Ausreißererkennung für Einzelteil- und Kleinserien
Maschinen fehlerlos einfahren
Bei steigender Variantenvielfalt wirken sich Probleme beim Einfahren immer deutlicher auf die Wirtschaftlickeit aus. Am IFW arbeiten Forscher daran, mit KI-basierter Anomalie-Detektion Werkzeugmaschinen auf Fehler wie Ratterschwingungen zu untersuchen, die teils vorher sogar unbekannt waren.
Durch die Auswertung von Prozessdaten aus Werkzeugmaschinen können Fehler etwa beim Einfahren früh erkannt werden. Durch die Digitalisierung der Fertigung stehen dafür immer größere Datenmengen zur Verfügung. Um die Datenqualität zu verbessern, werden zudem oft Sensorsysteme in die Maschinen integriert. Die Vielzahl der erfassten Prozesssignale eröffnet dabei neue Möglichkeiten für die Überwachung. So können mit maschinellem Lernen (ML) auch komplexe Zusammenhänge und Muster aus großen Datenmengen abgebildet werden. Weit verbreitete überwachte ML-Methoden benötigen zum Lernen sowohl Daten von fehlerfreien Prozessen als auch Daten von Fehlerfällen. Um zu lernen, benötigen die Algorithmen zudem Informationen darüber, wo sich welche Fehlerfälle im Datensatz befinden. In der Produktion sind allerdings nicht alle Fehlerfälle im Vorhinein bekannt und Daten zu den einzelnen Fehlern liegen häufig nicht in ausreichender Menge vor. Deshalb ist überwachtes Lernen für die Detektion, insbesondere von unbekannten Fehlern, nur bedingt für den industriellen Einsatz geeignet. 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
Training ohne Vorwissen
Der Anomalie-Detektion-Ansatz aus dem Gebiet des unüberwachten Lernens benötigen hingegen kein solches Vorwissen. Durch das Training mit Daten aus fehlerfreien Prozessen erlernt die Anomalie-Detektion charakteristische Muster und Zusammenhänge in den Signalen. Die trainierten Modelle erkennen Abweichungen (Anomalien) von den gelernten Mustern und können somit sogar unbekannte Prozessfehler detektieren. Das Institut für Fertigungstechnik und Werkzeugmaschinen der Leibniz Universität Hannover (IFW) erforscht daher den Einsatz der Anomalie-Detektion zur Überwachung der Einzelteil- und Kleinserienfertigung. Dabei werden die Prozesse aus unterschiedlichen Perspektiven betrachtet. Auf der untersten Ebene, der Lupenperspektive, stehen einzelne Signalausschnitte. Signalausschnitte fokussieren kurzweilige Effekte, etwa ein frequenzabhängiges Rattern. Die Vogelperspektive umfasst ganze Prozesssegmente, etwa eine einzelne Bohrung oder ein einzelner Längsdrehprozess. Über den Vergleich einzelner Segmente können auch langsame Veränderungen, beispielsweise durch Werkzeugverschleiß, erkannt werden. Die Betrachtung des gesamten Segments ermöglicht eine bessere Einordnung von Signalveränderungen, wodurch Fehlalarme vermieden werden. Die Übertragung des gelernten Wissens zwischen unterschiedlichen Maschinen wird in der Satellitenperspektive adressiert. 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
Die Lupenperspektive
Selbsterregte Ratterschwingungen sind eine große Herausforderungen in der Zerspanung, da sie die Oberflächenqualität der Werkstücke verschlechtern sowie zu einem erhöhten Werkzeug- und Komponentenverschleiß führen. Bisher werden zur Erkennung von Ratterschwingungen hauptsächlich schwellwertbasierte Methoden eingesetzt. Dabei werden Merkmale im Zeit- oder Frequenzbereich einzelner Signale berechnet. Sobald der Wert eines Merkmals den vorab definierten Schwellwert überschreitet, wird Rattern detektiert. Doch wie sieht ein geeigneter Schwellenwert aus? Ist er zu niedrig gewählt, kommt es zu Fehlalarmen, während ein zu hoher Wert dazu führt, dass Fehler erst zu spät oder gar nicht erkannt werden. Zudem können nur einzelne Merkmale betrachtet werden, die Zusammenhänge zwischen unterschiedlichen Signalen und Merkmalen gehen verloren.
