Nicht nur bei KI besteht die Gefahr, dass bewährte Verfahren ersetzt werden, nur um rechtzeitig auf den Zug aufzuspringen.

16:9

Künstliche Intelligenz für die Qualitätssicherung

Industrie 4.0

Industrie 4.0 für die Qualitätssicherung

Qualitätsmanagement

Machine Learning

Datenanalyse

Machine Learning für die Qualitätssicherung

Wo sich Machine Learning lohnt

Die MVTec Software GmbH präsentiert zusammen mit AAEON Technology Inc. und der Basler AG ein einfach zu bedienendes Machine-Vision-Bundle mit integrierten Deep-Learning-Technologien.

Das „UP Squared Pro AI Vision Development Kit“ ermöglicht Bildverarbeitungsapplikationen mit easy-to-use Deep Learning Technologien

Bildverarbeitungs-Software

Fertigungsautomation

Bildverarbeitung

Deep Learning

Software

Bildverarbeitung, Machine Vision

Kameras

MVTec, AAEON und Basler bieten gemeinsames Deep-Learning-Bundle

Das All-in-One Embedded-Vision-System IDS NXT ocean von IDS Imaging Development Systems kann mehrere neuronale Netze für mehrere ROI in einem Bild einsetzen.

Die Industriekamera IDS-NXT nutzt künstliche Intelligenz

Bildverarbeitungssysteme

 Softwareupdate und Probemonat für die KI-Trainingssoftware IDS NXT ocean

Mehrere Fraunhofer-Institute haben im Leitprojekt ML4P eine Lösung entwickelt, mit der die Industrieproduktion durch maschinelles Lernen deutlich effizienter wird.

Presshärteprozess bei der Blechbearbeitung am Fraunhofer IWU in Chemnitz.

Produktionssystem

Produktionsmanagement

Produktion

Energieeffizienz

Machine Learning / Künstliche Intelligenz für die spanende Fertigung

Industrie 4.0 für die spanende Fertigung

Projekt ML4P optimiert Effizienz der Industrieproduktion

Christian Els erklärt im Interview, warum eine systematischere Gestaltung der Bewertung KI-basierter Systeme eine wichtige Voraussetzung für einen breiten industriellen Einsatz von KI ist.

stock.Adobe.com, Porträt – © Andrea Janssen

Beruf des Qualitätsmanagers

qz-online.de

„Durch KI sind wir in der Lage, Lösungen für Probleme zu entwickeln, die vorher als un- oder schlecht lösbar galten. “

Die BMW Group hat in Zusammenarbeit mit der Uni Kassel das Konzept Predictive Testing entwickelt, um die Produktqualität mit Deep Learning auf ein neues Level zu heben.

Deep Learning basierte Prüfstrategie für die Automobilindustrie

Messtechnik, Testlösungen, Diagnose

Elektronik

Kfz-Elektronik

KI optimiert Fahrzeugqualität

Das Werk leitet durch die verschiedenen digitalen Möglichkeiten im Qualitätsmanagement und zeigt die jeweiligen Chancen und Risiken auf.

Gernot Freisinger, Oliver Jöbstl,  Bernd Kögler, Jürgen Lipp,  Manfred Strohrmann: Die digitale Transformation des Qualitätsmanagements 464 Seiten, € 49,99, Carl Hanser Verlag ISBN 978-3-446-46884-9

Digitale Transformation

Wirtschaft

Innovationen und neue Technologie

Rechnergestützte Qualitätsmanagementsysteme

Q-Management(system), Strategie

Digitalisierung

Die digitale Transformation des QM

Die Ansprüche an künstliche Intelligenz bezüglich Qualitätssteigerung und Prozessverbesserungen sind hoch. Aber wie lassen sie sich realisieren?

Innovationsmanagement

Prozessmanagementmethoden

Prozessmanagement

Jäkel, Claudia

IT-Management

Change Management

Strategie und Organisation

Ursachenanalyse mit KI

Für die Qualitätssicherung werden künftig KI-basierte Analysewerkzeuge benötigt, die sich problemlos mit den wachsenden Datenmengen skalieren lassen.

Big Data in der QS ohne KI kaum mehr zu verarbeiten | Statistische Prozesssteuerung (SPC) durch multivariate KI-Algorithmen | ➤ Jetzt Meinungsbeitrag lesen!

Warum an Open-Source-Werkzeugen künftig kein Weg vorbei führt

SPC-Systeme

Qualitätsmethoden

SPC, Statistische Prozesssteuerung

KI bereichert die Qualitätssicherung

In der digitalen Produktion kommen Informationen meist aus der Messtechnik, die daher besonders im Fokus der Integration in den digitalen Informationsfluss steht. Diesen Trend haben zwei Initiativen aufgenommen.

Schnittstellen und Modelle für die digitale Produktion

Schnittstellenbasierte Automatisierungszelle

Automatisierungstechnik

Automatisierungszellen

Messtechnik  goes Digital

Das Batterie-Kompetenzcluster Intelligente Batteriezellproduktion (InZePro) wird vom KIT koordiniert.

Optimierung des Kalandrierprozesses (Einstellung der Eigenschaften von Batterieelektroden) mit Methoden des Maschinellen Lernens.

Batterien

Energiespeicherung

Ingenieurwissenschaften

Intelligente Batteriezellproduktion

IDS zeigt auf der VISION in Stuttgart unter anderem die nächste Evolutionsstufe des KI-Gesamtsystems IDS NXT und die nächste Ausbauphase der uEye Warp10 Kamerafamilie.

IDS NXT: Benutzerfreundliches KI-Vision-Gesamtsystem

Bildverarbeitungskomponenten

Messtechnik

Optische 3D-Messsysteme

Optische Mess- und Prüftechnik

2D/3D-Messtechnik

Geometrische Messtechnik

Messe Vision

VISION 2022: IDS zeigt Neu- und Weiterentwicklungen – 2D, 3D und KI

KI sorgt bei der visuellen Qualitätsinspektion für neue Möglichkeiten zur Automatisierung. Die Generierung synthetischer Bildern vereinfacht deren Einsatz.

KI (Künstliche Intelligenz)

KI-Entwicklung mit synthetischen Bildern zur visuellen Prüfung  von Spritzgussteilen

webbasierte CAQ Lösung mit offener Architektur

Quality Software & Consulting GmbH & Co KG 

https://www.qsc-systems.com

8D-Report

APQP / PPAP

Audit / Auditierung

Audit-Software, Auditmanagement

Aufbau CAQ-System

Beratung und Consulting

Dienstleistungen

Aufbau QM-System

Auswerte- und Analysesoftware

Benchmarking

Big Data für die Qualitätssicherung

CAQ (Computer Aided Quality Assurance)

Qualitätssicherung

Dokumentationsmanagement

Dokumentenmanagement, CAQ

Erstbemusterung, Erstmusterprüfbericht

FMEA-Systeme

Fehlermöglichkeits- und -einflussanalyse

Fehlermanagement

Integriertes Management-System

IoT-Plattformen für die Qualitätssicherung

Kennzahlen, Q-Leitstand, Q-Monitor

Kontinuierlicher Verbesserungsprozess

Lieferantenbeurteilung

Management-Beratung

Management-Informationssysteme

Maßnahmenmanagement

Messdatenerfassung, Software

Modulare Q-Informationssysteme

Produktentwicklung(sprozess)

Prüfmittelverwaltung

Prüfmittelüberwachung

Prüfplanung

Prüfpunkte / Bauteilstempel

QDX / Datenaustauschformat

QM im Gesundheits- / Sozialwesen

QM in IT-Projekten

Qualitätskostenrechnung

Qualitätsplanung

Reklamations-, Beschwerdemanagement

Reporting-Tools

Requirement / Anforderungsmanagement

Rückverfolgbarkeit, Traceability

Six Sigma

Software Qualitätsmanagement

Software für Qualitätssicherung

Statistische Methoden

Vorbereitung zur Zertifizierung

Wareneingangs- / -ausgangsprüfung

Workflow- / Prozessmanagement

Die Carl-Zeiss-Stiftung fördert einen Forschungsverbund der Universität Freiburg im Rahmen ihres Programms „Wissenschaftliche Durchbrüche in Künstlicher Intelligenz“.

Durch Methoden des maschinellen Lernens sollen ReScaLe-Roboter Aufgaben von Menschen erlernen, indem sie ihnen vorgeführt werden.

Software / Betriebssysteme / KI

Carl-Zeiss-Stiftung fördert Forschungsprojekt zu lernenden Assistenzrobotern

FQS-Forschungsprojekt AIDpro: Datenqualität durch Prozessdatenvalidierung

Um Unsicherheiten von Machine Learning in der Produktion zu reduzieren, bündeln das Fraunhofer IPT und das Fraunhofer AISEC ihre Kompetenzen im Entwicklungsvorhaben AIDpro (kurz für Anomaliedetektion in der Produktion).

Machine Learning (ML) Algorithmen ermöglichen es, aus hochdimensionalen und großen Datenmengen Informationen zu gewinnen, um die menschliche Entscheidungsfindung zu unterstützen oder autonom Entscheidungen zu treffen. In rein virtuellen Anwendungen, wie im Online-Marketing oder in Suchmaschinen macht sich ML bereits seit einigen Jahren deutlich bemerkbar.

In der Produktionstechnik bestehen weiterhin große Schwierigkeiten, das Nutzenpotenzial von ML flächendeckend zu erschließen. Der Grund für diese Diskrepanz liegt im Spannungsfeld begründet, das durch folgende Eigenschaften charakterisiert wird:

<ul><li>die Eigenschaften realer Prozessdaten (geringe Datenqualität und hohe Datenkomplexität),</li><li>die ML-Modelleigenschaften (stochastisch, intransparent und anfällig gegenüber Datenfehlern) und</li><li>die hohen produktionstechnischen Anforderungen an die Zuverlässigkeit von Produktionssystemen und die damit verbundenen hohen wirtschaftlichen Risiken.</li></ul>

Für die Produktionstechnik liegt der Schlüssel zum Erfolg in der Datenqualität. Seit Beginn der vierten industriellen Revolution haben viele Unternehmen die Strategie verfolgt, Daten unstrukturiert in großen Mengen in der Hoffnung zu speichern, dass der Wert dieser Daten zukünftig erschlossen werden kann. Weil sich diese Datensätze heutzutage oft als nicht verwertbar herausstellen, haben sich mittlerweile alternative Datenstrategien etabliert. Sie sehen vor, dass bereits bei Datenaufnahme eine höchstmögliche Datenqualität sichergestellt werden muss.

Das Forschungs- & Entwicklungsvorhaben AIDpro

In der Produktion liegt die wesentliche Herausforderung in der Interaktion mit der realen Welt. Mithilfe von Sensorik wird versucht, den Zustand von Bauteilen, Fluiden, Prozessen oder Maschinen zu eindeutig zu bestimmen. Allerdings unterliegen die Daten Messrauschen, werden mit unterschiedlichen Frequenzen erzeugt, werden beeinflusst von Sensorfehlern, Umgebungseinflüssen und falschen Prozesseinstellungen. Sie stellen damit nur eine unsichere Abschätzung der realen Zustände dar. Um für produzierende Unternehmen dieses Problem zu lösen, somit die Qualität von Prozessdaten sicherzustellen und dadurch das Fundament für produktionstechnische ML-Anwendungen zu legen, bündeln das Fraunhofer Institut für Produktionstechnik IPT aus Aachen und das Fraunhofer Institut für Angewandte und Integrierte Sicherheit AISEC aus München ihre Kompetenzen im Entwicklungsvorhaben AIDpro (kurz für Anomaliedetektion in der Produktion). Gefördert wird das geplante Projekt von der FQS Forschungsgemeinschaft Qualität e.V.

Ziel von AIDpro ist die Entwicklung einer standardisierten Datenqualitätssicherung für Produktionsprozesse mithilfe von Datenvalidierungsansätzen und KI-basierter Erkennung von anomalen Daten in enger Zusammenarbeit mit produzierenden Unternehmen. Durch eine standardisierte Sicherheitsschicht werden Prozessrohdaten validiert, indem die Daten fortlaufend überwacht und auf ihre Integrität hin überprüft werden. Ausreißer werden ermittelt und abgefangen. Auch sich zeitlich ausbildende Datendrifts, die beispielsweise aufgrund von Verschleiß eine Herausforderung in Produktionsprozessen darstellen, sollen sich detektieren lassen. Welchen Nutzen besitzt eine solche Lösung für Unternehmen? Die Datenvalidierung bildet neben der Sicherstellung einer hohen Datenqualität das Fundament für die Erschließung einer Vielzahl weiterer Nutzenpotenziale im industriellen Kontext:

<ul><li>Steigerung des wirtschaftlichen Werts der Daten</li><li>Überwachung des Maschinenzustands (Fehlerhafte Daten deuten auf Fehler im Prozess hin)</li><li>Zuverlässiger Einsatz von ML-Modellen auf validierten Daten</li><li>Qualitätsüberwachung (Fehlerhafte Daten deuten auf Fehler im Produkt hin)</li><li>Präzisere Planung von Instandhaltungsmaßnahmen</li></ul>

Neben den technologischen Vorteilen können die Unternehmen durch einen aktiven Austausch im Konsortium ihre Kompetenzen in Digitalisierungsthemen ausbauen, eigene Themen und Anwendungsfälle mit einbringen und wichtige Kontakte zu Forschungsinstituten und Industrieunternehmen knüpfen. Wer das Potenzial von Prozessdaten und die damit verbundenen Effizienzvorteile voll ausschöpfen möchte, muss eine höchstmögliche Datenqualität sicherstellen. Neben mangelnder Digitalisierungskompetenzen stellt genau das eine große Herausforderung im produktionstechnischen Umfeld dar. AIDpro ist auf der Suche nach Unternehmen, die daran interessiert sind – ausgehend von der Umsetzung einer ML-Pilotanwendung auch weitere Herausforderungen der Prozessdigitalisierung gemeinsam mit dem Projektbeteiligten zu lösen.

Fraunhofer-Institut für Produktionstechnologie IPT  

https://www.ipt.fraunhofer.de

Fraunhofer-Institut für Angewandte und Integrierte Sicherheit AISEC 

https://www.aisec.fraunhofer.de

Lösungsanbieter im Bereich Qualitätsmanagement

DGQ Deutsche Gesellschaft für Qualität DGQ Weiterbildung GmbH

https://www.dgq.de

AIDpro - Anomalieerkennung in der Produktion.pdf

<ul><li>Predictive Quality: Wie geeignete Analysemethoden die Qualität optimieren</li><li>Ursachenanalyse: Künstliche Intelligenz mit Domänenwissen kombinieren</li><li>Fahrplan für das Lieferkettengesetz: systematische Einführung</li></ul>

Ausgabenartikel

FQS - DGQ Meldung L

Machine Learning | Qualitätsmanagement | AIDpro

Als wissenschaftlicher Mitarbeiter und Doktorand am Fraunhofer Institut für Produktionstechnologie IPT in Aachen erforscht <b>Lars Leyendecker</b>, wie mithilfe von datengetriebener Optimierung Effizienzpotentiale in produktions- und medizintechnischen Anwendungen erschlossen werden können. Dazu zählen insbesondere Themen wie Erklärbarkeit, Stabilität, Robustheit und Adaptionsfähigkeit von ML-Systemen.

<b>Kontakt:</b> <a href="mailto:lars.leyendecker@ipt.fraunhofer.de">lars.leyendecker@ipt.fraunhofer.de</a>