KI in der Fertigung

Ein Warm-up für den Cloudflight AI Coding Contest

Wie in vielen anderen Branchen auch, stellt die Künstliche Intelligenz derzeit einige Bereiche der Fertigung auf den Kopf. Während die (mechanische) Automatisierung schon seit vielen Jahren ein Innovationsthema ist, liegt der Schwerpunkt jetzt mehr und mehr auf der (intelligenten) Autonomie. Das bedeutet, dass komplexe Systeme und Prozesse nicht mehr nur einem begrenzten Set deterministischer Regeln folgen, sondern lernen, sich an unterschiedliche Situationen anzupassen.

 

Computer Vision

Werfen wir zunächst einen Blick auf die Computer Vision. Dabei handelt es sich um eine sehr weit verbreitete Technologie, die es Systemen ermöglicht, ihre Umgebung auf menschenähnliche Weise zu erkennen. Sie eignet sich daher gut für die Nachrüstung von Prozessen, ohne dass diese völlig neu gestaltet werden müssen. Es ist eine beschreibende Methode, die strukturierte Informationen erfasst, die sonst von den Arbeitern in der Werkstatt manuell hinzugefügt und eingegeben werden müssten. So können zum einen bestehende Entscheidungsregeln wie Quality Gates oder die Korrektheit einer Baugruppe automatisch überprüft werden. Andererseits können den Entscheidungsträgern zusätzliche Daten zur Verfügung gestellt werden, um Qualität und Leistung zu verbessern.

Eine wichtige Anwendung von Computer Vision in der Fertigung ist die Qualitätssicherung. Dort ist die visuelle Inspektion nach wie vor eine der wichtigsten Methoden. Die Einsatzmöglichkeiten reichen von der Erkennung von Oberflächenfehlern wie Kratzern oder Lackabplatzungen über Montagefehler wie fehlende Teile bis hin zum Vorhandensein von versehentlich in den Prozess gelangten Fremdkörpern. Neben der reinen Detektion wird häufig auch ein Mehrwert durch die Klassifizierung verschiedener Untertypen einer Fehlerklasse geschaffen. Eine weitere Ergänzung besteht darin, sich nicht nur auf das sichtbare Farbspektrum zu verlassen, sondern andere Bilddaten wie Wärmekarten (Infrarotspektrum) oder fortschrittliche zerstörungsfreie Prüfmethoden einzusetzen.

Neben der Qualitätssicherung kann auch die Prozessüberwachung mit Hilfe von Computer Vision unterstützt werden. Dies reicht von der reinen Messung oder Zählung von Objekten entlang des Produktionsprozesses bis hin zur Erstellung einer umfangreichen Dokumentation.

Computer Vision kann auch als Basistechnologie dienen, insbesondere für die Robotik. Da Maschinen immer autonomer werden, müssen sie sich auch ihrer Umgebung und ihres Kontexts bewusst sein. Wichtige Aufgaben sind hier die Identifizierung von Objekten, z. B. einer anzuhebenden Palette, oder von Hindernissen, z. B. die Unterscheidung von Bereichen, die betreten oder befahren werden können, und die Erkennung potenzieller Gefahren. Bestimmte Maschinen sind sicherer, wenn sie in der Nähe von Menschen mit einer geringeren Geschwindigkeit arbeiten, während aus Effizienzgründen eine höhere Geschwindigkeit ermöglicht werden soll, wenn sich keine Menschen in einem bestimmten Gefahrenbereich befinden.

Aus dieser Liste von Anwendungen wird deutlich, dass Computer Vision eine leistungsstarke Technik ist. Eine große Stärke ist, dass sie hilft, verschiedene andere Sensoren durch einen einzigen zu ersetzen – die Kamera. So können mit einem einzigen Software-Update zusätzliche Funktionen hinzugefügt werden, ohne in neue Hardware und deren anschließende Installation und Wartung investieren zu müssen.

 

Times Series Analytics

Ein zweiter wichtiger Bereich der Datenwissenschaft in der Fertigung ist die Time Series Analytics. Es gibt viele wichtige Signale wie Temperaturen, Geschwindigkeiten oder Drücke, die für Produktionsprozesse entscheidend sind. Einige sind exogen, d. h. sie werden durch eine externe Kraft bestimmt, haben aber dennoch Einfluss auf das Zielsystem. Ein offensichtliches Beispiel sind die Außentemperatur oder auch Wettereinflüsse insgesamt. Sie können zwar nicht beeinflusst werden, erfordern aber unter Umständen Maßnahmen, um ihre Auswirkungen auszugleichen. Im Gegensatz dazu sind andere Signale systeminterne Signale, die leicht durch Regelkreise beeinflusst werden können.

Eine typische Aufgabe des maschinellen Lernens bei solchen Daten ist die Mustererkennung. Anhand der Entwicklung und Korrelation verschiedener Signale lassen sich verschiedene Zustände einer Maschine oder eines Prozesses unterscheiden. Eine andere Aufgabe, die sich noch stärker auf den Prozesshintergrund solcher Daten konzentriert, ist die Time Series Forecasting.

 

Anomaly Detection

Die Erkennung von Anomalien ist eine Technik, die sowohl im Bereich der Computer Vision als auch im Bereich der Zeitreihen funktioniert. Ihr Ziel ist die automatische Erkennung von Ereignissen, bei denen ein Prozess von der Norm abweicht, ohne mögliche Anomalien im Voraus zu spezifizieren. Dieser letzte Aspekt macht die Technik im Vergleich zu regelbasierten Methoden so leistungsfähig. In der Praxis gibt es eine Vielzahl von Eckfällen oder unvorhergesehenen Bedingungen, die auftreten können. Bei der Entwicklung eines Kontrollsystems ist es unwahrscheinlich, dass alle diese Fälle berücksichtigt und entsprechend eingeplant werden.

 

Predictive Maintenance

Die Motivation hinter Predictive Maintenance liegt auf der Hand – es geht darum, den Sweet Spot zwischen der Vermeidung von verschleißbedingten Schäden oder Risiken einerseits und der Vermeidung von Kosten durch zu kurze Wartungsintervalle andererseits zu finden. Technisch gesehen basiert sie auf Time Series Analytics und Vorhersagen. In einer oberflächlichen Implementierung wird die tatsächliche Belastung bestimmter Abnutzungsteile abgeleitet. Dann wird ein manuell entwickeltes Modell angewandt, um auf der Grundlage der Belastungsstatistiken auf die verbleibende Lebensdauer zu schließen.

Bei einem tieferen Ansatz wird die aktuelle Abnutzung einiger Teile direkt anhand von Echtzeitdaten beobachtet. Beispiele hierfür sind die Beziehungen zwischen bestimmten Drücken und Geschwindigkeiten in einer Maschine. Wenn die Geschwindigkeit einer Presse bei gleichem Druck (und gleicher Temperatur) mit der Zeit zu- oder abnimmt, ist dies ein guter Indikator.

Kurzfristige Hinweise auf fällige Wartungsarbeiten können auch aus dem Körperschall abgeleitet werden. Ähnlich wie menschliche Experten, die allein anhand der Geräusche zwischen verschiedenen Maschinenzuständen unterscheiden können, lassen sich diese Geräuschmuster klassifizieren oder zur Erkennung von Anomalien verwenden.

 

Strategy Learning

Computer Vision, Times Series Analytics und Anomaly Detection sind deskriptive Ansätze. Sie befassen sich mit unstrukturierten Daten und extrahieren daraus strukturierte Informationen. Time Series Forecasting und Predictive Maintenance hingegen blicken in die Zukunft – sie sind prädiktive Ansätze. Beim Reinforcement Learning gibt es eine andere Art von Ansatz – den präskriptiven Ansatz. Das heißt, es werden keine Informationen generiert, sondern es wird gelernt, welche Aktionen notwendig sind, um einen bestimmten Zustand zu erreichen.

Während dieser Bereich der Künstlichen Intelligenz oft nur aus dem Spielkontext bekannt ist, gibt es mittlerweile viele industrielle Anwendungen. Ein prominentes Beispiel ist die intelligente Heizung und Kühlung, bei der sich gezeigt hat, dass auf maschinellem Lernen basierende Kontrollmechanismen die herkömmlichen deutlich übertreffen. Dies ist jedoch nur ein Beispiel, das auf autonome Maschinen übertragbar ist, die in der Lage sind, optimale Strategien für verschiedene Aufgaben im Kontext einer sich verändernden Umgebung und externer Einflüsse zu finden.

 

Der AI Coding Contest

Der nächste Cloudflight Coding Contest findet am 5. November 2021 statt. In unserem Wettbewerbsteil zur künstlichen Intelligenz werden wir Sie bitten, eine Machine-Learning-Aufgabe in mehreren Stufen zu lösen. Unser Ziel bei der Gestaltung der Aufgabe war es, den besten Teilnehmern die Möglichkeit zu geben, sie innerhalb des 4-Stunden-Zeitrahmens des Wettbewerbs zu lösen. Daher haben wir insbesondere Ansätze mit Trainingszeiten in Betracht gezogen, die (wiederholt) in dieser begrenzten Zeit machbar sind. Außerdem möchten wir den Contest so inklusiv wie möglich gestalten und die Teilnahme nicht auf Experten in dem einen oder anderen Fachgebiet des Machine Learning beschränken. Seid ihr bereit, die Herausforderung anzunehmen?

Ich hoffe, wir sehen uns beim Cloudflight Coding Contest!