Quality Engineering 04.2002

SPECIAL »

SPECIAL » Fertigungsmesstechnik Bild: Sentin Die Leistungsfähigkeit von Deep-Learning- Ansätzen skaliert über die Menge und Diversität der zum Training verwendeten Daten und kann so konventionelle Methoden langfristig übertreffen. muss, genau an den Stellen, wo sich das Modell unsicher ist. Zudem kann man auch eine Vorsortierung von Bilddaten durchführen. Man denke an einen Turnaround einer Raffinerie. In der Praxis gibt es oft Fälle, wo auf 95 % der Aufnahmen alles in Ordnung ist und nur 5 % zeigen Fehlermerkmale. Findet man diese 5 % schnell, so können hier eventuelle Stillstandszeiten minimiert werden. Wir plädieren dafür, KI als zusätzliches Werkzeug zu sehen. Es gibt Anwendungsfälle, wo Mensch und KI zusammenarbeiten müssen, um optimale Ergebnisse zu erzielen. Mythos 4 lautet: Einmal entwickelt, lernt die KI von alleine – und das auch im laufenden Prozess. Dies ist ein Irrglaube. In der Praxis sind diese Algorithmen nicht weit verbreitet. Ebenso falsch ist die Annahme, dass nach einmaligem Training alles perfekt funktioniert. Wie erwähnt, ist das Datenthema entscheidend. Häufig werden erst alle Grenzfälle, von denen wenig Daten vorhanden sind, nach längerem Live-Betrieb klar. Im Produktionsumfeld sind zudem Faktoren wie verschiedene Produktionslinien, Werkzeugtypen oder Bauteilgruppen relevant. Man sagt, dass die KI-Modell-Entwicklung zu 80 % daraus besteht, einen Datensatz zu erstellen und aufzubereiten. Dies geschieht nicht einmalig, sondern auch mit neuen Daten, die im laufenden Betrieb oder einem längeren Zeitraum gesammelt wurden. Der Vorteil einer KI ist, dass man ihr diese seltenen, aber kritischen Aufnahmen zeigen und ihr diese Fälle durch ein neues Training beibringen kann. Ebenso sind kollaborative Verfahren möglich, bei denen eine KI neue Daten voranalysiert und die Ergebnisse durch den Menschen korrigiert werden. Hat man genug Daten korrigiert, kann ein neues KI-Training beginnen. Training bedeutet, vereinfacht gesagt (bei Neuronalen Netzen), eine mathematische Optimierung von Gewichten an jedem Knotenpunkt des KI-Modells. Dieser reine Rechenvorgang dauert in der Regel mehrere Stunden oder Tage und benötigt leistungsstarke Hardware. Neue Bilder und ihre Bewertung verändern bei einem Training somit die Gewichte im Vergleich zum Vorgänger-Modell. Dies geschieht jedoch nicht, wenn man dem Modell ein Bild nur „zeigt“ – so wie es im laufenden Betrieb wäre. Die Anpassung (Training) eines KI-Modells ist daher ein iterativer Prozess. Data Scientisten testen verschiedene Netzwerkarchitekturen und Parameter, spielen immer wieder Daten zum Training ein und vergleichen die Ergebnisse. Der Aufwand pro Iteration verringert sich in der Regel pro Schleife, da das Modell immer robuster wird. Bei regelbasierten Ansätzen aus der klassischen Machine Vision müsste ein Entwickler (im Vergleich zum „Beispiel-basierten“ Lernen einer KI) für jeden Sonderfall neue Regeln definieren. Zum Beispiel: wenn der Kontrast an einer Stelle XY mit dem Radius Z den Wert 120 überschreitet, ist dies ein Bauteilfehler. Für einfache Zusammenhänge kann man dies noch gut abdecken, aber ab einem gewissen Punkt lohnt sich der Einsatz von KI, da sie die Zusammenhänge des Bilds „versteht“. KI kann auch helfen, das Rauschen aus Bildaufnahmen zu entfernen Mythos 5 ist: KI eignet sich nur, um Fehler auf einem Produkt/Bild zu erkennen. Die Praxis zeigt aber, dass es neben der Erkennung von Fehlern auf Bildern oder der Klassifizierung weitere Anwendungen relevant sein können. Ein Thema, das für den industriellen Einsatz immer relevanter wird, ist das Image Enhancement, also die „Bildverbesserung“. In der Radiographie oder der CT kann es zum Beispiel vorkommen, dass Bauteile Minuten lang bestrahlt werden, um eine nicht verrauschte Aufnahme zu erhalten. Eine kürzere Bestrahlung kann dabei Geld sparen, aber verrauschte Aufnahmen generieren, wo mögliche Fehlstellen dann im Rauschen untergehen und nicht mehr erkannt werden können. Sentin nutzt KI, um das Rauschen aus solchen Aufnahmen zu entfernen, aber gleichzeitig Fehlstellen zu rekonstruieren. Die KI lernt, kleine Nuancen in den Grauwerten einzelner und umliegender Pixel zu interpretieren und Zusammenhänge zu erkennen, die das menschliche Auge beziehungsweise Monitore nicht richtig darstellen können. Radiographische Aufnahmen weisen nämlich mindestens 12 Bit, eher 16 Bit Grauwerte auf, was dem 16-fachen beziehungsweise 256-fachen eines normalen 8 Bit JPEG Bilds mit 256 Graustufen entspricht. Dadurch ließe sich die Bestrahlungszeit und damit die Durchlaufzeit pro Bauteil drastisch reduzieren. So kann KI auch in anderen Anwendungen als der klassischen Fehlererkennung genutzt werden. 40 Quality Engineering » 04 | 2022

Werkstücke messen in Drehzentren von Schuster Maschinenbau Zuverlässig messen bei widrigen Bedingungen Späneflug, Kühlschmiermittel und Vibrationen – Werkstücke für die Automobilindustrie automatisiert im Bearbeitungsraum von Drehzentren zu messen, ist anspruchsvoll. Der Drehmaschinenhersteller Schuster nutzt dafür Messtaster und das Know-how von Blum-Novotest. Zur Vermessung der Drehteile in der Maschine setzt Schuster den Messtaster TC61 von Blum mit einem speziell entwickelten Tasteinsatz ein. Dazu wird der sich im Revolver befindende TC61 horizontal eingeschwenkt und über die X-Achse je eine Messbewegung ziehend und drückend durchgeführt. Bild: Blum Das Messen im Arbeitsraum ist ein integraler Bestandteil der Bearbeitungsprozesse der Drehbearbeitungszentren von Schuster Maschinenbau mit Sitz in Denklingen südlich von Landsberg am Lech. Die Maschinen arbeiten immer mit einer vertikal stehenden Werkstückspindel, je nach Aufgabe kommen Hauptspindel, Gegenspindel oder ein Mittendrehaggregat zum Einsatz. Je Arbeitsraum werden bis zu zwei Revolver oder auch Fräs- sowie Schleifaggregate eingesetzt, sodass Dreh-, Fräs- und Schleifbearbeitung in einer Aufspannung durchgeführt werden können. Gemeinsam ist allen Maschinen von Schuster die Optimierung auf die Großserienfertigung. Die Maschinen sind dafür gebaut, rund um die Uhr in sehr hoher Taktzahl zu produzieren. Die Anwender finden sich vor allem im Automotive-Bereich. Sie fertigen mit Hilfe der Drehbearbeitungszentren Getriebewellen, Nocken- und Ausgleichswellen, aber auch komplexe Motorwellen für Elektroantriebe. Meist werden die Wellen in mehreren miteinander verketteten Stationen bearbeitet, die an Beginn und Ende der Linie manuell be- und entladen werden. „In vielen Produktionsprozessen wird ein Durchmesser zunächst mit Aufmaß vorbearbeitet und dann auf Endmaß geschliffen oder gedreht. Dazu ist es erforderlich, zwischen den beiden Schritten den aktuellen Durchmesser automatisiert zu messen und den Schleif- beziehungsweise Drehvorgang ent- Theo Drechsel im Auftrag von Blum-Novotest www.blum-novotest.com Quality Engineering » 04 | 2022 41