Anzeige
Beitrag drucken

Machine Learning

Qualitätsprüfung mit künstlicher Intelligenz

Als einer der ersten Automobilhersteller weltweit will Audi Machine Learning (ML) künftig in der Serienproduktion einsetzen. Die selbst entwickelte Software ist in der Lage, feinste Risse in Blechteilen zu erkennen und zu markieren – schnell und automatisiert.

 (Bild: Audi AG)

(Bild: Audi AG)

Aufgrund des immer anspruchsvolleren Designs der Autos und der hohen Qualitätsstandards überprüft der Automobilhersteller Audi alle Bauteile direkt nach der Herstellung im Presswerk. Neben der Sichtprüfung durch Mitarbeiter sind dazu mehrere kleine Kameras direkt in den Pressen verbaut. Diese werten die aufgenommenen Bilder mit Hilfe einer Bilderkennungssoftware aus. Diesen Vorgang will Audi zukünftig durch ein Machine-Learning-Verfahren ablösen. Im Hintergrund dieses Verfahrens arbeitet eine Software, auf Basis eines künstlichen neuronalen Netzes. Die Software erkennt feinste Risse in Blechen und markiert die entsprechende Stelle. „Unsere automatisierte Bauteilprüfung erproben wir derzeit in unserem Ingolstädter Presswerk für den Serieneinsatz. Die Methode unterstützt unsere Mitarbeiter und ist für Audi ein weiterer wichtiger Schritt beim Wandel der Produktion zur modernen Smart Factory“, sagt Jörg Spindler, Leiter des Kompetenzcenters Anlagen- und Umformtechnik.

Deep-Learning-basiert

Die Lösung basiert auf Deep Learning, einer Sonderform des Machine Learning, die mit sehr unstrukturierten und hochdimensionalen Datenmengen wie beispielsweise bei Bildern arbeiten kann. Mit mehreren Millionen Prüfbildern hat das Team über Monate das künstliche neuronale Netz trainiert. Die größten Herausforderungen waren zum einen das Aufbauen einer ausreichend großen Datenbasis und zum anderen das sogenannte Labeln der Bilder. Dabei markierte das Team pixelgenau Risse in den Beispielbildern. 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.

Entwicklung in-house

Die Software entstand überwiegend in-house, von der Idee bis hin zum fertigen Prototyp. So arbeitet die Innovationsabteilung der Audi IT seit Mitte 2016 Hand in Hand mit dem Bereich Produktionstechnologie aus dem Kompetenzcenter für Anlagen- und Umformtechnik. 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.


Das könnte Sie auch interessieren:

Produkte werden innovationsgetriebener, intelligenter, personalisierter - kleine Losgrößen sind die Folgen. Domänen wie Mechanik, Elektrik und Elektronik sowie Software und Automatisierung wachsen zusammen - smarte Produkte erfordern ein Umdenken bei Produktstrukturen und Prozessen, wie es im Whitepaper von Siemens dargestellt ist. Vor allem in der Produktion wird Flexibilität zum wichtigen Schlüssel, die Wertschöpfung zu optimieren.‣ weiterlesen

Die Digitalisierung der Instandhaltung geht über IoT und vorausschauende Wartung hinaus. Mit mobiler, cloudbasierter Software können die eigenen Prozesse optimiert und die Qualität der Aufträge besser dokumentiert werden.‣ weiterlesen

Seit 2001 setzt das Unternehmen Mondi in seinem Werk in Gronau auf Industrie-PCs von Noax. Mit ihnen stellt der Hersteller von Verpackungen und Hygieneartikeln eine zuverlässige Prozesssteuerung der gesamten Produktionskette sicher - samt Betriebsdatenerfassung und Dokumentation. Die daraus resultierende Rückverfolgbarkeit kommt dann auch dem Endkunden zu Gute.‣ weiterlesen

Unternehmen erhöhen ihre Investitionen in KI-Systeme zum Schutz vor der nächsten Generation von Cyberangriffen. Zu diesem Ergebnis kommt eine neue Studie des Capgemini Research Institute. Demnach glauben rund zwei Drittel der Unternehmen, ohne KI nicht in der Lage zu sein, auf kritische Bedrohungen reagieren zu können. Befragt wurden 850 Führungskräfte unterschiedlicher Branchen. ‣ weiterlesen

Ingenieure und Physiker von Giesecke+Devrient Currency Technology entwickeln magnetische, optische und Ultraschallsensoren für modulare Banknotenbearbeitungssysteme. Da experimentelle Messungen kaum möglich sind, sichert eine Multiphysik-Simulation die Präzision der Sensorik ab.‣ weiterlesen

Bei einem Treffen der Deutsch-Chinesischen Kommission Normung (DCKN) haben Vertreter des VDE DKE mit ihren chinesischen Kollegen eine stärkere Zusammenarbeit vereinbart.‣ weiterlesen

Anzeige
Anzeige
Anzeige