Herausforderungen der Datenanalyse

Machine Learning ist dafür prädestiniert, Daten automatisiert zu analysieren und wichtige Merkmale zu extrahieren. Um die relevantesten Merkmale zu erkennen, ist jedoch eine Vielfalt von Daten notwendig. Insbesondere tiefe neuronale Netzwerke profitieren von einer vielfältigen Datenbasis und erzielen beeindruckende Resultate. Bei zu wenig Daten schneiden sie jedoch unterdurchschnittlich ab.
Hierbei kann es hilfreich sein, eine Vorauswahl relevanter Merkmale vorzunehmen, um bessere Ergebnisse zu erzielen. Oftmals ist jedoch nicht bekannt, welche Merkmale relevant sind und welche keinen Einfluss auf die Klassifikationsgüte des Netzwerkes haben. Insbesondere Zeitreihen beinhalten eine Vielzahl von Merkmalen, deren Analyse zeitaufwändig ist und schnell unübersichtlich werden kann.

Automatisierte Merkmalsextraktion

Für die automatische Extraktion von Merkmalen gibt es eine Vielzahl von Toolboxen. Eine, die sich als vielversprechend für die Analyse von Zeitreihen herauskristallisiert hat, ist die Python Toolbox tsFresh[1]. Durch die Anwendung etablierter Algorithmen aus verschiedenen Bereichen kann so ein breites Spektrum an Merkmalen erfasst werden.

Relevanzanalyse von Merkmalen

Eine Vielzahl von Merkmalen ist nicht immer hilfreich, um eine gute Künstliche Intelligenz (KI) zu trainieren. Eine Vorauswahl der besten Merkmale kann daher zu einer Leistungssteigerung der KI führen.
Am Beispiel des FSSW wird das Drehmoment verwendet, um Schweißungen in i.O. und n.i.O. zu klassifizieren. Als Algorithmus bietet sich hierfür ein Random Forest an [2]. Ein Random Forest ist ein effektiver maschineller Lernalgorithmus, der viele Entscheidungsbäume umfasst. Jeder Baum wird auf einer zufälligen Stichprobe der Daten trainiert und lernt anhand der Merkmale, die Daten in i.O. und n.i.O. zu unterteilen.
Nach dem Training kann automatisiert analysiert werden, welche Merkmale für die Entscheidungsfindung relevant sind. In Abbildung 1 sind die Top-5 Merkmale für die Entscheidungsfindung aufgezeigt. Insbesondere die Prozessdauer als auch das maximale Drehmoment haben den größten Einfluss auf die Klassifikation.

Durch den zunehmenden Verschleiß des Werkzeuges mit zunehmender Anzahl der Schweißungen, lässt sich diese anhand der Daten bestätigen. In Abbildung 2 werden stichprobenartig Aufzeichnungen dargestellt. Hierbei ist deutlich zu erkennen, dass sowohl die Prozessdauer als auch das maximale Drehmoment kontinuierlich abnehmen.

Klassifikation der Scherzugfestigkeit

Durch die zuvor durchgeführte Analyse können die Schweißungen anhand von zwei Merkmalen sowohl in i.O. als auch n.i.O. unterteilt werden. Anhand der vorhandenen Daten konnte so ein Klassifikator trainiert werden, der eine Trennung des 2D-Merkmalsraums vornimmt. Dies ist in Abbildung 3 dargestellt.

Zukünftige Schweißungen können dadurch automatisiert analysiert werden.

Beitrag von: M. Sc. Dominik Walther

Quellen

[1]Christ, M., Braun, N., Neuffer, J., and Kempa-Liehr A.W. (2018). Time Series FeatuRe Extraction on basis of Scalable Hypothesis tests (tsfresh — A Python package). Neurocomputing 307, p. 72-77

[2] Breiman, Leo. „Random forests.“ Machine learning 45 (2001): 5-32.

Der Beitrag Automatisierte Merkmalsextraktion am Beispiel von Friction-Stir-Spot-Welding (FSSW) erschien zuerst auf ProKI-Ilmenau.

Warum ist Prozessoptimierung durch KI sinnvoll?

Die Optimierung von Fertigungsprozessen hat entscheidende Auswirkungen auf die Wettbewerbsfähigkeit und damit den langfristigen Erfolg von Unternehmen. Durch die Analyse von Fertigungsprozessen kann so erkannt werden, welche Faktoren zu bestimmen Fehlern im Prozess führen.

Die KI-basierte Prozessoptimierung bietet dabei mehrere Vorteile.

Effizientere Prozesse bedeuten weniger Ausschuss, geringeren Energieverbrauch und niedrigere Materialkosten. Weiterhin kann der Einsatz von KI dazu beitragen, Qualitätsstandards zu erhöhen und kontinuierlich aufrechtzuerhalten, indem Mängel und Fehler in der Produktion schneller erkannt und korrigiert werden. Durch Echtzeitüberwachung und -steuerung der Prozesse können Durchlauf- sowie Leerlaufzeiten verkürzt und Engpässe vermieden werden. Die Optimierung kann dabei ganz unterschiedlich angewandt werden. Zum einen können Prozessparameter angepasst werden, zum anderen ist es möglich aktiv in den Prozess einzugreifen, sollte ein Fehler erkannt werden.

Wie wird KI für Prozessoptimierung verwendet?

Die Anwendungsszenarien für die Prozessoptimierung sind vielseitig. Die im 2. und 3. Blogpost (automatisierte Inspektion und Vorhersage von Wartungsarbeiten) können bereits dazu beitragen, Prozesse in Unternehmen zu optimieren. Die Optimierung kann dabei ganz unterschiedlich ausfallen. Zum Beispiel durch die Identifikation wiederkehrender Fehler oder Reduzierung von wartungsbedingten Ausfallzeiten. Es bieten sich jedoch weitere Möglichkeiten, die Prozesse im Unternehmen zu optimieren:

1. Datenauswertung: Die gesammelten Daten eines Unternehmens können durch KI-Systeme zusammengefasst werden. Dies kann auf Muster hinweisen, die während der Produktion zu bestimmten Fehlern führen oder wiederkehrende Fehlerklassen aufzeigen. Dabei ist es auch möglich komplexe Zusammenhänge zu identifizieren, die durch einen menschlichen Betrachter eventuell übersehen werden.

2. Prozesssteuerung: KI kann zur Echtzeitsteuerung von Fertigungsprozessen eingesetzt werden. Dies ermöglicht die Anpassung von Parametern, um einen maximalen Durchsatz bei minimalem Ressourcenaufwand zu erzielen. Dies kann die Qualität von Produkten, aber auch die Lebenserwartung von Verschleißteilen an Maschinen erhöhen.

3. Robotik und Automatisierung: KI-basierte Roboter und Automatisierungssysteme können in der Fertigung eingesetzt werden, um Aufgaben zu automatisieren und die Produktionsgeschwindigkeit zu erhöhen. Dies bedeutet nicht zwangsläufig einen Werker zu ersetzen, sondern die KI kollaborativ in Zusammenarbeit mit einem Werker einzusetzen. Die KI kann unter anderem verwendet werden, um Bauteile oder Werkzeug zu reichen, die nächsten Arbeitsschritte anzuzeigen oder auf mögliche Fehler während eines Arbeitsschrittes hinweisen.

Die Integration von KI in die Prozessoptimierung birgt das Potential für effizientere und qualitativ hochwertigere Produktionen bei zeitgleich erheblichen Kosteneinsparungen. Die Art der Optimierung, kann dabei ganz unterschiedlich ausfallen.

In dieser Reihe von Blogposts sind wir auf unterschiedliche Einsatzmöglichkeiten von KI eingegangen. Dies stellt keinesfalls eine Vollständige Liste dar, sondern soll aufzeigen, dass die Aufgabenbereiche von KI weitreichender sind als oftmals angenommen. Ist einer dieser Teilbereiche für Sie als Unternehmen interessant oder haben Sie eventuell andere Ideen, wie KI bei Ihnen eingesetzt werden kann? Wir können Sie bei der Entwicklung und Integration solcher KI-Systeme unterstützen. Dabei spielt es keine Rolle, ob Sie bereits eine Zielstellung definiert haben oder lediglich wissen wollen, wo KI in Ihrem Unternehmen verwendet kann. Sprechen Sie uns direkt an!

Der Beitrag Künstliche Intelligenz in der Fertigungstechnik – Teil 4 – Prozessoptimierung erschien zuerst auf ProKI-Ilmenau.

In diesem Teil der Reihe werden wir die Anwendung von Deep Learning-Methoden für Predictive Maintenance in der Fertigungstechnik darstellen.

Warum ist Predictive Maintenance durch KI sinnvoll?

Traditionelle Ansätze wie präventive oder reaktive Wartung können teuer und ineffizient sein. Im Gegensatz dazu ermöglicht die Predictive Maintenance eine rechtzeitige Identifizierung von Maschinenproblemen, bevor sie auftreten, ohne eine Ausfallzeit für eine nicht notwendige Wartung nötig zu machen.

Durch das frühzeitige Erkennen von Problemen können Wartungsarbeiten gezielt geplant und Ausfallzeiten minimiert werden. Dadurch kann auch die Lebensdauer von Anlagen gesteigert werden. Wird ein fehlerhaftes Verhalten erkannt, kann der Betrieb von Maschinen frühzeitig unterbrochen werden, um weitere Schäden zu vermeiden.

Die effiziente Wartung senkt die Instandhaltungskosten, minimiert den Bedarf an teuren Ersatzteilen, verhindert eine unnötige Erhöhung des Ressourcenverbrauchs und verhindert teure Notfallreparaturen. Dadurch können Kosten im Unternehmen reduziert werden. Weiterhin kann der Einsatz von Predictive Maintenance die Produktivität und Sicherheit von Maschinen steigern.

Wie wird KI für Predictive Maintenance verwendet?

Predictive Maintenance wird zumeist durch KI-Systeme realisiert.
Hierfür bieten sich unterschiedliche Methoden an, um das Verhalten von Maschinen zu überwachen. Dies kann zum einen visuell und zum anderen durch die Auswertung zeitlicher Daten erfolgen.  Deshalb eigenen sich für diese Aufgabe zwei KI-Verfahren.

1. Convolutional Neural Networks (CNNs): Wie bereits im vorherigen Blogpost erwähnt, sind CNNs in der Lage, Bild- und Sensordaten zu analysieren. Sie eignen sich besonders gut zur Erkennung von Anomalien und Defekten in visuellen Daten. Dies kann nicht nur für die automatisierten Inspektion, sondern auch für die Vorhersage von Wartungsarbeiten verwendet werden. Verschleißteile an Maschinen können visuell überwacht werden. Sollte ein Verschleiß oder Defekt am Werkstück sichtbar sein, können diese Rechtzeitig ausgetauscht werden.

2. Recurrent Neural Networks (RNNs): Im Gegensatz zu CNNs sind RNNs besonders gut für die Analyse von Zeitreihendaten geeignet. Sie können Veränderungen im Betriebsverhalten von Maschinen über die Zeit erfassen und Abweichungen erkennen. Diese eignen sich, wenn die Daten einer Maschine über einen längeren Zeitraum analysiert werden müssen.

Predictive Maintenance zeigt viel Potential in der Fertigungstechnik. Durch KI können Unternehmen Ausfallzeiten minimieren, Kosten senken und die Produktivität steigern, was der Wirtschaftlichkeit des Produktionsprozesses zugutekommt. Darüber hinaus kann unnötiger Verschleiß und Leerlauf reduziert werden, womit KI im Unternehmen hilft die Nachhaltigkeit zu erhöhen.

Der Beitrag Künstliche Intelligenz in der Fertigungstechnik – Teil 3 – Predictive Maintenance erschien zuerst auf ProKI-Ilmenau.

In diesem Teil der Reihe werden wir uns auf die Anwendung von KI bei der automatisierten Inspektion von Bauteilen konzentrieren und auf weitere Möglichkeiten eingehen, wie Bauteile in der Fertigungstechnik automatisch inspiziert werden können.

Warum ist die Automatisierte Inspektion durch KI sinnvoll?

Die Vorteile gegenüber menschlichen Beobachtern ergeben sich hierbei insbesondere in der Echtzeitfähigkeit sowie der Skalierbarkeit. Moderne KI-Systeme können Bilder in Echtzeit verarbeiten, was für die Automatisierung von Fertigungslinien entscheidend ist.

Sie können für verschiedene Bauteile und Produktionsprozesse angepasst werden. So können auch Ultraschall-, Röntgen- oder Wärmebilder automatisiert ausgewertet werden. Dies ermöglicht unter anderem die Prüfung der inneren Struktur von Bauteilen, um versteckte Mängel zu erkennen oder um die Wärmeverteilung in Bauteilen zu erfassen. Die Entscheidung der KI kann hier auch unterstützend verwendet werden, um auf mögliche Fehler hinzuweisen. Ein menschlicher Beobachter kann im Anschluss entscheiden, ob tatsächlich ein Defekt am Bauteil vorliegt. Diese kollaborative Herangehensweisen kann in Unternehmen unterstützend eingesetzt werden, um hohe Qualitätsstandards zu erzielen.

Wie wird KI für die Automatisierte Inspektion verwendet?

Zu Beginn stellt sich immer die Frage: Welche Art von KI eignet sich für dieses Problem? Oftmals werden Bauteile durch unterschiedliche Kamerasysteme inspiziert. Dabei spielt es keine Rolle, ob die Bilder als Fotografie, Wärmebild oder Röntgenaufzeichnung vorliegen. Hierfür bietet sich besonders die Verwendung von Convolutional Neural Networks (CNNs) an.

CNNs sind eine spezielle Art von künstlichen neuronalen Netzen, die sich besonders gut für die Verarbeitung von Bildern eignen. Sie spielen für die Inspektion von Bauteilen eine entscheidende Rolle. CNNs arbeiten hierbei primär auf Bilddaten, aber auch jeder anderen Art von Daten, welche in der Form eines Bildes dargestellt werden können. Aus den Informationen an jedem Bildpunkt extrahieren CNNs hierbei die bedeutendsten Merkmale einer jeden Eingabe. Daraus kann die KI lernen, wie eine Aufnahme aussehen sollte und welche Merkmale auf einen Defekt hinweisen. CNNs können in der automatisierten Inspektion unterschiedliche Aufgaben übernehmen.

1. Bauteilidentifizierung: CNNs sind in der Lage, Bauteile in Bildern zu erkennen und zu klassifizieren. Dadurch können Produkte auf ihr Vollständigkeit automatisch überprüft werden. Sollte bei der Überprüfung auffallen, dass ein Bauteil nicht vorhanden ist, kann dieses nachträglich hinzugefügt werden.

2. Defekterkennung: CNNs können Defekte wie Risse, Kratzer oder ändere Schäden identifizieren. Dies erlaubt, dass fehlerhafte Bauteile aussortiert werden, wenn ein entsprechender Fehler erkannt wird.

Die Inspektion von Bauteilen in der Fertigungstechnik hat sich durch den Einsatz von KI erheblich verbessert werden. Die Fähigkeit, Qualitätsprobleme frühzeitig zu erkennen und Produktionsausfälle zu minimieren, trägt zur Steigerung der Effizienz und Wirtschaftlichkeit bei. In Kombination mit anderen Technologien bieten diese Ansätze eine umfassende Lösung zur Gewährleistung von Qualitätsstandards und Optimierung der Wirtschaftlichkeit in der Fertigung.

Der Beitrag Künstliche Intelligenz in der Fertigungstechnik – Teil 2 – Automatisierte Inspektion erschien zuerst auf ProKI-Ilmenau.

1. Automatisierte Inspektion

Zu den wohl bekanntesten Einsatzgebieten von KI zählt die automatisierte Inspektion von Bauteilen. KI-Systeme können durch Bilderkennung Produktionslinien in Echtzeit überwachen. Kamera-Systeme erfassen hochauflösende Bilder von Bauteilen, die dann von KI-Systemen analysiert werden. So ist eine Erkennung von feinen Unregelmäßigkeiten in Bauteilen möglich. Fehlerhafte Bauteile können dadurch frühzeitig in der Produktionslinie aussortiert werden, um hohe Kosten zu vermeiden.

2. Predictive Maintenance

Während sich die automatisierte Inspektion auf die Überwachung von Bauteilen fokussiert, dient die Predictive Maintenance (dt. Vorbeugende Wartung) der Überwachung von Fertigungsanlagen.

Durch die kontinuierliche Überwachung von Betriebsdaten können KI-Systeme vorhersagen, wann Wartungsarbeiten erforderlich sind. Durch den frühzeitigen Austausch von Verschleißteilen werden Ausfallzeiten von Maschinen und Verzögerungen im Produktionsprozess minimiert. Diese proaktive Herangehensweise reduziert den Ausschuss von Bauteilen und spart Zeit sowie Ressourcen.

3. Prozessoptimierung

Ein weiterer Vorteil von KI in der Fertigungstechnik ist die Fähigkeit zur Prozessoptimierung. Ein KI-System kann komplexe Datenströme analysieren und Muster während der gesamten Produktionslinie erkennen. Die KI lernt, welche Muster zu bestimmten Fehlern im späteren Produktionsprozess führen. Auf dieser Grundlage können Optimierungen und Anpassungen am Produktionsprozess vorgenommen werden, um die Qualität und Effizienz zu steigern.

KI kann die Qualitätssicherung entscheidend verändern. Sie ermöglicht eine effiziente Identifizierung von Qualitätsproblemen, reduziert Ausschuss und steigert die Produktionsqualität. Die hier aufgezeigten Beispiele decken nur einen kleinen Teil möglicher Anwendungsbeispiele ab, zählen aber zu den wichtigsten Bereichen der Qualitätssicherung. In den nachfolgenden Teilen der Reihe werden wir näher auf die einzelnen Anwendungsszenarien eingehen.

Der Beitrag Künstliche Intelligenz in der Fertigungstechnik – Teil 1 – Die Zukunft der Qualitätssicherung erschien zuerst auf ProKI-Ilmenau.