Mehrere Forschungspartner wollen die am 28.3.2022 eröffnete Forschungsfabrik zur schnellen Industrialisierung von Produktionsprozessen nutzen.

Feierliche Eröffnung des Entwicklungs- und Demonstrationszentrums am KIT Campus Ost (v.l.): Dr. Nicole Hoffmeister-Kraut, Professor Dr.-Ing. habil. Jürgen Beyerer, Winfried Kretschmann, Prof. Dr.-Ing. Jürgen Fleischer, Professor Dr.-Ing. Holger Hanselka, Theresia Bauer, Professor Frank Henning, Prof. Dr. Frank Mentrup und Prof. Dr. Raoul Klingner.

16:9

Wirtschaftspolitik in Deutschland

Wirtschaft

Produktionssystem

Qualitätsmanagement

Künstliche Intelligenz für die Qualitätssicherung

Industrie 4.0

Industrie 4.0 für die Qualitätssicherung

Digitale Transformation

Innovationen und neue Technologie

Produktionsmanagement

Produktion

Bildverarbeitung

Fertigungsautomation

Bildverarbeitungssysteme

Digitaltechnik

Elektronik

Weiterbildung, allgemeine

Dienstleistungen

Seminare, Schulungen, Kongresse

Hochschulen

Optoelektronische Bilderkennung, Bildverarbeitungssysteme

Machine Learning / Künstliche Intelligenz für die spanende Fertigung

Industrie 4.0 für die spanende Fertigung

Digitalisierung

Forschungsinstitute (MPI, FHG)

Produktmanagement

Produktentwicklung (F+E)

Eröffnungsfeier der Karlsruher Forschungsfabrik

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

Machine Learning

Datenanalyse

Ingenieurwissenschaften

Machine Learning für die Qualitätssicherung

Intelligente Batteriezellproduktion

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

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

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

 Softwareupdate und Probemonat für die KI-Trainingssoftware IDS NXT ocean

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

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

„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

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

Quality Software & Consulting GmbH & Co KG 

https://www.qsc-systems.com

8D-Report

Qualitätsmethoden

APQP / PPAP

Audit / Auditierung

Audit-Software, Auditmanagement

Aufbau CAQ-System

Beratung und Consulting

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

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

KI und Optometron lösen komplexe BV-Aufgaben mit dem Komplettsystem aus der Software VIS-VISION, dem Modul Deep Learning und der Makro-Station.

Mit der Optometron Makro-Station, der Software VIS-VISION und dem Modul Deep Learning lassen sich strukturlos vorliegende Objekte schnell und einfach analysieren.

Analysegeräte

Werkstoffprüfung

Bildverarbeitungskomponenten

Beleuchtungssysteme für die Bildverarbeitung

Längenmesssysteme

Sensoren / Messwertaufnehmer

Mikroskope mit digitaler Bildverarbeitung

Optische Mess- und Prüftechnik

Messlupen

Oberflächeninspektion

Form- / Oberflächenmesstechnik

Identifikationssysteme und Komponenten

Hochgeschwindigkeitskameras

Oberflächenmessgeräte

Markiersysteme

Messzubehör

Zerstörungsfreie Werkstoffprüfung

Messe Control

VIS-VISION prüft mit KI ungeordnete Objekte extrem schnell

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)

Projekt ML4P optimiert Effizienz der Industrieproduktion

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

Verfahren der Künstlichen Intelligenz werden bisher verstärkt in Bereichen wie der Bildanalyse oder der Spracherkennung eingesetzt. Im Bereich der industriellen Produktion sind sie noch Mangelware. Mehrere Fraunhofer-Institute haben im Leitprojekt »ML4P – Machine Learning for Production« eine Lösung entwickelt, mit der die Industrieproduktion durch maschinelles Lernen deutlich effizienter wird. Die darauf basierende Software-Suite ist sehr flexibel und auch mit älteren Maschinen kompatibel.

Das produzierende Gewerbe ist eine der tragenden Säulen der deutschen Wirtschaft. Nach Angaben des Statistischen Bundesamts gab es 2017 mehr als 700 000 produzierende Unternehmen mit etwa 7,4 Millionen Beschäftigten und einem Umsatz von über 2 Billionen Euro. Zu dieser wirtschaftlichen Stärke tragen Unternehmen aus Branchen wie Automobilbau, Elektrotechnik, Maschinenbau, Nahrungsmittelproduktion, Kunststoff oder Chemie bei. Viele dieser Unternehmen nutzen große Geräteparks und komplexe Produktionsanlagen. Moderne Maschinen, ausgestattet mit umfangreicher Sensorik, liefern immer mehr Daten. Hierdurch ist ein großes Potenzial entstanden, die Produktion durch Analyse der Daten mithilfe von Künstlicher Intelligenz (KI) und Machine Learning (ML) zu optimieren

Ein Konsortium aus mehreren Fraunhofer-Instituten will nun das bisher weitgehend ungenutzte Potenzial für die Industrie nutzbar machen. Unter Federführung des Fraunhofer-Instituts für Optronik, Systemtechnik und Bildauswertung IOSB haben sie im vierjährigen Leitprojekt »ML4P – Machine Learning for Production« eine leistungsfähige Lösung erstellt, mit der Unternehmen ihre Produktion auf Basis von ML-Technologien optimieren können. Der ML4P-Ansatz ist eine Kombination aus einem wissenschaftlich fundierten Vorgehensmodell und darauf aufbauenden Software-Tools. Ziel ist es, die Produktion schneller, energieeffizienter und ressourcenschonender zu gestalten. Die ML-basierten Software-Tools können beispielsweise durch die Analyse der Maschinendaten versteckte Zusammenhänge entdecken und damit eine Optimierung des Fertigungsprozesses initiieren. Durch ihre Lernfähigkeit sind sie zudem in der Lage, die Produktion kontinuierlich zu verbessern. Das kommt auch der Produktqualität zugute.

Die Software ist dabei nur ein Teil des ML4P-Ansatzes. Eine entscheidende Grundlage ist das so genannte Vorgehensmodell. Christian Frey, Abteilungsleiter Mess-, Regelungs- und Diagnosesysteme am Fraunhofer IOSB und ML4P-Projektleiter, erklärt: »Wir überfallen die Unternehmen nicht mit einer fertigen Software-Lösung, sondern gehen mit unserem Vorgehensmodell gemeinsam mit dem Unternehmen methodisch und schrittweise vor.« Erster Schritt ist die Analyse des Ist-Zustands des Produktionsprozesses. Auf dieser Basis identifizieren die Experten mögliche Optimierungspotenziale, legen Ziele fest und erarbeiten ein Konzept für den Einsatz von ML4P. In einem nächsten Schritt überprüfen sie, ob das Konzept auf Grundlage der vorhandenen Maschinen und Daten wirklich funktioniert und wie das zu den Unternehmenszielen passt.

»Das Vorgehensmodell ist in mehrere, aufeinander aufbauende Phasen gegliedert. Die Entscheidung, ob ein Unternehmen sich wirklich für den Einsatz von ML4P entscheidet, fällt erst dann, wenn sicher ist, dass das Konzept funktioniert, gut umsetzbar und betriebswirtschaftlich sinnvoll ist«, sagt Lars Wessels, stellvertretender ML4P-Projektleiter.

Im nächsten Schritt werden die Prozessdaten der Anlagen und Maschinen in ein umfassendes, digitales Informationsmodell überführt. Ebenso wichtig wie die Daten ist dabei das Expertenwissen. Hier bringen Ingenieurinnen und Ingenieure ihre Kenntnisse über alle Prozessschritte, die Funktion und das Zusammenspiel aller Maschinen ein. Das Expertenwissen fließt in digitaler Form in eine ML4P-Verarbeitungspipeline zum Erlernen eines Prozessmodells ein. Erst danach folgen die Implementierung und der Probebetrieb. Am Schluss stehen die Übergabe und der Start in den Produktionsalltag.

Für die Implementierung einer ML-optimierten Produktion stellt die Software-Suite eine Reihe Tools zur Verfügung, darunter auch generische Tools für typische Aufgaben wie die Überwachung des Betriebsstatus einer Maschine. Diese sind kompatibel zu einer Vielzahl industrieller Kommunikationsschnittstellen wie beispielsweise OPC UA (Open Platform Communications Unified Architecture). Wo immer möglich verzichten die Fraunhofer-Forschenden auf proprietäre Softwareprotokolle und setzen auf etablierte Standards und Programmierschnittstellen.

Skalierbarkeit und Flexibilität sind weitere Stärken des Konzepts. Nach der Inbetriebnahme sind die einzelnen Module jederzeit anpassbar, lernen mithilfe der eingehenden Maschinendaten laufend dazu und können so Optimierungspotenziale aufzeigen. Neue Anlagen lassen sich problemlos integrieren, ebenso wie die meisten älteren Maschinen, auch solche, die vielleicht schon 30 oder gar 40 Jahre alt sind. »Es kommt weniger auf die Maschine an als darauf, ob sie geeignete Daten liefern kann, etwa wenn sie mit Sensorik ausgestattet ist«, sagt Wessels. Auch kleinere Betriebe können ML4P einsetzen, selbst wenn sie nur bestimmte Abschnitte einer Fertigung optimieren wollen.

»Viele Unternehmen stehen dem Einsatz von Künstlicher Intelligenz oder ML noch skeptisch gegenüber, weil sie das enorme Potenzial von maschinellem Lernen für die Produktion noch nicht erkannt haben. Aber die modular aufgebaute Fraunhofer-Plattform bietet Eigenschaften wie Transparenz, Flexibilität und Skalierbarkeit. Dadurch sinken die Einstiegshürden«, sagt Frey.

Das ML4P-Team hat das Konzept bereits in verschiedenen Anwendungsdomänen erprobt. Am Fraunhofer-Institut für Werkzeugmaschinen und Umformtechnik IWU wurden Lösungen für die Blechumformung entwickelt. Das Fraunhofer-Institut für Fabrikbetrieb und -automatisierung IFF hat die Fertigung von Membranfiltern optimiert, und das Fraunhofer-Institut für Werkstoffmechanik IWM testete das Konzept bei einer Anlage zum Biegen von Glas. Viele Software-Tools wurden auf Basis dieser Praxistests bereits entwickelt.

»Wir sind sehr froh, dass das ambitionierte Projekt ML4P nach vier Jahren Arbeit erfolgreich abgeschlossen ist. Damit steht Unternehmen des produzierenden Gewerbes erstmals die Möglichkeit offen, das Optimierungspotenzial des maschinellen Lernens für die Produktion voll auszuschöpfen«, sagt Frey.

Weitere Informationen zum Projekt erhalten Sie unter folgendem Link:

<b><a href="https://www.fraunhofer.de/de/presse/presseinformationen/2022/april-2022/fraunhofer-projekt-ml4p-optimiert-effizienz-der-industrieproduktion.html" target="_blank">www.fraunhofer.de/ML4P</a></b>

<b><a href="https://www.qz-online.de/news">zur Newsübersicht</a></b>

Fraunhofer-Institut für Werkzeugmaschinen und Umformtechnik IWU 

https://www.iwu.fraunhofer.de

Presshärteprozess bei der Blechbearbeitung am Fraunhofer IWU in Chemnitz.

2022-04-11 Fraunhofer IWU ML4P

Energieeffizienz

Wir laden Sie herzlich ein zu einem Tag voller Qualität. Das Q.Event ist eine Branchen-Tagung für alle Qualitätsbegeisterte, bei dem wir uns spannenden Themen rund um das Qualitätsmanagement widmen.

Qualitätsmanagement-Seminare

Q.Event

ausgabe 05/2022

ausgabe 04/2022

ausgabe 03/2022

Über die Zeitschrift

Kontakt

Mediadaten

DGQ News

Partnerlinks

Organschaft

Mein Login

Impressum

Impessum

AGB / Versandbedingungen für Buchbestellungen & Abonnement-Bedingungen für Fachzeitschriften

Datenschutzerklärung der Carl Hanser Verlag GmbH & Co. KG

Datenschutz

Normen & Standards