Suchen

Automatisierte Qualitätskontrolle mit künstlicher Intelligenz

| Autor / Redakteur: Damian Heimel / Simone Käfer

Der deutsche Mittelstand setzt auf Qualität. Entsprechend hoch ist der Anspruch an die Kontrollen in den Firmen – ihr Automatisierungsgrad ist allerdings erstaunlich niedrig. Künstliche Intelligenz in der Qualitätskontrolle könnte dies ändern – und den Durchsatz erhöhen.

Firmen zum Thema

Anfällig: Manuelle Qualitätskontrollen bergen Fehlerpotenzial, sind zeitaufwändig und ein Kostenfaktor.
Anfällig: Manuelle Qualitätskontrollen bergen Fehlerpotenzial, sind zeitaufwändig und ein Kostenfaktor.
(Bild: Paul Laragy)
  • Manuelle Qualitätskontrollen sind kosten- und fehleranfällig.
  • Mit maschinellem Lernen kann eine hohe Variabilität von Defekten abgebildet und die Bewertung der Fehler standardisiert werden.
  • Zeitersparnis und wesentlich weniger Pseudofehler sind die größten Vorteile.

Der Anspruch von Unternehmen, mit qualitativ hochwertigen Produkte wettbewerbsfähig zu bleiben, könnte am Automatisierungsgrad ihrer Qualitätskontrollen am Ende der Produktionslinien scheitern. Denn dort wird nach wie vor überwiegend manuell gearbeitet. Zwar existieren Automatisierungslösungen wie Bildverarbeitung (Machine Vision), der hohe Programmieraufwand schmälert die Wirtschaftlichkeit entsprechender Systeme jedoch deutlich. Darüber hinaus eignet sich der Ansatz nicht für jedes Szenario.

Während Fachkräftemangel, steigende Ansprüche an Qualität und Präzision bei steigender Variantenvielfalt von Bauteilen sowie Kostendruck das gesamte Unternehmen bestimmen, erscheinen manuelle Qualitätskontrollen als denkbar schlechte Methode. Denn sie sind nicht nur zeitaufwendig und kostenintensiv, sondern auch fehleranfällig. Dies liegt schlicht daran, dass die Prüfgenauigkeit von Faktoren wie der Qualifikation, der Tagesform und der Motivation des Mitarbeiters abhängt.

Bildergalerie
Bildergalerie mit 5 Bildern

Ebenso nehmen äußere Rahmenbedingungen wie Lichtverhältnisse Einfluss auf die Ergebnisse. Aus all diesen Gründen liegt es nahe, die Prozesse der Qualitätskontrolle möglichst vollständig zu automatisieren. Hier kann sich künstliche Intelligenz in Form von maschinellem Lernen lohnen. In Kombination mit der passenden Hardware sind entsprechende Modelle in der Lage, fehlerhafte Produkte schnell, effizient und äußerst präzise zu identifizieren.

Grenzen klassischer Bildverarbeitung

Bildverarbeitungssysteme werden schon seit einiger Zeit verwendet, um die Prüfung zu automatisieren. Diese Systeme bestehen im Wesentlichen aus Kameras und entsprechender Bildverarbeitungssoftware. So gut dieser Ansatz für das Messen von exakten Abständen oder der Prüfung auf Vollständigkeit ist, hat er auch Schwächen. Zunächst verursacht er einen hohen Programmieraufwand, weil für jeden möglichen Defekt auf einem Bauteil eine exakte Regel definiert werden muss.

Besonders bei variablen Defekten auf der Oberfläche von Bauteilen, wie Kratzern oder Rissen, kommen die klassischen Bildverarbeitungssysteme an ihre Grenzen, weil es schwer ist, für jede Ausprägung und Position eines Defekts eine Regel zu definieren. Dies ist auch der Grund dafür, dass Machine-Vision-Systeme bei Oberflächendefekten eine hohe Pseudofehlerrate aufweisen. Daraus resultiert wiederum ein zu hoher Ausschuss, was die gesamte Wirtschaftlichkeit der Systeme infrage stellt.

Hohe Variabilität von Defekten abbilden

Machine Learning (ML, maschinelles Lernen) ist eine Teildisziplin der künstlichen Intelligenz und ermöglicht es Computern, anhand von Beispielbildern zu lernen. Indem man beispielsweise der ML-Software Bilder von Defekten auf Bauteilen in verschiedener Ausprägung und an verschiedenen Positionen zeigt und kann sie die Defekte generalisieren und an noch nicht gesehenen Bauteilen erkennen. Dadurch lässt sich eine hohe Variabilität von Defekten abbilden und die Bewertung der Defekte standardisieren. Diese Eigenschaften macht Machine Learning zur idealen Technik für industrielle Qualitätskontrollen.

Deevio wendet ML-Algorithmen auf die industrielle Qualitätskontrolle an. Das Ziel ist eine Automatisierung der Sichtprüfung am Ende der Fertigungslinie. Das System setzt sich im Wesentlichen aus den zwei Komponenten Hardware und Software zusammen. Dazu zählen industriellen Spezialkameras und ein Mini-Computer sowie das Machine-Learning-Modell für die Defekterkennung.

Teachen und Installieren

Zusammen mit Partnern aus der Automatisierungsindustrie erstellt Deevio für jedes Anwendungsszenario ein eigenes Hardwarekonzept sowie ein individuelles Machine-Learning-Modell. Für den Aufbau und das Trainieren des Modells werden zunächst Bilder des Bauteils benötigt. Sind keine Bilder etwa aus einem vorhandenen Bildverarbeitungssystem vorhanden, werden industrielle Kameras im Produktionsbetrieb installiert. Unter professioneller Belichtung fertigen die hochauflösenden Industriekameras dann Bilder von intakten und defekten Bauteilen an. Sämtliche Defektkategorien werden dabei berücksichtigt.

Hat das Machine-Learning-Modell durch gezieltes Training die gewünschte Genauigkeit erreicht, wird es auf der AI-Box, einem Mini-Computer mit Grafikkarte, installiert, die speziell für ML-Anwendungen entwickelt wurde. In Zusammenarbeit mit den Automatisierungsexperten wird die AI-Box dann an Module zur Maschinensteuerung angeschlossen und final in die Produktionslinie integriert. Das zu kontrollierende Objekt kann nun automatisch von der Kamera erfasst und durch das ML-Modell analysiert werden. Die Ergebnisse lassen sich darüber hinaus sammeln und für detaillierte Analysen heranziehen. So sind einerseits fundierte Aussagen zu Fehlerhäufigkeiten an bestimmten Stellen möglich und andererseits können neue Defekte hinzugefügt werden.

Pseudofehlerrate liegt unter 1 %

Zeitersparnis ist der augenscheinlichste Vorteil. Während ein manueller Kontrollvorgang durchschnittlich 20 s pro Bauteil dauert, verkürzt er sich mithilfe des intelligenten, automatisierten Ansatzes auf weniger als ein 1 s. Bei 19 s pro Bauteil reduziert sich der Personalbedarf und somit auch der Kostenaufwand in der Qualitätssicherung.

Ein weiterer Vorteil ist die hohe Flexibilität der Lösung. Anders als klassische Machine-Vision-Systeme beschränkt sich der Einsatz nicht auf einen im Vorfeld definierten Fehler. Vielmehr sind Machine-Learning-Modelle durch Hinzulernen in der Lage, vielfältige Fehlerausprägungen eigenständig zu erkennen und unnötigen Ausschuss deutlich zu minimieren. Die Pseudofehlerrate liegt je nach Anwendungsfall bei nur 1 %. Zum Vergleich: Traditionelle Machine-Vision-Lösungen können „False Positive Rates“ bis zu 50 % erzeugen.

Nicht zuletzt haben Unternehmen bei der Automatisierung von Qualitätskontrollen mit ML-Software und Beispielbildern die Möglichkeit, einen unternehmensweiten Standard bei der Qualitätsprüfung zu etablieren. Die Bewertung der Qualität hängt also nicht mehr von der Tagesform der Werker, sondern von der Einschätzung der Qualitätskontrolleure ab, die die Beispieldefekte zur Verfügung stellen. Automatisierte Qualitätskontrollen auf KI-Basis tragen also zur Qualitätssteigerungen bei.

Die Technik von Deevio wird insbesondere in den Bereichen Metallverarbeitung, Automotive und Gießereiindustrie eingesetzt. Der Fokus liegt momentan auf automatisierten Kontrollen am Ende von Produktionslinien. Vorstellbar ist jedoch durchaus, dass Machine-Learning-Modelle zukünftig auch in vorgelagerten Kontrollschritten zur Anwendung kommen. Dadurch wäre es möglich, fehlerhafte Bauteile in einer frühen Phase des Produktionsprozesses zu erkennen und auszusortieren.

* Damian Heimel ist Geschäftsführer der Deevio GmbH in 10435 Berlin, Tel. (0 30) 4 22 06 88 11

(ID:46725781)