Alle Beiträge von Hendrik Leddin

Machine Learning unterstützt Qualitätskontrolle in der Fertigung

Made in Germany

Das Prädikat „Made in Germany“ steht nach wie vor für herausragende Produktqualität. Gerade diese Qualität ist einer der Faktoren, welche den Produktionsstandort Deutschland und seine Waren für viele Unternehmen unverzichtbar und an den globalen Märkten wettbewerbsfähig machen. Innovationen in der Fertigung spielen daher für deutsche Unternehmen eine wesentliche Rolle, damit die hier ansässigen Weltmarktführer ihre Marktstellungen weiterhin sichern können. „Deutschland gehört bei Innovationen und Produktion zu den weltweiten Spitzenstandorten. Damit das auch angesichts des zunehmenden internationalen Wettbewerbs so bleibt, investiert die Bundesregierung massiv in Forschung und Entwicklung“, beschreibt Prof. Dr. Johanna Wanka, Bundesministerin für Bildung und Forschung, die Situation im Bericht „Made in Germany – das steckt dahinter“ des BMBF [1].

Einsatz traditioneller Werkzeuge zur Qualitätskontrolle

Um den hohen Qualitätsansprüchen der internationalen Märkte gerecht zu werden, lassen sich an verschiedenen Stufen eines Produktionsprozesses Verfahren und Technologien anwenden, welche eine stabile und fehlerfreie Fertigung gewährleisten. Insbesondere in Deutschland hat sich die Philosophie etabliert, Qualität nicht nur abschließend zu prüfen, sondern bereits während der Fertigung sicherzustellen. So lassen sich beispielsweise mit Qualitätsregelkarten, häufig auch als Statistical Process Control bezeichnet (SPC), einzelne Prozessparameter oder Qualitätskriterien überwachen, um Abweichungen sichtbar zu machen. Qualitätsregelkarten sind in Deutschland bereits stark etabliert und unterstützen an verschiedenen Stellen die Produktion.

Der zunehmende Einfluss neuer Technologien wie Internet der Dinge spielt hier eine besondere Rolle. Die Digitalisierung der Produktion erlaubt durch Sensorik und Datenverarbeitung eine sehr detaillierte Überwachung des gesamten Fertigungsprozesses und erweitert das Spektrum an verfügbaren Daten enorm. Die Möglichkeit, unzählige Informationspunkte im Fertigungsprozess zu erkennen, ist für viele Unternehmen jedoch ein zweischneidiges Schwert. Zum einen können einzelne Parameter detaillierter als jemals zuvor überwacht werden, um ihre Auswirkung auf Qualitätskriterien zu analysieren. Zum anderen bedeutet die Informationsflut auch eine höhere Belastung für die Mitarbeiter. Stehen die Daten von hunderten oder gar tausenden Prozessparametern zur Verfügung, fällt die Beurteilung und die Herleitung der notwendigen Maßnahmen zunehmend schwerer. An dieser Stelle kann Machine Learning den Unternehmen helfen und Abhilfe schaffen.

Machine Learning basiert auf algorithmischen Verfahren, welche Muster und Trends in komplexen Datenstrukturen erkennen. Durch das Auswerten historischer Daten vergangener Produktionsdurchläufe lassen sich somit Rückschlüsse auf den Einfluss einzelner oder kombinierter Prozessparameter auf die Qualität ziehen. Komplexe Wechselwirkungen innerhalb der Fertigung werden somit sichtbar. Wird im laufenden Betrieb der Prozess mit Hilfe dieser erlernten Strukturen kontinuierlich überwacht, können Problemfelder früher erkannt und präventiv verhindert werden. Machine Learning erweitert somit die Möglichkeiten traditioneller Werkzeuge wie Qualitätsregelkarten, deckt neue Zusammenhänge in Prozessen auf und unterstützt Mitarbeiter bei der Priorisierung von Problemfeldern.

Automatisierung durch visuelle Prüfverfahren

Neben einer ständigen Prozessüberwachung ist auch die finale Produktqualität zu prüfen. Denn dies ist die Qualität, welche ein Kunde tatsächlich später erhält. Abhängig von Kundenanforderungen kann ein Unternehmen die Qualität auf Basis von Stichproben bewerten oder eine sogenannte Vollprüfung durchführen. Häufig hängt diese Entscheidung mit der Kritikalität des Produkts zusammen, wie etwa bei Schaltplatinen für Airbags, welche sehr hohen Qualitätsansprüchen unterliegen.

Diese finale Qualitätskontrolle kann etwa durch eine direkte oder indirekte Sichtprüfung erfolgen. Das bedeutet, dass mittels einer optischen Kontrolle, etwa die Betrachtung einer Prüffläche mit dem bloßen Auge oder durch eine Kamera, die Qualitätskriterien bewertet werden. In vielen Produktionen wird heutzutage eine automatische optische Inspektion mit moderner Kameratechnik durchgeführt. Dabei wird jedes Qualitätskriterium hochauflösend erfasst und computergestützt mit einer Bauteilebibliothek verglichen.

Jedoch bringen diese Verfahren auch Nachteile mit sich. Das Einrichten solcher Qualitätskontrollen ist ein langwieriger Prozess. In der Bauteilebibliothek müssen die möglichen Fehlerbilder in Form von Regeln durch Spezialisten manuell hinterlegt werden. Je nach Anzahl bekannter Fehlerbilder und deren Komplexität ist dies aufwändig und kann mehrere Wochen in Anspruch nehmen. Auch können so nur bekannte Fehlerbilder identifiziert werden. Sollen später neue Fehlerbilder der Bauteilebibliothek hinzugefügt werden oder es wird ein gänzlich neues Bauteil gefertigt, so zieht dies wieder eine wochenlange Anpassung des Systems nach sich.

Höhere Genauigkeit und Flexibilität durch Deep Learning

Auch hier verspricht der Einsatz von Machine Learning eine deutliche Verbesserung. Mittels spezialisierter Algorithmen, welche dem sogenannten Deep Learning zugeordnet werden, lassen sich die Vorteile des maschinellen Lernens für die automatische optische Inspektion nutzen.

Hochauflösende Bilder von Bauteilen sind eine Form von unstrukturierten Daten. Diese können ähnlich wie Messwerte aus dem Prozess nach Mustern analysiert werden. Deep Learning Verfahren, wie beispielsweise Convolutional Neural Networks, erkennen dann Strukturen und Auffälligkeiten in den Bildern und klassifizieren diese nach bekannten und unbekannten Fehlerbildern. Um ein solches Verfahren einsetzen zu können, ist zu Beginn ein Training des Systems notwendig. Im Unterschied zu traditionellen Inspektionstechnologien erfolgt das Training nicht durch manuelles Programmieren von expliziten Regeln. Deep Learning Algorithmen werden mit vorhandenen Bildern angelernt. Sind die abgebildeten Bauteile bereits als in Ordnung (iO) oder nicht in Ordnung (niO) eingestuft, versteht der Algorithmus diese Strukturen und kann sie auf neue Bilder anwenden. Das initiale Training benötigt somit nur wenige Tage und kann flexibel durch neue Trainingsbilder angepasst oder erweitert werden. So erhält man ein lernendes System, welches mit der Zeit seine Genauigkeit steigert.

Zusammenfassung

Qualität ist ein wesentliches Merkmal deutscher Produktion. Um diese weiterhin zu gewährleisten sind Innovationen auf Basis neuer Technologien notwendig. Das Internet der Dinge und Machine Learning versprechen ein hohes Potenzial bestehende Produktionsprozesse zu unterstützen. Sei es im eigentlichen Prozess oder bei der abschließenden Qualitätskontrolle – das Erheben und Auswerten von Daten wird zur wesentlichen Säule der Fertigung. Verfahren aus dem Umfeld des Deep Learning helfen Unternehmen dabei auch komplexere Prüfprozesse zu verbessern.

[1] Made in Germany – das steckt dahinter, Bundesministerium für Bildung und Forschung, April 2016, https://www.bmbf.de/pub/Made_in_Germany.pdf

Intelligente Produkte durch IoT

Es wird kaum noch ein Produkt angekündigt oder der Öffentlichkeit präsentiert, welches nicht das Prädikat „Smart“ oder „Intelligent“ trägt. Durch die zunehmende Digitalisierung werden von Haushaltsgeräten, über medizinische Geräte bis hin zu industriellen Anlagen verschiedenste Bereiche mit Kommunikationstechnologie ausgestattet. Unter der Bezeichnung Internet-of-Things, kurz IoT, lassen sich diese Ansätze bündeln. Dabei bezieht sich das Werteversprechen von intelligenten Geräten häufig auf drei Anwendungsgebiete.

Digitalisierte Produkte ermöglichen innovative Geschäftsmodelle

In verschiedenen Industrien kann beobachtet werden, welchen Einfluss IoT auf Produktstrategien ausübt. Unternehmen, welche bis vor kurzem noch vom Produktverkauf lebten, wechseln verstärkt auf Dienstleistungen und as-a-Service-Modelle. Somit erwirbt ein Kunde nicht mehr das Produkt selbst, sondern hat die Möglichkeit, eine Leistung bedarfsgerecht in Anspruch zu nehmen.

In der Luftfahrt ist dies bereits gängige Praxis. Statt Flugzeugturbinen werden dort schon längst Flugstunden verkauft. Ähnliche Modelle finden sich nun auch bei Herstellern von Kompressoren, welche Druckluft verkaufen oder bei Schweißrobotern, welche nach geleisteten Schweißpunkten abgerechnet werden.

Verbesserung der Gerätenutzung und des Ressourceneinsatzes

Insbesondere im industriellen Bereich, wo kapitalintensive Anlagen und Maschinen betrieben werden, spielt die Prozessoptimierung auf Basis der tatsächlichen Nutzung eine wesentliche Rolle. Predictive Maintenance ist dabei einer der hauptsächlichen Anwendungsfälle, welcher durch IoT ermöglicht wird. Dabei werden durch die Auswertung des Nutzungsverhaltens mittels maschinellen Lernens aufkommende Störungen früher erkannt. Mit diesen Einsichten können aus teuren ungeplanten Stillständen geplante Stillstände gemacht werden. Die schlussendlichen Effekte sind die Einsparung von Kosten und das Vermeiden von Produktionsausfällen.

So arbeiten die Unternehmen Schaeffler und IBM zusammen, um die weltweiten Produktionsstandorte von Schaeffler zu optimieren. Beispielsweise soll das Verhalten von Werkzeugmaschinen überwacht werden, um ungeplante Ausfälle im Fertigungsprozess vorherzusagen und rechtzeitig durch Instandhaltungsmaßnahmen zu verhindern. Das Ziel ist dabei die Steigerung der Gesamtanlageneffektivität (GAE/OEE).

Individuelle Kundenerlebnisse

Das dritte Werteversprechen, mit dem Fokus auf das Business-to-Consumer Umfeld, ist die Schaffung von individuellen Kundenerlebnissen. Möglich wird dies durch die direkte Verbindung zum Endkunden über IoT-fähige Produkte. Durch kontinuierliches Feedback der Kunden können personalisierte Empfehlungen zur Produktnutzung ausgesprochen und komplementäre Dienstleistungen angeboten werden. Dabei steht die Verbesserung der Kundenzufriedenheit im Mittelpunkt.

Anforderungen an eine IoT-Plattform

Im Kern der drei Ansätze geht es um das Verbinden eines Gerätes oder einer Anlage mit einer zentralen IoT-Plattform. Dabei ist die Grundlage die sichere Datenübertragung, welche über bestimmte Protokolle und Mechanismen gewährleistet werden kann. Eine weitere Anforderung ist das Speichern und Archivieren von großen Datenmengen. Je nach Gerät und Anwendungsfall kann das tägliche Datenvolumen pro Gerät mehrere Gigabyte betragen. Kostengünstige und skalierbare Speichertechnologien sind daher ein Muss für eine IoT-Plattform. Zusätzlich spielt die Analyse der Daten eine große Rolle. Verfahren aus der Statistik, dem maschinellen Lernen und der künstlichen Intelligenz helfen, bisher unbekannte Muster und Trends zu identifizieren, was wiederum die Voraussetzung für Predictive Maintenance ist.

Die Erweiterbarkeit durch zusätzliche Funktionen – wie etwa kognitive Dienste – ist ebenfalls ein entscheidendes Kriterium. Dadurch lassen sich bereits heute schon selbstlernende Applikationen aufbauen, welche mittels natürlicher Sprache interagieren können. Die folgende Darstellung führt die Funktionen einer modernen IoT-Plattform am Beispiel von IBM IoT for Connected Products auf.

Der Weg für IoT führt häufig in die Cloud

Durch die vielfältigen funktionalen Anforderungen, weitreichende und flexible Konnektivität, Speichern und Auswerten großer Datenmengen, sowie die nicht-funktionalen Anforderungen, wie etwa Skalierbarkeit, Sicherheitsmechanismen und Erweiterbarkeit, bietet die Cloud ein ideales Zuhause für IoT-Plattformen.

Insbesondere Software-as-a-Service, kurz SaaS, ist ein für IoT-Plattformen geeignetes Konzept. Neben der reduzierten technischen Komplexität zählen auch die niedrigen Anfangskosten zu den Vorteilen von SaaS-Lösungen. So muss man nicht im Voraus viel in neue Hard- und Software investieren. Es kann pragmatisch ein IoT-Ansatz ausprobiert und bei entsprechendem Erfolg erweitert werden. Dadurch wird ein gesundes Wachstum mit der Wertschöpfung einer IoT-Plattform erzielt.