Kann man mithilfe von KI Lottozahlen vorhersagen, und wo wird Machine Learning bereits heute in der Qualitätssicherung angewendet? Die QZ sprach mit Prof. Reiner Kurzhals und Daniel Philippi

Mit Künstlicher Intelligenz (KI) und Machine Learning zur Predictive Quality

Künstliche Intelligenz für die Qualitätssicherung

Industrie 4.0

Industrie 4.0 für die Qualitätssicherung

Machine Learning / Künstliche Intelligenz für die spanende Fertigung

Industrie 4.0 für die spanende Fertigung

„Menschliche Intelligenz  ist unschlagbar!“

Künstliche Intelligenz (KI) bietet Chancen auf neue Geschäftsmodelle und effizientere Prozesse. Akzeptiert wird KI aber nur, wenn Anwendungen qualitativ hochwertig, sicher und zuverlässig sind.

Warum Künstliche Intelligenz standardisiert wird

In den letzten Jahren hat das maschinelle Lernen als Teildisziplin der künstlichen Intelligenz in vielen Bereichen, wie etwa der Produktion oder Medizin, verstärkt an Bedeutung gewonnen. Immer wichtiger wird dabei das sogenannte Deep Learning.

Erklärbarkeit maschineller Lernverfahren

Blick in die Black Box

KI-basierte Systeme versprechen auch für kleine und mittlere Unternehmen (KMU) enorme Potenziale. Die Einsatzfelder reichen von Assistenzsystemen für Routineaufgaben über intelligente Chatbots im Kundenmanagement und KIunterstützte Simulation in der Produktentwicklung bis hin zur automatisierten Lagerhaltung.

Potenziale und konkrete Umsetzungskonzepte

Künstliche Intelligenz

qz-online.de

Digitalisierung

Künstliche Intelligenz (KI) im Mittelstand

Erfolgreiche Praxisbeispiele, wie die KI-Einführung im Mittelstand gelingt, welche Potenziale KI für die unterschiedlichen Anwendungsbereiche bringt und wie sich Investitionen für neue Technologien refinanzieren lassen.

Künstliche Intelligenz (KI) im Mittelstand: Praxisbeispiele

webbasierte CAQ Lösung mit offener Architektur

16:9

Quality Software & Consulting GmbH & Co KG 

https://www.qsc-systems.com

8D-Report

Qualitätsmethoden

APQP / PPAP

Audit / Auditierung

Audit-Software, Auditmanagement

Software

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

Qualitätsmanagement

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

Machine Learning für die Qualitätssicherung

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

SPC, Statistische Prozesssteuerung

Six Sigma

Software Qualitätsmanagement

Software für Qualitätssicherung

Statistische Methoden

Vorbereitung zur Zertifizierung

Wareneingangs- / -ausgangsprüfung

Workflow- / Prozessmanagement

Durch „lernfähige“ Maschinen und die Nutzung von Künstlicher Intelligenz (KI) sind produzierenden Unternehmen ganz neue Möglichkeiten gegeben. So treibt das Birkenfelder Unternehmen MCD Elektronik in einem Entwicklungsprojekt die KI-gestützte Messdaten-Analyse voran.

Bild 1. Künstliche Intelligenz: Schneller und exakter als ein menschlicher Awender © MCD Elektronik GmbH

Messtechnik

Intelligente Analysen  durch Cluster und Algorithmen

Künstliche Intelligenz (KI) wird den Arbeitsalltag vieler Beschäftigten verändern – in der Fabrik genauso wie im Büro. Die neue Arbeitsteilung zwischen Mensch und Technik erfordert neue Kompetenzen. Zentrale Herausforderung für eine erfolgreiche Einführung von KI-Systemen in Unternehmen ist deshalb die Weiterbildung der Beschäftigten.

Welche Kompetenzen in der Arbeitswelt wichtig werden

Karriere

Fit für Künstliche Intelligenz (KI)

Die MVTec Software GmbH, internationaler Software-Anbieter für die industrielle Bildverarbeitung, bringt am 17. November 2021 die neue Version 21.11 der Machine-Vision-Standardsoftware HALCON auf den Markt.

Version 21.11 der Machine-Vision-Software HALCON

Bildverarbeitungs-Software

Fertigungsautomation

Bildverarbeitung

Messe Vision

MVTec erweitert Deep-Learning-Spektrum

Das Fraunhofer IAIS hat in der veröffentlichten Studie Management System Support for Trustworthy Artificial Intelligence den Standard-Entwurf für KI-Managementsysteme der International Organization for Standardization (ISO) und die bisherigen Richtlinien miteinander verglichen.

20:7

KI-Managementsysteme fördern Vertrauen in KI

Im Forschungsprojekt GeMeKI entwickelt das Fraunhofer IPT gemeinsam mit elf Partnern KI-gestützte Assistenzsysteme für das Fügen, Trennen und Umformen.

Prozessoptimierung durch KI-gestützte Datenanalyse anhand eines Fräsverfahrens

Forschung + Entwicklung

Digitale Transformation

Wirtschaft

Innovationen und neue Technologie

Digitaltechnik

Elektronik

Wechselseitiges Feedback zwischen  Mensch und Maschine

Das einjährige Jubiläum der KI- und Bildverarbeitungs-Plattform visionpier hat die IDS Imaging Development Systems GmbH zum Anlass für ein erstes virtuelles Community-Treffen genommen.

KI- und Bildverarbeitungs-Plattform

Bildverarbeitung, Machine Vision

Online-Marktplatz visionpier

Integrierte KI-Technologien mit Anomalien-Detektion heben die Erkennungsraten von Fehlern auf eine höhere Leistungsstufe.

Integrierte KI mit Anomalien-Detektion

Deep Learning

Datenanalyse

Perfektionierte Wertschöpfungsketten

Prof. Marco Huber vom Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA erklärt die Gründe, warum Menschen und KI-Systeme Hand in Hand arbeiten können und sollten.

Univ.-Prof. Dr.-Ing. habil. Marco Huber, Leiter Zentrum Cyber Cognitive Intelligence CCI , Abteilungsleiter Bild- und Signalverarbeitung, Leiter KI-Fortschrittszentrum am Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA in Stuttgart.

Bildverarbeitungssysteme

Messe Control

Künstliche Intelligenz (KI) als Werkzeug einsetzen

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

Machine Learning

Energieeffizienz

Projekt ML4P optimiert Effizienz der Industrieproduktion

Open Source Werkzeuge geben künftig den Takt vor

Gemeinsam mit DATATRONIQ und der AdvancedAnalytics.Academy hat die DGQ ein Training entwickelt, das einen strukturierten Zugang zur Programmiersprache Python ermöglicht.

Für Qualitätssicherung und -kontrolle stehen immer mehr Daten zur Verfügung. Eine wichtige Rolle spielen hier Open-Source-Anwendungen wie Python. Gemeinsam mit DATATRONIQ und der AdvancedAnalytics.Academy hat die DGQ ein Training entwickelt, das einen strukturierten Zugang zu dieser Programmiersprache ermöglicht.

Durch die zunehmende Digitalisierung der Produktionsprozesse, den Aufbau und Ausbau von Sensorik sowie die Fortschritte in der Messtechnik stehen künftig deutlich mehr qualitätsbeschreibende und weitaus hochauflösendere Daten zur Verfügung, um die Qualität von Bauteilen oder Prozessen bewerten zu können.

Stetig wachsende Datenvolumina erfordern neue Analysewerkzeuge

Um die großvolumigen Daten künftig effizient verarbeiten und analysieren zu können, werden Werkzeuge benötigt, die sich problemlos mit den wachsenden Datenmengen skalieren lassen. Sie müssen außerdem in der Lage sein, die Datenverarbeitung automatisiert und idealerweise inline durchzuführen. Unternehmen können somit manuelle und stichprobenbasierte Prüfprozesse durch automatisierte Inline-Kontrollen im Fertigungsprozess ersetzen. Neben der vollständigen Prüfabdeckung in Form einer 100-prozentigen Digitalprüfung führt dies auch zu einer weiteren Erhöhung der Wertschöpfung.

Herkömmliche Mess- und Analysemethoden überwachen in der Regel einzelne Messreihen hinsichtlich einer Verletzung von Toleranzgrenzen (sogenannte univariate Analysen). Algorithmen der Künstlichen Intelligenz (KI) sind dagegen in der Lage, ein Vielfaches an hochfrequenten Zeitreihen auf einmal zu analysieren (multivariate Analysen). Dadurch ist es möglich, auch Korrelationen zwischen einzelnen Messreihen zu analysieren und diese automatisiert nach Auffälligkeiten zu durchforsten. Dabei entdecken KI-Methoden nicht nur Anomalien, sondern liefern zusätzlich auch noch Erklärungskomponenten, um die Ursachen für eine aufgetretene Messanomalie zu deuten und schneller interpretieren zu können. Dadurch lässt sich die Fehlersuche bei Qualitätsproblemen deutlich beschleunigen.

Open-Source-Werkzeuge: „Quasi-Standard“ für Big Data Analytics

In den letzten zehn Jahren haben sich Open-Source-basierte Werkzeuge zu den Schlüsseltechnologien moderner Big-Data-Infrastrukturen entwickelt – mit Python als „Quasi-Standard“ für Data Analytics, Machine Learning und Künstliche Intelligenz. Dabei geben heute Open-Source-basierte Technologien wie Python, Spark oder Kafka den Takt für die Verarbeitung und die Analyse großer Datenmengen vor. Neue Statistik- und KI-Algorithmen werden in einer weltweiten Community quasi im Tagesrhythmus entwickelt und stehen zur Verwendung in Python bereit.

Der Vorteil von Python besteht darin, dass alle bewährten und für SPC relevanten Statistik-Methoden verfügbar sind. Darüber hinaus stehen mächtige Visualisierungs- und Chart-Bibliotheken bereit, mit denen man sämtliche Methoden der statistischen Prozesskontrolle (SPC) wie Scatter Plots, Pareto Charts, Bar Charts, Regelkarten bis hin zu Gage RnR Charts abbilden kann. Erweitert werden die SPC Methoden durch mächtige multivariate KI-Algorithmen, welche die Verwendung von unüberwachten (Unsupervised Learning), halb-überwachten (Semi-supervised Learning) und überwachten Lernmethoden (Supervised Learning) ermöglichen. Eine weitere Stärke von Python stellt die Verarbeitung von nahezu allen gängigen Datenformaten dar, so dass beispielsweise auch die Verarbeitung von Audio-, Bild- und Video-Formaten im Rahmen von Qualitätskontrollen problemlos möglich ist.

Neues DGQ-Schulungsformat für die Nutzung von Python

Gemeinsam mit der Deutschen Gesellschaft für Qualität und der DATATRONiQ GmbH hat die AdvancedAnalytics.Academy ein innovatives Schulungskonzept entwickelt. Die Teilnehmer werden durch ein dreitägiges Training in die Lage versetzt, die Vorzüge von Python von der Pike auf kennenzulernen. Mit dem erlernten Know-how können sie mit den ersten praktischen Anwendungen in Sachen KI-basierter Qualitätskontrolle beginnen. Das E-Training „Qualitätsprozesse mit Python automatisiert analysieren“ startet zunächst mit einer Einführung in Python, um die Grundzüge der Programmiersprache kennenzulernen.

Mit dem Erlernen der wesentlichen Datenverarbeitungsfunktionen, Statistikmethoden und Visualisierungstechniken wird die Grundlage für die Verwendung von Python im Rahmen der statistischen Prozesskontrolle (SPC) geschaffen. Hier werden im Six-Sigma-Kontext die etablierten Statistikmethoden vorgestellt, wie beispielsweise Berechnungen der Prozessfähigkeit, Verwendung von Regelkarten in Abhängigkeit der zugrundeliegenden Stichprobe, Gage RnR. Darüber hinaus behandelt das Training auch gängige Statistikmethoden, wie beispielsweise Pareto-Charts, Bar-Charts, Box-Plots, Violin Plots und Korrelations-Matrizen beziehungsweise -Heatmaps.

Ein weiterer Schwerpunkt der Lehrveranstaltung liegt in der praktischen Anwendung von Methoden der Künstlichen Intelligenz im Rahmen der Qualitätskontrolle. Hier werden die theoretischen Grundlagen rund um notwendige Datenaufbereitungstechniken, die wichtigsten Algorithmen, das Trainieren von KI-Modellen, deren Interpretation sowie dem Deployment der Modelle in Rahmen einer Produktivsetzung behandelt. Um den Praxisbezug über die gesamte Schulung hinweg aufrecht zu erhalten, begleiten praktische Übungen alle theoretischen Inhalte. Sämtliche Datenbeispiele in den praktischen Übungen stellt DATATRONiQ in Form anonymisierter Realdaten aus Fertigungsprozessen bereit.

Um den Anforderungen an eine reibungslose Durchführung des E-Trainings gerecht zu werden, wurde mit AltaSigma eine moderne cloudbasierte KI-Plattform bereitgestellt. Die Teilnehmer können ausschließlich über den Browser darauf zugreifen. Somit werden lokale Installationen auf den Rechnern der Teilnehmer vermieden. Es ist zudem sichergestellt, dass sie mit den identischen qualitätsgesicherten Python Bibliotheken arbeiten können. Über AltaSigma haben alle Teilnehmer Zugriff auf die Daten, Übungen und Lösungen, welche per Notebooks bereitgestellt werden. Im Rahmen der Bearbeitung der einzelnen Übungen erlernen die Teilnehmer neben der reinen Programmierung in Python zusätzlich das kollaborative Arbeiten in einer modernen cloudbasierten KI-Plattform.

Lösungsanbieter im Bereich Qualitätsmanagement

DGQ Deutsche Gesellschaft für Qualität DGQ Weiterbildung GmbH

https://www.dgq.de

<ul><li>Wie Predictive Quality in die Produktion integriert wird</li><li>Warum QM und Informationssicherheit zusammen gehören</li><li>SPECIAL: Bildverarbeitung und KI</li></ul>

Ausgabenartikel

1 DGQ Weingärtner - Hauptartikel

<b>Stefan Weingärtner</b> ist Gründer und Geschäftsführer der DATATRONiQ GmbH, einem AIoT Lösungsanbieter für das Industrielle Internet der Dinge (IIoT). Darüber hinaus ist er Gründer und Geschäftsführer der AltaSigma GmbH, einem Anbieter einer Enterprise AI Orchestration Plattform, mit der Unternehmen Künstliche Intelligenz in ihrem jeweiligen Geschäftsfeld in kürzester Zeit effizient nutzen können.

DGQ Weiterbildung GmbH <br/>Tel. +49 69 954 24–333 <br/><a href="http://www.dgq.de" target="_blank">www.dgq.de</a>