Audi optimiert mit KI die Risserkennung bei Blechen
Der Autohersteller Audi will Machine Learning (ML) künftig weltweit in der Serienproduktion einsetzen. Die selbst entwickelte Software erkennt und markiert feinste Risse in Blechteilen – automatisiert, zuverlässig und in Sekundenschnelle. Mit dem Projekt soll die Künstliche Intelligenz im Unternehmen gefördert und der Prüfprozess im Produktionsablauf verbessert werden.
Aufgrund des immer anspruchsvolleren Designs und der hohen Qualitätsstandards überprüft der Autohersteller alle Bauteile direkt nach der Produktion im Presswerk. Neben der Sichtprüfung durch Mitarbeiter sind dazu mehrere kleine Kameras direkt in den Pressen verbaut. Diese werten die aufgenommenen Bilder mit Hilfe von Bilderkennungs-Software aus.
Dieser Vorgang soll bald durch ein ML-Verfahren abgelöst werden. Im Hintergrund dieses innovativen Verfahrens arbeitet eine Software, deren Basis ein komplexes künstliches neuronales Netz ist. Die Software erkennt mit höchster Präzision feinste Risse in Blechen und markiert die Stelle zuverlässig.
Qualitätssicherung künftig voll automatisch?
In Zukunft soll die Qualitätsprüfung mittels ML die bisher eingesetzte optische Risserkennung mit Smart-Kameras ablösen. Diese ist mit hohem manuellen Aufwand verbunden. Ob Türen, Motorhauben oder Kotflügel – für jedes neue Bauteil, das im Presswerk hergestellt wird, muss die Kamera bislang neu konfiguriert werden.
Zudem kommt es regelmäßig zu Fehl-Erkennungen, da die simplen Algorithmen des Bildverarbeitungsprogramms stark von Umwelteinflüssen wie Lichtverhältnissen oder der Oberflächenbeschaffenheit abhängig sind.
Der ML-Ansatz lässt sich künftig auch bei anderen optischen Qualitätsprüfungen einsetzen. Liegt eine ausreichend große Zahl gelabelter Datensätze vor, kann die Lösung beispielsweise auch in Lackiererei oder Montage unterstützen.
Deep Learning nur mit hohem Programmieraufwand
Die Lösung basiert auf Deep Learning, einer Sonderform des Machine Learning, die mit sehr unstrukturierten und hochdimensionalen Datenmengen wie etwa Bildern arbeiten kann. Mit mehreren Millionen Prüfbildern hat das Team über Monate das künstliche neuronale Netz trainiert. Die größten Herausforderungen waren das Aufbauen einer ausreichend großen Datenbasis und das so genannte Labeln der Bilder.
Dabei markierte das Team pixelgenau Risse in den Beispielbildern – hier war höchste Genauigkeit gefordert. Der Aufwand hat sich gelohnt, denn anhand der Beispiele lernt das neuronale Netz nun selbstständig und erkennt Risse auch bei neuen, bislang unbekannten Bildern. Mehrere Terabyte an Prüfbildern aus sieben Pressen am Audi-Standort Ingolstadt und von mehreren Volkswagen-Standorten bilden die Datenbasis.
Audi
Kostenloser Download
-
5 Schritte zu einem nachhaltigen Prozessmanagement
-
Prozessreifegrad Assessments
-
Self-Assessment BPM