Bessere Produkte dank Künstlicher Intelligenz
Wie maschinelles Lernen die Qualität voraussagen kann
Tizian Schneider, Andreas Schütze, Steffen Klein, Lehrstuhl für Messtechnik, Universität des Saarlandes; Arbeitsgruppe Mess-technik, Zentrum für Mechatronik und Automatisierungstechnik
Kurz und bündig:
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.
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.
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