Die Probleme einer aufwändigen Installation, einer zu hohen Fehlerquote der Ergebnisse sowie unflexible Systeme adressiert nun eine modulare Plattform für Computer Vision.

Oberflächenerkennung mit der MoonVision-Plattform (© MoonVision)

16:9

20:7

Modulare Plattform für Computer Vision.

Künstliche Intelligenz für die Qualitätssicherung

Industrie 4.0

Industrie 4.0 für die Qualitätssicherung

Bildverarbeitung

Fertigungsautomation

Oberflächeninspektion

Messtechnik

Form- / Oberflächenmesstechnik

KI-Plattform für die  Oberflächenprüfung

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

Machine Learning / Künstliche Intelligenz für die spanende Fertigung

Industrie 4.0 für die spanende Fertigung

„Menschliche Intelligenz  ist unschlagbar!“

Die in-situ Überwachung des Laserschweißens und die Echtzeitdatenverarbeitung stellen eine besondere Herausforderung dar. Nun ermöglicht eine KI-basierte Prozessüberwachung in Echtzeit z.B. die automatisierte Bewertung von Schweißnähten an Automobilbauteilen.

KI-basierte Prozessüberwachung von Laserstrahl-Schweißnähten

Inline-Messtechnik

Identifikation  von Prozessfehlern

Inspiriert durch unseren Auftrag, Leben, Eigentum und Umwelt zu schützen, unterstützen wir Unternehmen in ihrem Bestreben, die Sicherheit und Nachhaltigkeit ihrer Aktivitäten zu steigern.

DNV Business Assurance Zertifizierung GmbH  

https://www.dnv.de/assurance

Akkreditierung

Dienstleistungen

Arbeitssicherheit

Recht allgemein / sonst.

Audit / Auditierung

Qualitätsmethoden

Auditorentraining

Seminare, Schulungen, Kongresse

Beruf des Qualitätsmanagers

Qualitätsmanagement

Business Process Management

Prozessmanagement

Wirtschaft

Coaching

Management allgemein

Compliance Management

Corporate Social Responsibility

EFQM

Energieeffizienz

IATF 16949

Normen / Standards

ISO 9001:2015

Karriere

Unternehmen und Unternehmer

Kontinuierlicher Verbesserungsprozess

Kundenorientierung

Lieferantenbeurteilung

Management Seminare

Management-Informationssysteme

Software

Nachhaltigkeit

Umweltmanagement

Normen

Produkthaftung

QM im Gesundheits- / Sozialwesen

Beratung und Consulting

QM-Methoden

Qualitätsmanagement-Seminare

Risikomanagement

Strategie und Organisation

Soft Skills

Umweltaudit

Nicht nur in der Welt der intelligenten Sprachassistenten oder des autonomen Fahrens spielt künstliche Intelligenz eine immer größere Rolle. Auch im Kontext der Produktion und vor allem des Qualitätsmanagements eröffnet Künstliche Intelligenz neue Wege, die Produktivität und Qualität innerhalb eines Unternehmens zu steigern.

Künstliche Intelligenz

qz-online.de

Digitalisierung

Künstliche Intelligenz in der Produktionstechnik

Die Fachmesse Control kann auch in diesem Jahr nicht als Präsenzveranstaltung stattfinden. Nach Rücksprache mit Ausstellern und Beirat sagt der Messeveranstalter P. E. Schall das Branchenhighlight ab, das für den 4. bis 7. Mai 2021 vorbereitet worden war.

Qualitätsplanung

Verbände, Institutionen, Messen

Messeveranstalter

Qualitätssicherung

Qualität

Kunststoffverarbeitung: Verfahren

Software für Qualitätssicherung

Messe Control

Qualitätsnachweise

Control 2021 nicht als Präsenzmesse

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

Das Werkzeugmaschinenlabor WZL der RWTH Aachen wird im Rahmen des Förderprogramms als Konsortialführer ab sofort das regionale Zukunftszentrum für menschzentrierte KI in der Produktionsarbeit, „ZuKIPro“, zusammen mit sechs weiteren Partnern in Hessen aufbauen.

„ZuKIPro“ unterstützt kleine und mittlere Unternehmen in Hessen

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

Der gesetzlich vorgeschriebene Wechsel zu bleifreien Loten erhöht die Ausfallraten bei Lötverbindungen auf Leiterplatten. Diese wurden mit Systemen für die kameragestützte automatische Bildauswertung kontrolliert, die jedoch an Grenzen stießen.

 Bild 1. Rauchmelder für den Brandschutz: Die Bauteile werden mithilfe von Bestückungsautomaten auf die Platine gesetzt und anschließend von oben bleifrei verlötet.

KI-basierte neuronale Netze helfen bei der Kontrolle von Lötverbindungen

Bildverarbeitung, Machine Vision

Messe Vision

Bessere Prüfergebnisse  mit Deep Learning

Künstliche Intelligenz (KI) hat in den vergangenen Jahren insbesondere in der Bildverarbeitung ihr hohes Potenzial gezeigt. Allgemein bekannt sind hier vor allem Klassifizierungsaufgaben, wie beispielsweise die Unterscheidung zwischen Hunde- und Katzenbildern [Golle 2008]. Im industriellen Umfeld findet man Klassifizierungsaufgaben insbesondere in der Qualitätssicherung (QS).

KI-basierte Bildverarbeitung in der Qualitätssicherung

Bildverarbeitungskomponenten

Auf dem Vormarsch

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 (KI) im Mittelstand

Künstliche Intelligenz kann in vielen Bereichen eingesetzt werden. Ein Beispiel sind Bewerbungsverfahren. So gibt es etwa Software, die Fragen für Bewerbungsgespräche entwickelt, damit diese am Ende besser vergleichbar sind.

Software für Bewerbungsgespräche

KI im Recruiting

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

Für den führenden Hersteller von High-End Leiterplatten AT&S entwickelte das Know-Center einen KI-Algorithmus. Dieser erkennt nicht nur die Bilder der Leiterplatten richtig, sondern liefert auch zusätzlich eine Erklärung, warum eine Leiterplatte als defekt oder intakt erkannt worden ist.

Bildverarbeitungs-Software

AT&S nutzt „smarte“ Qualitätskontrollen

Der Schlüssel zum Erfolg bei der praktischen KI-Implementierung ist das frühzeitige Aufdecken von Problemen.

Ingenieur*innen, die Machine Learning und Deep Learning einsetzen, erwarten oft, dass sie einen großen Teil ihrer Zeit mit der Entwicklung und Feinabstimmung von KI-Modellen verbringen. Die Modellierung ist zwar ein wichtiger Schritt im Workflow, aber das Modell ist nicht alleiniges Ziel. Der Schlüssel zum Erfolg bei der praktischen KI-Implementierung ist das frühzeitige Aufdecken von Problemen.

Vier Schritte lassen sich in einem KI-gesteuerten Workflow unterscheiden

Die Datenaufbereitung ist wohl der wichtigste Schritt im KI-Workflow: Ohne robuste und genaue Daten zum Trainieren eines Modells sind Projekte rasch zum Scheitern verurteilt. Wenn Ingenieur*innen das Modell mit „schlechten“ Daten füttern, werden sie keine aufschlussreichen Ergebnisse erhalten – und wahrscheinlich viele Stunden damit verbringen, herauszufinden, warum das Modell nicht funktioniert.

Um ein Modell zu trainieren, sollten Ingenieur*innen mit sauberen, gelabelten Daten beginnen, und zwar mit so vielen wie möglich. Dies kann einer der zeitaufwendigsten Schritte des Workflows sein. Wenn Deep Learning-Modelle nicht wie erwartet funktionieren, konzentrieren sich viele darauf, wie man das Modell verbessern kann – durch das Optimieren von Parametern, die Feinabstimmung des Modells und mehrere Trainingsiterationen. Doch noch viel wichtiger ist die Aufbereitung und das korrekte Labeln der Eingabedaten. Das darf nicht vernachlässigt werden, um sicherzustellen, dass Daten korrekt vom Modell verstanden werden können.

Sobald die Daten sauber und richtig gelabelt sind, kann zur Modellierungsphase des Workflows übergegangen werden. Hierbei werden die Daten als Input verwendet und das Modell lernt aus diesen Daten. Das Ziel einer erfolgreichen Modellierungsphase ist die Erstellung eines robusten, genauen Modells, das intelligente Entscheidungen auf Basis der Daten treffen kann. Dies ist auch der Punkt, an dem Deep Learning, Machine Learning oder eine Kombination davon in den Arbeitsablauf einfließt. Hier entscheiden die Ingenieur*innen, welche Methoden das präziseste und robusteste Ergebnis hervorbringt.

Die KI-Modellierung ist ein iterativer Schritt innerhalb des gesamten Workflows, und Ingenieur*innen müssen die Änderungen, die sie während dieses Schritts am Modell vornehmen, nachverfolgen können. Die Nachverfolgung von Änderungen und die Aufzeichnung von Trainingsiterationen mit Tools wie dem Experiment Manager von MathWorks sind entscheidend, da sie helfen die Parameter zu erklären, die zum genauesten Modell führen und reproduzierbare Ergebnisse liefern.

Ingenieur*innen müssen beachten, dass KI-Elemente meistens nur ein kleiner Teil eines größeren Systems sind. Sie müssen in allen Szenarien im Zusammenspiel mit anderen Teilen des Endprodukts korrekt funktionieren, einschließlich anderer Sensoren und Algorithmen wie Steuerung, Signalverarbeitung und Sensorfusion. Ein Beispiel ist hier ein Szenario für automatisiertes Fahren: Dabei handelt es sich nicht nur um ein System zur Erkennung von Objekten (Fußgänger*innen, Autos, Stoppschilder), sondern dieses System muss mit anderen Systemen zur Lokalisierung, Wegplanung, Steuerung und weiteren integriert werden. Simulationen und Genauigkeitstests sind der Schlüssel, um sicherzustellen, dass das KI-Modell richtig funktioniert und alles gut mit anderen Systemen harmoniert, bevor ein Modell in der realen Welt eingesetzt wird.

Um diesen Grad an Genauigkeit und Robustheit vor dem Einsatz zu erreichen, müssen Ingenieur*innen validieren, dass das Modell in jeder Situation so reagiert, wie es soll. Sie sollten sich auch mit den Fragen befassen, wie exakt das Modell insgesamt ist und ob alle Randfälle abgedeckt sind. Durch den Einsatz von Werkzeugen wie Simulink können Ingenieur*innen überprüfen, ob das Modell für alle erwarteten Anwendungsfälle wie gewünscht funktioniert, und so kosten- und zeitintensive Überarbeitungen vermeiden.

Ist das Modell reif für die Bereitstellung, folgt als nächster Schritt der Einsatz auf der Zielhardware – mit anderen Worten, die Bereitstellung des Modells in der endgültigen Sprache, in der es implementiert werden soll. Das erfordert in der Regel, dass die Entwicklungsingenieur*innen ein implementierungsbereites Modell nutzen, um es in die vorgesehene Hardwareumgebung einzupassen.

Die vorgesehene Hardwareumgebung kann vom Desktop über die Cloud bis hin zu FPGAs reichen. Mithilfe von flexiblen Werkzeugen wie MATLAB kann der endgültige Code für alle Szenarien generiert werden. Das bietet Ingenieur*innen den Spielraum, ihr Modell in einer Vielzahl von Umgebungen einzusetzen, ohne den ursprünglichen Code neu schreiben zu müssen. Das Deployment eines Modells direkt auf einer GPU kann hier als Beispiel dienen: Die automatische Codegenerierung eliminiert Codierungsfehler, die durch eine manuelle Übersetzung entstehen könnten, und liefert hochoptimierten CUDA-Code, der effizient auf der GPU läuft.

<a href="http://www.mathworks.com">www.mathworks.com</a>

MathWorks GmbH  

https://www.mathworks.de

<ul><li>Warum klassische Qualitätssicherung heute an Grenzen stößt</li><li>Wie Prozessdigitalisierung ohne Programmierung gelingt</li><li>Was staatliche Infrastruktur zur Resilienz beiträgt</li></ul>

Ausgabenartikel

Zeitschrift für Qualitätsmanagement und Qualitätssicherung | Karriere✓ Methoden✓ 
QM-Systeme✓ Standards✓ Software✓ Messen und Prüfen✓ Meinung✓ DGQ✓ 
➤ Jetzt aktuelle Fachartikel lesen!