KI in der Qualitätskontrolle soll künftig verhindern, dass kamerabasierte Prüf- und Sortieranlagen einwandfreie Bauteile unnötig aussortieren. Je nach Bauteil und Prüfmerkmal können bislang bis zu 30 Prozent der einwandfreien Teile als Ausschuss eingestuft werden. Diesen sogenannten Pseudoausschuss müssen Mitarbeiter erneut prüfen und sortieren. Das kostet Zeit, bindet Personal und verringert die Produktivität.
Im Forschungsprojekt „Nachrüstbare KI-Plattform zur Minimierung von Pseudoausschuss“ (KIMIPA) entwickeln deshalb das Fraunhofer-Institut für Mikroelektronische Schaltungen und Systeme IMS, die SDC Control GmbH und die Scemtec Hard- und Software für Mess- und Steuerungstechnik GmbH eine nachrüstbare Plattform, die mit Künstlicher Intelligenz (KI) arbeitet. Das System soll Pseudoausschuss erkennen, die Ursachen analysieren und direkt an der Anlage lernen, ohne Produktionsdaten in eine Cloud zu übertragen. Das Ziel ist eine Produktivitätssteigerung von bis zu 25 Prozent.
Schmutz und Lichtwechsel verfälschen Bilder
Heutige kamerabasierte Prüf- und Sortieranlagen arbeiten überwiegend mit festen Regeln und Schwellenwerten. Verschmutzungen, wechselnde Lichtverhältnisse oder Fokusabweichungen führen daher regelmäßig dazu, dass die Anlagen einwandfreie Bauteile als Ausschuss deklarieren. Starre Schwellenwerte können solche Veränderungen nicht ausgleichen, weil sie den Zustand der Anlage nicht kennen.
„Pseudoausschuss heißt, dass wir dieselben Teile mehrfach prüfen und sortieren, und zwischendurch von Hand nachkalibrieren“, berichtet Dennis Freudenreich, Geschäftsführer der SDC Control. „Das mindert die Effizienz der ganzen Linie. Besonders deutlich zeigt sich das in der Lohnsortierung: Wer Bauteile im Kundenauftrag prüft und sortiert, rechnet pro Teil ab, jeder Fehlausschuss kostet unmittelbar Geld.“
Algorithmen lernen direkt an der Anlage
Im Zentrum des Forschungsprojekts steht eine universell nachrüstbare Hardwareplattform, auf der sich Modelle für Künstliche Intelligenz nicht nur ausführen, sondern direkt vor Ort nachtrainieren lassen. Das System ordnet geprüfte Bauteile den Klassen „in Ordnung“, „nicht in Ordnung“ und „Pseudoausschuss“ zu und erkennt parallel die Ursache einer Fehlbewertung, zum Beispiel Verschmutzungen, ungünstige Beleuchtung oder eine Prozessabweichung. Die Entwickler streben eine Klassifikationsgenauigkeit von mindestens 90 Prozent an.
Die technische Grundlage dafür liefert das Fraunhofer IMS: Mit dem am Institut entwickelten Open-Source-Framework AIfES (Artificial Intelligence for Embedded Systems) lassen sich neuronale Netze ausführen, direkt auf Mikrocontrollern trainieren und anpassen. Damit gehört das Fraunhofer IMS zu den wenigen Einrichtungen, die selbstadaptives Lernen auf ressourcenbeschränkter Hardware beherrschen. Dies ist Voraussetzung dafür, dass die verbesserte Prüfung ohne Cloud auskommt.
Erfahrungswissen fließt in das Training ein
Über eine digitale Benutzeroberfläche kennzeichnen Anlagenmechaniker fehlerhaft aussortierte Teile und bringen so ihr Erfahrungswissen unmittelbar in das Training der Algorithmen ein. Gleichzeitig liefert das System konkrete Handlungsempfehlungen zur Nachsteuerung, etwa zur Beleuchtung, zur Zuführgeschwindigkeit oder zur Reinigung von Anlagenkomponenten. Perspektivisch soll die Plattform ausgewählte Prozessparameter selbst anpassen und auf Abweichungen in weniger als einer Sekunde reagieren.
Da vorhandene Anlagen weiter genutzt werden sollen, setzt das Konsortium auf offene Standards und gängige Industrieschnittstellen wie OPC UA (OPC Unified Architecture) und MQTT (Message Queuing Telemetry Transport). Die Lösung ist modular aufgebaut und soll sich herstellerunabhängig in vorhandene Produktions-, Prüf- und Sortierlinien integrieren lassen. Vergleichbare Systeme sind derzeit nach Aussage der Forscher nicht am Markt verfügbar. Bestehende Ansätze arbeiteten entweder regelbasiert, cloudgestützt oder branchenspezifisch geschlossen.
