktion dargestellt [5]. Hier ist zwar keine direkte Korrelation zwischen dem Wert der ersten Diskriminanzfunktion und dem Zustand des betrachteten Ventils erkennbar, jedoch nimmt die erste Dis-kriminanzfunktion in den Bereichen mit signifikant erhöhten Ausschussraten deutlich niedrigere Werte an. Dies deutet auf eine Korrelation der Produktqualität mit kritischen Prozesssituationen hin. Da bei den verwendeten Methoden die Möglichkeit zur physikalischen Interpretation und Nachverfolgbarkeit der für die Modellbildung verwendeten Merkmale gegeben ist, kann eine Identifikation der zu erhöhten Ausschussraten führenden Prozessdaten und dadurch der dahinterstehenden, physikalischen Effekte erfolgen. Eine frühe Identifikation solcher Effekte könnte genutzt werden, um Prozessparameter anzupassen, bevor größere Mengen von NIO-Teilen produziert wer-den, wodurch eine schrittweise Optimierung der Prozesse möglich wird.[/vc_column_text][vc_single_image image=“15287″ img_size=“large“ add_caption=“yes“ alignment=“center“][vc_custom_heading text=“Zusammenfassung und Ausblick“ font_container=“tag:h3|text_align:left“][vc_column_text]Die stetig wachsenden Möglichkeiten beim Erfassen, Speichern und Verarbeiten von Daten ermöglichen die Herleitung von Ursache-Wirkungs-Beziehungen auch in hoch-komplexen industriellen Anlagen. Transparente, inhärent nachvollziehbare Methoden des maschinellen Lernens stellen dabei viel-versprechende Werkzeuge dar, durch die weiterführende Informationen aus erfassten Prozessdaten gewonnen werden können. Die verwendeten Methoden sind dabei automatisiert ohne Expertenwissen oder detailliertes physikalisches Modell des Prozesses anwendbar, wodurch eine flexible Anpassung an verschiedene Use Cases insbesondere auch für KMU ermöglicht wird. Neben den hier gezeigten ersten Ergebnissen im Bereich der Prozessüberwachung und Qualitätsvorhersage gelten die Anwendung maschineller Lernverfahren vor allem im Bereich der Zustandsbewertung von Betriebsmitteln als vielversprechend. In weiterführenden Untersuchungen werden dazu die Prozessdaten der Montagelinien auf Korrelationen mit Metadaten der Anlagen wie beispielsweise Stillstandszeiten und Wartungspläne untersucht. Durch eine Zustands- und Qualitätsbewertung auf Basis der Prozessdaten ohne zusätzliche Sensoren werden keine zusätzlichen Fehlerquellen in das System eingebracht, wodurch die Anlagenverfügbarkeit in erster Linie konstant bleibt.[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][ult_createlink title=“Zu den Literaturangaben“ btn_link=“url:https%3A%2F%2Fwww.aws-institut.de%2Fim-io%2Fausgabe-2019-4-307%2F|title:Ausgabe%202019-4-307||“][/vc_column][/vc_row]