Anzeige
Anzeige
Anzeige
Anzeige
Beitrag drucken

Innovative Werkzeugüberwachung mit KI

Deep Learning vs. Hüllkurve

In der modernen Fertigung können schon kleine Prozessabweichungen auf die gesamte Wertschöpfungskette wirken. Eine einwandfrei konfigurierte Werkzeugüberwachung verhindert Schäden am Werkzeug sowie der Anlage und erhöht so die Planbarkeit und Produktivität, da weniger ungeplante Stillstände auftreten. Mit Deep Learning und verständlichen Einstellparametern lassen sich solche Systeme schnell richtig konfigurieren.

Bedienoberfläche Visual Die Protection (Bild: Schuler AG)

Digitales Presswerk (Bild: Schuler AG)

In der Umformtechnik sind die Werkzeuge maßgeblich für den Umformprozess verantwortlich. Ein Ausfall durch Beschädigung würde im schlimmsten Fall einen Produktionsstopp bedeuten, daher gibt es für diese Werkzeuge ein Presskraftüberwachungssystem. Es erfasst die Prozesskräfte an verschiedenen Stellen und überwacht die Abweichung der Prozessgröße. Für die zuverlässige Funktion ist eine an den Prozess angepasste Konfiguration des Systems notwendig. Im Regelfall nimmt ein Prozessingenieur die korrekte Einstellung vor.

Ungeschützt trotz Prozessüberwachung

Unter Umständen übernehmen Anlagenbediener diese Konfiguration jedoch selbst. Sie sind im Allgemeinen stückzahlorientiert und konfigurieren solche Systeme entweder mit großzügigen Überwachungsbereichen, sodass es nie zur Abschaltung kommt oder die Konfiguration nicht für den Prozess angepasst ist. Eine falsche Konfiguration führt zu häufigen Fehlabschaltungen, sodass Bediener das System nach einigen Fehlabschaltungen deaktivieren. In beiden Fällen ist das Werkzeug ungeschützt. Um den Werkzeugschutz sicherzustellen, soll die Konfiguration des Überwachungssystems möglichst einfach gestaltet werden, damit es die Anlagenbediener korrekt konfigurieren können.

Einfache Einstellparameter

Die Parameter müssen allgemeinverständlich sein und einen direkten Rückgabewert aus dem Prozess liefern. Ein Rückgabewert ermöglicht einen Rückschluss auf den Prozess, sodass problemlos ein Nachkorrigieren der Einstellung möglich ist. In der Umformtechnik finden sich Systeme zur Prozessüberwachung von verschiedenen Anbietern. Die meisten Systeme nutzen einen Hüllkurvenalgorithmus zur Überwachung der Prozessgröße. Diese Hüllkurve wird aus einer Stichprobe berechnet und stellt einen Toleranzbereich für die überwachte Prozessgröße dar. Erfasst das System einen Wert außerhalb der Hüllkurve, schaltet die Anlage vorsorglich ab. Zur fehlerfreien Funktion muss das System für jedes Werkzeug über mehrere nicht selbsterklärende Einstellparameter konfiguriert und aktiviert werden. Diese Problematik wird dadurch verschärft, dass die Hüllkurve keinen Rückgabewert aus dem Prozess liefert. Ein Gegenbeispiel stellt das Schuler Visual Die Protection dar, das einen Umformprozess visuell überwacht. Die Konfiguration erfolgt über einen wesentlichen Parameter und ist damit so einfach, dass die Hemmschwelle einer Abschaltung des Überwachungssystems erhöht wird und durch einen Rückgabewert kann die Einstellung nachverfolgt werden.

Fehlende Schlechtdaten

Für die Erkennung von Anomalien in Zeitreihen eignen sich unter anderem Deep-Learning-Ansätze. Die meisten Ansätze sind datengetriebener Natur, sie benötigen gelabelte Daten für das Training. Das Label stellt die Klasse einer Dateninstanz dar, anhand dessen ein überwachtes Verfahren trainiert werden kann. Mit Hilfe der Labels lernt das Verfahren die Merkmale normaler- und abnormaler Dateninstanzen. Häufig fehlen im Maschinenbau klassifizierte Daten. Aufgrund dieser Problematik muss ein solcher Ansatz ein unüberwachtes Training erlauben. Ein Autoencoder ist ein Deep-Learning-Verfahren, das die Merkmale der Prozessdaten unüberwacht lernt und zu rekonstruieren versucht.

Erkennung von Anomalien mit dem Autoencoder

Die relevanten Merkmale lernt der Autoencoderer mit einer Dimensionsreduktion der Eingabe, also aus ihrer komprimierten Darstellung. Diese Rekonstruktion ist das Qualitätskriterium der gelernten Merkmale des Autoencoders und bedeutend für die Erkennung von Anomalien. Für eine zuverlässige Erkennung von Anomalien im Presskraftverlauf müssen die Merkmale gut abstrahiert werden. Eine Architektur- und Parameterstudie ist notwendig, um den Autoencoder auf den Prozess anzupassen. Der Vorteil dieser Deep-Learning-Architektur besteht darin, dass ein aufwendiges Labeling der Daten entfällt. Neben diesem Vorteil erzielen Deep-Learning-Verfahren oft bessere Ergebnisse in Bezug auf die Erkennung von Anomalien in zeitbasierten Prozessgrößen als herkömmliche Verfahren. Außerdem erlauben sie die Vorhersage einer Prozessgröße oder akzeptieren unterschiedliche Prozessverläufe. Jedoch liefern diese Verfahren im Allgemeinen keinen verständlichen Rückgabewert. Außerdem muss der passende Aufbau der Autoencoder-Architektur untersucht werden. Für diese Architektur fällt ein zeitintensives Parametertuning an, bis der Autoencoder die Merkmale gut abstrahiert und ein gutes Ergebnis erzielt wird. Eine für die Aufgabe optimierte Architektur sollte Anomalien in der festgelegten Prozessgröße zuverlässig erkennen.

Deep-Learning vs. Hüllkurve

Zum Nachweis der Erkennungsgenauigkeit wurde ein Experiment durchgeführt, das die Performance des Systems samt Algorithmen offenlegen sollte. Im Experiment wird gewertet, wie viele abnormale Presskraftverläufe in einem Prozessdatensatz erkannt werden. Im Ergebnis erkannte der Autoencoder 85 Prozent der Anomalien, während das Hüllkurven-Verfahren 60 Prozent erkannte. Bei der Genauigkeit lag der Autoencoder mit 99 Prozent zu 96 Prozent ebenfalls vorne. Die neuen Verfahren eignen sich somit zur Ablösung des Hüllkurvenalgorithmus. Sie erkennen Anomalien im Presskraftverlauf zuverlässiger als die Hüllkurve. Die Ausführzeit der Deep-Learning-Verfahren liegt zwar hinter der des Hüllkurvenalgorithmus, sie können mit einem universellen Austauschformat Deep-Learning-Verfahren jedoch auf Steuerungsebene ausgeführt werden, um Steuerungsechtzeit zu ermöglichen.

Presskraftüberwachung der Zukunft?

Mit Deep-Learning konnten Anomalien im Presskraftverlauf besser erkannt werden als mit den verglichenen hüllkurvenbasierten Prozessüberwachungssystemen. Außerdem konnte nicht nur die Erkennungsgenauigkeit verbessert, sondern auch die Konfiguration auf einen allgemeinverständlichen Einstellparameter reduziert werden, der ebenfalls einen Rückgabewert aus dem Prozess liefert. Der Nachweis war grundlegend, um den Prototypen des neuen Systems zur Presskraftüberwachung – Schuler Pressforce Die Protection zu entwickeln. Das System wird in der Produktionsumgebung umfänglich getestet und auf die Problemstellung weiter angepasst.


Das könnte Sie auch interessieren:

Im Anlagenbau ist das Zusammenspiel von Engineering und Fertigung alles andere als trivial. Es gilt, fertigungsrelevante Daten projektbezogen in die jeweiligen Prozesse an Maschinen zu übermitteln, oft mit erheblichem Aufwand und manchen Schnittstellenhürden. Helfen kann das RiPanel Processing Center von Rittal, ein neues Jobmanagement-Tool zur zentralen Arbeitsvorbereitung.‣ weiterlesen

Im Forschungsprojekt ’Fluently’ wollen die Beteiligten das Teamwork von Mensch und Maschine optimieren. So sollen zwischen beiden echte soziale Interaktionen ermöglicht werden.‣ weiterlesen

Selbst gut ausgeprägte ERP-Systemlandschaften weisen meist Lücken auf, in denen Prozesse ohne digitales Abbild ablaufen. Individuell erstellte mobile Anwendungen können solche Lücken schließen - und so manch andere Schwachstelle in der ERP-Landschaft ausbügeln.‣ weiterlesen

Waren Cloudkosten verschwendet oder sinnvoll? Wer Ausgaben keinen Verursachern zuordnet, kann dies kaum hinlänglich beantworten. Erst die interne Verrechnung legt die Ursachen für die Ausgaben offen - und somit das Potenzial für Optimierungen.‣ weiterlesen

Zum Jahresende verzeichnet der Maschinen- und Anlagenbau einen rückläufigen Auftragseingang. Preisbereinigt vermeldet der VDMA ein Minus von 4 Prozent im Vergleich zum Jahr 2021. Im vierten Quartal gingen die Aufträge um 16 Prozent zurück.‣ weiterlesen

Zehn Unternehmen beteiligen sich am Joint Venture Cofinity-X. Die Partner wollen damit die Umsetzung von Datenökosystems Catena-X weiter vorantreiben.‣ weiterlesen

Mit einem Plus von 1,9 Punkten verzeichnet das Geschäftsklima der Digitalbranche im Januar einen erneuten Anstieg und liegt nun bei 18,5 Punkten. Erstmals seit Sommer 2022 liegen zudem die Geschäftserwartungen im positiven Bereich.‣ weiterlesen

Ob zur Remote-Unterstützung der Mitarbeiter vor Ort, zur Schulung und technischen Einweisung neuen Personals oder bei der Umplanung von Produktionsstraßen - fotorealistische digitale Zwillinge können Unternehmen vielfältig unterstützen.‣ weiterlesen

Viele ERP-Lösungen wurden einst von Spezialisten entwickelt und danach nur noch angepasst, erweitert und mit Updates versorgt. Doch steigende Digitalisierungsanforderungen, schnellere Produkteinführungen sowie der Fachkräftemangel schrauben die Anforderungen in die Höhe. Könnte Low-Code-Softwareentwicklung die Lösung sein?‣ weiterlesen

Mit einem Anstieg von 1,6 Punkten im Januar liegt das IAB-Arbeitsmarktbarometer bei 102,9 Punkten und damit über der neutralen Marke von 100. Für die Arbeitsmarktforscher deutet dies auf positive Entwicklungen auf dem Arbeitsmarkt hin.‣ weiterlesen