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.
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. Die neunte Ausgabe von Rockwell Automations „State of Smart Manufacturing“ Report liefert Einblicke in Trends und Herausforderungen für Hersteller. Dazu wurden über 1.500 Fertigungsunternehmen befragt, knapp 100 der befragten Unternehmen kommen aus Deutschland. ‣ weiterlesen
KI in Fertigungsbranche vorn
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. Der Thin[gk]athon, veranstaltet vom Smart Systems Hub, vereint kollaborative Intelligenz und Industrie-Expertise, um in einem dreitägigen Hackathon innovative Lösungsansätze für komplexe Fragestellungen zu generieren. ‣ weiterlesen
Innovationstreiber Thin[gk]athon: Kollaborative Intelligenz trifft auf Industrie-Expertise
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.
