Produktion Künstliche Intelligenz in der Fertigung: Aus Fehlern lernen

Künstliche Intelligenz und autonomes Fahren werden oft im Zusammenhang genannt. In der Automobilfertigung aber kann die Technik heute schon deutlich mehr leisten – und kommt bereits in der Serienproduktion zum Einsatz.

Anbieter zum Thema

Dr. Schneider Kunststoffwerke GmbH

invenio AG

CAQ AG Factory Systems

Porsche Consulting GmbH

BMW Group

mehr weniger

AUDI AG

weniger

Schon seit dem Jahr 2018 setzt BMW künstliche Intelligenz (KI) in der Serienproduktion ein. Ein Schwerpunkt dabei ist die automatisierte Bilderkennung: In der laufenden Produktion wertet KI Bilder eines Bauteils aus und gleicht sie in Millisekunden mit Hunderten anderen Bildern der selben Sequenz ab. So werden Abweichungen von der Norm in Echtzeit ermittelt und geprüft, ob beispielsweise alle vorgesehenen Teile verbaut oder an der richtigen Stelle montiert sind. Der Hardware-Aufwand ist dabei gering: Es genügt eine mobile Standardkamera.

Und auch das selbsttätige „Teach-in“, das charakteristisch ist für die künstliche Intelligenz, ist zügig vorbereitet: Mitarbeiter fotografieren das entsprechende Bauteil aus unterschiedlichen Perspektiven und markieren auf den Bildern mögliche Abweichungen. So erstellen sie eine Bild-Datenbank, aus der ein Algorithmus die Kriterien für Gut- und Schlechtteile bildet und sich im laufenden Betrieb selbsttätig optimiert.

Bildergalerie

KI eliminiert Pseudofehler

Komplexer ist die KI-Anwendung im Dingolfinger BMW-Presswerk. Staubkörner oder Ölrückstände, die nach dem Umformen auf den Karosserieteilen verbleiben, können leicht mit sehr feinen Rissen verwechselt werden, die in seltenen Fällen während des Umformens auftreten.

Bei bisherigen kamerabasierten Qualitätskontrollen markierte das System in seltenen Fällen auch sogenannte Pseudofehler: Abweichungen vom Soll, obwohl kein Fehler vorlag. Dank KI werden nun keine Pseudofehler mehr generiert, denn das neuronale Netz kann auf rund 100 Realbilder je Merkmal zurückgreifen – also etwa 100 Aufnahmen des einwandfreien Bauteils, 100 Bilder mit Staubkörnern, weitere 100 Aufnahmen mit Öltropfen auf dem Bauteil. Damit sind insbesondere die „Grenzfälle“ abgebildet, die bisher zu Pseudofehlern führten.

Tatsächliche und vermeintliche Fehler unterscheiden

Auch das Werk Steyr macht zusammen mit dem Data-Analytics-Team von BMW erfolgreich Jagd auf Pseudofehler, allerdings in der Motorenproduktion. Vermeintliche Auffälligkeiten bei der Drehmomentmessung im Kalttest von Motoren stellen sich im Nachhinein oft als unerheblich heraus.

Vor dem Einsatz der KI-Lösung erforderten sie jedoch aufwendige manuelle Untersuchungen und weitere Prüfläufe bis hin zum Test mit Kraftstoffbetrieb (Heißtest). Die Analysesoftware wurde nun anhand vieler gespeicherter Prüfläufe trainiert und hat so „gelernt“, tatsächliche von vermeintlichen Fehlern zu unterscheiden.

In mehreren anderen Anwendungen hat BMW die KI mit der Anlagensteuerung verknüpft und dabei auch Entscheidungsprozesse von der menschlichen auf die maschinelle Intelligenz verlagert – zum Beispiel bei der Frage, ob Leergutbehälter für den Rücktransport auf Paletten verzurrt werden müssen oder nicht. Das spart Wege, Zeit und Kosten.

Audi hat vor etwa einem Jahr erstmals eine selbst entwickelte Software pilotiert, die mit Hilfe von Machine Learning (ML) feinste Risse in Karosserieblechteilen erkennt und markiert. Damit wird der Prüfprozess erheblich verfeinert und zugleich vereinfacht. Das Verfahren ersetzt mehrere kleine Kameras, die direkt in den Pressen verbaut sind und die aufgenommenen Bilder mit Bilderkennungssoftware auswerten.

Training mit mehreren Millionen Prüfbildern

Bevor das System installiert wurde, haben Audi-Mitarbeiter das künstliche neuronale Netz im „Deep Learning“-Verfahren über Monate mit mehreren Millionen Prüfbildern trainiert. Deshalb kann das System nun auch bei neuen, bislang unbekannten Bildern Unregelmäßigkeiten erkennen. In Zukunft soll die Qualitätsprüfung mit ML die bisher eingesetzte optische Risserkennung mit Smart-Kameras ablösen. Auch Einsätze in der Lackiererei sind laut Audi denkbar. Das südafrikanische Unternehmen Data Prophet hat seine KI-Lösungen bei mehreren Automobilhersteller und –zulieferern installiert – mit Schwerpunkten in Gießereien und im Karosseriebau.

Ein Beispiel: In einem Karosserierohbau mit 200 Robotern, die auch zum Bolzenschweißen eingesetzt werden, sollte die Qualitätsrate verbessert werden. Mit dem IT-Werkzeug „DataProphet Prescribe“ wurden zunächst mit Hilfe künstlicher Intelligenz für 800 verschiedene Bolzen die optimalen Schweißparameter ermittelt und die Schweißroboter entsprechend programmiert. Bereits im ersten Monat danach traten 55 Prozent weniger Fehler beim Bolzenschweißen auf, was zu monatlichen Einsparungen von 120.000 bis 140.000 Euro geführt hat.

Kausalitäten erkennen und Ausfälle vorhersehen

Die Beispiele zeigen: KI wird bereits eingesetzt in der Produktion, und der Einsatz rechnet sich. Wie geht es weiter? Ein Projekt eines Autoherstellers mit der Managementberatung Porsche Consulting gibt eine mögliche Richtung an: Die Berater haben zunächst gemeinsam mit ihrem Kunden große Datenmengen in dessen Karosseriebau erhoben und ausgewertet.

Das Ergebnis zeigte, dass eine prädiktive Instandhaltung in diesem Bereich enormes Potenzial birgt, um die Produktivität und Verfügbarkeit der Anlagen zu erhöhen. In einem zweiten Schritt ging es darum, mit Hilfe von KI Störungen vorauszusagen, um Ausfälle zu vermeiden.

Vernetzung

Blackberry gründet Entwicklungsteam für Cybersicherheit

Dabei zeigte sich jedoch, dass Vorhersagen über einen bevorstehenden Ausfall allein noch nicht zum gewünschten Ergebnis führen. Tobias Helberg, Senior Manager bei Porsche Consulting: „Wichtiger als den Zeitpunkt zu kennen ist, zu verstehen, warum ein Roboter ausfallen wird. Nur dann kann im Vorfeld optimal gegengesteuert werden.“

Künstliche und menschliche Intelligenz kombinieren

In der dritten Phase des Projekts arbeiten die Beteiligten deshalb in Kooperation mit einer Hochschule an einem Algorithmus, der echte Kausalitäten erkennen soll. Um den Algorithmus zu trainieren, wird künstliche mit menschlicher Intelligenz kombiniert.

„Das Projektteam aus Mitarbeitern und Beratern kennt die Prozesse sehr gut. Wir bewerten die berechneten Ergebnisse und bringen dem Algorithmus so bei, Ausfallursachen an Maschinen und Anlagen immer besser zu erkennen und auf dieser Basis den Schritt von der Ursachenanalyse zur echten Prädiktion zu vollziehen“, so Helberg, „die Ergebnisse sind sehr vielversprechend.“

(ID:46095619)