Künstliche Intelligenz in der Qualitätssicherung

Vor einigen Wochen haben wir auf unserem Schwesterportal IT-WEGWEISER.DE einen Grundlagenartikel, mit den ersten Beispielen zur künstlichen Intelligenz (KI) im Alltag veröffentlicht. Zur Hannovermesse haben wir über Predictive Maintenance berichtet, nachdem wir im Mai 2015 über dieses Projekt zur vorausschauenden Wartung geschrieben haben. Wir freuen uns diese Artikel mit dem folgendem Projektbeispiel untermauern zu können.

Autor: Thomas W. Frick, 09.05.2018, Thema: Künstliche Intelligenz in der Qualitätssicherung

Kurznavigation in diesem Beitrag:
Seite 1 Beitrag / Diskussionsgrundlage
Seite 2 Kostenlose Anmeldung für Xing-Mitglieder
Seite 3 Öffentliches und kostenloses Teilnahmeformular
Seite 4 Übersicht aller bevorstehenden Veranstaltungen
Seite 5 Kostenloses PDF-Angebot KI in der QS

Auch wenn die Künstliche Intelligenz auf dem Vormarsch ist, sind umgesetzte Projektbeispiele im Produktionsumfeld noch rar, schließlich handelt es sich um kritische Prozesse an denen man selten experimentieren möchte, um Produktionsausfälle zu vermeiden. Die nachfolgend beschriebene Qualitätssicherung kann im Rahmen einer vorausschauenden Wartung stattfinden oder im direkten Anschluss nach der Fertigung.

KI-Lösung reduzierte Inspektionszeiten für Turbinenblätter um 75 Prozent

Der Qualitätssicherungsprozess bei Siemens Gamesa wurde dank einer mit Fujitsu gemeinsam entwickelten KI-Lösung beschleunigt, wodurch die Inspektionszeiten von neuen Turbinenblättern stark reduziert wurden. Die bis zu 75 Meter langen Glasfaser-Turbinenblätter werden durch spezielle optische Scans schadenfrei auf mögliche Fehler gescannt.

Dabei erkennt die programmierte KI anhand von Aufnahmen der Turbinenblätter, selbst kleine Haarrisse, die langfristig zum Komplettausfall einer Windanlage führen könnten. Die zentimetergenaue Abtastung verringert die bisherige sechsstündige manuelle Prüfung, um 75 Prozent auf ca. 90 Minuten.

Heine Bach, Head of Quality in Operation bei Siemens Gamesa Erneuerbare Energien zeigt sich begeistert:

„Der Ausfall von Turbinenblättern ist keine Option für unsere Anlagen. Deshalb war es unerlässlich, dass wir eine Lösung finden, die keine Kompromisse eingeht in Bezug auf Sicherheit oder Genauigkeit der Prüfungen. Dank der KI-Lösung benötigen wir für eine Inspektion nur noch ein Viertel der ursprünglichen Zeit. Gemeinsam haben wir eine Lösung aufgesetzt, die uns nicht nur Zeit spart, sondern auch dazu führt, dass wir viel besser verstehen, wo an den Rotoren Fehler und Störungen entstehen können.“

Was steckt hinter der individuell entwickelten KI-Lösung?

Der Computer feiert schon lange seinen erfolgreichen Einzug in das Produktionsumfeld. So sind intelligente Roboter, eigenständige Planungstools oder selbstlernende Bildverarbeitungssysteme in den Fertigungs- und Montagehallen nichts außergewöhnliches mehr. Dank leistungsfähiger Computer können heute die für Deep Learning erforderlichen mehrdimensionalen Netze aufgesetzt werden, die erst eine Brücke schlagen zu den intelligenten Systemen. Nicht immer muss es das komplexe, in die Tiefe reichende, neuronale Netz sein, das die größten Produktivitätsfortschritte ermöglicht.

Digital Session - Digitaler Zwilling

Sind die aktuellen Produktionsprozesse schon reif für die Künstliche Intelligenz? Können heute schon Anwendungen mit Künstlicher Intelligenz im Produktionsablauf eingesetzt werden? Verbessern lernende Systeme wirklich Überblick und Entscheidungssicherheit in den Produktionsprozessen? Können Vorhersagen über die optimale Kapazitätsauslastung bei neuen Aufträgen zuverlässig getroffen werden?

Diskutieren Sie ohne Reiseaufwendungen direkt an Ihrem Arbeitsplatz mit und melden Sie sich für den virtuellen Erfahrungsaustausch am 24. Mai 2018 an. Kostenloser Anmeldelink für Xing-Mitglieder oder alternativ über das öffentliche Teilnahmeformular anmelden.

Mehr zur Basistechnologie

Die Technologie hinter der KI-Lösung wurde von den Fujitsu Laboratories of Europe entwickelt. Die Deep Learning-Komponente dieses KI-Frameworks nutzt tiefe neuronale Netze zur Verarbeitung von Bilddaten für die Erkennung relevanter Muster. Die reale Datenanalyse wird in ein Bildanalyseformat umgewandelt und erlaubt damit eine automatisierte und beschleunigte Erkennung relevanter Muster in NDT-Ultraschall-Scan-Daten. Das optimiert die Qualitätskontrolle entscheidend und beseitigt potenzielle Engpässe im Produktionsprozess.

Der Effekt: Die Produktionskapazitäten können vergrößert und die Effizienz kann deutlich gesteigert werden. Darüber hinaus hat die KI-Lösung  die Fähigkeit, auch nach ihrer Implementierung weiterhin zu lernen. Das führt ebenfalls zu einer signifikanten Leistungsverbesserung und damit zu einem höheren Return on Investment.

NDT-Ultraschalldaten als Bestandteil der KI-Lösung

In dieser neuen Anwendung zur Qualitätskontrolle wird die Lösung automatisch eingesetzt, um relevante Muster in NDT-Ultraschalldaten zu erkennen und zu analysieren. NDT ist eine nicht-invasive Technik, die zur Bestimmung der Integrität von Materialien oder Strukturen eingesetzt wird und die Erkennung von internen Fehlern im Testobjekt ermöglicht. Die Technik ist in der Fertigungsindustrie als Teil der Qualitätskontrolle weit verbreitet. Die Erkennung von Fertigungsfehlern bei Ultraschall NDT ist derzeit in erster Linie ein manueller Prozess, bei dem jeder Abschnitt des Scans gründlich analysiert werden muss. Bei Objekten mit großen Abmessungen kann dieser Vorgang mehrere Stunden dauern. Der Bediener verwendet visuelle Hinweise, wie z. B. Strukturkrümmungen oder Unstetigkeiten, um mögliche Fehler festzustellen. Die Lösung von Fujitsu erkennt automatisch interessante Scanbereiche, die auf Fehler untersucht werden müssen und erlaubt so dem Fachpersonal, sich auf die relevanten Teile der Scans zu konzentrieren.

Digital Session - Digitaler Zwilling

Sind die aktuellen Produktionsprozesse schon reif für die Künstliche Intelligenz? Können heute schon Anwendungen mit Künstlicher Intelligenz im Produktionsablauf eingesetzt werden? Verbessern lernende Systeme wirklich Überblick und Entscheidungssicherheit in den Produktionsprozessen? Können Vorhersagen über die optimale Kapazitätsauslastung bei neuen Aufträgen zuverlässig getroffen werden?

Diskutieren Sie ohne Reiseaufwendungen direkt an Ihrem Arbeitsplatz mit und melden Sie sich für den virtuellen Erfahrungsaustausch am 24. Mai 2018 an. Kostenloser Anmeldelink für Xing-Mitglieder oder alternativ über das öffentliche Teilnahmeformular anmelden.

Weitere Beispiele zur Nutzung einer KI-Lösung

Nicht nur für die Qualitätssicherung können KI-Lösungen einen Mehrwert liefern, beispielsweise wurden schon KI-Projekte für Zeitreihen-Sensor-Daten, der Energieverbrauchs-Messung, der Aktienpreisanalyse und der intelligenten Fertigung umgesetzt. Der Einsatz ist bei allen Anwendungen mit zerstörungsfreien Prüftechniken wie Ultraschall, Röntgen oder Infrarot möglich.

Ein pragmatischer Einsatz ist die Mustererkennung. In so einem Fall lernen Systeme innerhalb kurzer Zeit mit einer größeren Anzahl von Bildern aus einer Datenbank, welches Muster die richtigen Parameter aufweist und welche Parameter einen Fehler darstellen. So werden sichere Vorhersagen über die Wahrscheinlichkeit von Defekten und Mängeln zu einer praxisorientierten Anwendung der Künstlichen Intelligenz. Damit könnten sich Maschinen, nach der Trainingsphase, selbst überwachen und vorausschauende Entscheidungen ermöglichen.

 

KI-Lösung persönlich hinterfragen und verstehen

Mit einer Vielzahl von IoT- und IIoT-Anwendungen entsteht eine zusätzliche Komplexität, die bestehende Strukturen erheblich unter Druck setzt. Am 24. Mai 2018 (um 11:00 Uhr und um 13:00 Uhr) wollen wir Lösungsideen und Best-Practices mit Ihnen gemeinsam in einer Digital Session diskutieren. Wir wurden von Fujitsu eingeladen, um basierend auf der Erfahrung von umgesetzten KI-Projekten, konkrete Fragen zu stellen um Praxiswissen zu vermitteln. Herr Frank Zedler wird uns als Experte für Industrial Analytics zur Verfügung stehen und hat folgende Agenda aufgestellt:

1. Machine Learning: Wie Maschinen trainiert werden und lernen? Die richtigen Algorithmen finden und bestimmen.
2. Deep Learning: Wann die Maschine besser ist als das Hirn? Die Voraussetzungen für den effektiven Einsatz.
3. Industrielle Anwendungen: Vorhersagen, Produktdesign, Analytik, Mustererkennung, Überwachung.
4. Grenzen der Anwendung: Wann macht KI Sinn und wann sollten Sie (noch) zurückhaltend sein.
5. KI und Arbeit 4.0: Welche Anforderungen müssen Menschen meistern, wenn die KI in die Fabriken stärker Einzug hält?

 

Xing-Mitglieder können sich direkt über diesen Link anmelden oder über das nachfolgende Teilnahmeformular:

Agenda für den 24. Mai 2018 - Veranstaltung findet online statt

1. Machine Learning: Wie Maschinen trainiert werden und lernen? Die richtigen Algorithmen finden und bestimmen.
2. Deep Learning: Wann die Maschine besser ist als das Hirn? Die Voraussetzungen für den effektiven Einsatz.
3. Industrielle Anwendungen: Vorhersagen, Produktdesign, Analytik, Mustererkennung, Überwachung.
4. Grenzen der Anwendung: Wann macht KI Sinn und wann sollten Sie (noch) zurückhaltend sein.
5. KI und Arbeit 4.0: Welche Anforderungen müssen Menschen meistern, wenn die KI in die Fabriken stärker Einzug hält?

Teilnehmer

Vor- und Nachname (Pflichtfeld)

Ihre Email (Pflichtfeld)

Auswahl der Uhrzeit:
Donnerstag, den 24. Mai 2018

11.00 Uhr
14.00 Uhr

Freiwillige Angaben für die wir dankbar sind und die wir vertraulich behandeln

Firmenname

Branche

Funktion

Straße und Hausnummer

PLZ/Ort

Kontaktrufnummer

Ihre Fragen im Vorfeld der Live-Sessions (optional)

Informationsservice industrie-wegweiser
Informationsservice it-wegweiser
Ganzjährige Vertriebs- und Marketing-Tipps

Sollten Sie sie eine ältere Version Ihres Internet-Browsers nutzen, kann es zu Schwierigkeiten beim ausfüllen des Anmeldeformulares kommen. Sie können uns in diesem Fall auch per Mail erreichen: info@industrie-wegweiser.de

1 Kommentar zu "Künstliche Intelligenz in der Qualitätssicherung"

  1. Es ist praktisch, wenn die KI die Inspektionszeit so verkürzt. Industrielles Röntgen trägt aber sicher auch dazu bei. Sind die Bauteile einer Maschine weniger fehleranfällig, bräuchte man keine extra KI.

Hinterlasse einen Kommentar

E-Mail Adresse wird nicht veröffentlicht.


*