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

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

Innovationsmanagement

Prozessmanagementmethoden

Prozessmanagement

Jäkel, Claudia

Machine Learning

Datenanalyse

IT-Management

Change Management

Strategie und Organisation

Rechnergestützte Qualitätsmanagementsysteme

Q-Management(system), Strategie

Machine Learning für die Qualitätssicherung

Ursachenanalyse mit KI

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

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

Bildverarbeitung, Machine Vision

Die digitale Transformation des QM

KI unterstützt zwar bei der Identifikation von Wirkzusammenhängen, sollte aber mit dem vorhandenen Domänenwissen kombiniert werden. Trumpf stellt sich dieser Herausforderung in einem aktuellen Projekt.

Die von Xplain Data entwickelte KI-Methodik dient als Werkzeug, um bei Ursachenanalysen nicht nur einzelne Datenobjekte, sondern automatisiert relationale Datenmodelle zu durchsuchen. So entsteht eine skalierbare Methodik zur Generierung von Systemwissen.

Co-Innovationsprojekt von Trumpf und Xplain Data

Qualität

Kunststoffverarbeitung: Verfahren

KI hilft bei der Ursachenanalyse

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

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

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

Kfz-Elektronik

KI optimiert Fahrzeugqualität

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).

Cyber Security für die Qualitätssicherung

FQS-Forschungsprojekt AIDpro: Datenqualität durch Prozessdatenvalidierung

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

Datenbasierte Ansätze zur Entscheidungsunterstützung werden zunehmend anwendungsorientierter und zugänglicher. Allerdings müssen die Ansätze in die Produktion und das unternehmerische Handeln integriert werden.

Datenbasierte Ansätze zur Entscheidungsunterstützung | neuartige Analysekonzepte und -verfahren für große Datenmengen | ➤ Jetzt Fachartikel lesen!

Wie die operative Integration von Predictive Quality in der Produktion gelingt

Vorbeugende Instandhaltung für die Qualitätssicherung

Big Data für die Qualitätssicherung

Predictive Quality in der Produktion

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

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

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.