Anzeige
Anzeige
Beitrag drucken

Forschungsprojekt Aiquama startet

Anomalien und Fehler frühzeitig erkennen

Anomalien und Fehler im Produktionsprozess können hohe Kosten verursachen und sich negativ auf Nachhaltigkeit und Produktivität auswirken. Das deutsch-tschechische Forschungsprojekt Aiquama (AI-Based Quality Management for Smart Factories) untersucht daher den Einsatz von künstlicher Intelligenz im Qualitätsmanagement von Produktionsprozessen. Ziel ist die fehlerlose und ausschussfreie Produktion.

Bild: ©greenbutterfly/stock.adobe.com

Bild: ©greenbutterfly/stock.adobe.com

In der Zukunft geht es immer mehr darum, Qualität direkt zum Zeitpunkt der Prozessausführung abzusichern. Insbesondere in weniger automatisierten Prozessen, wie der Montage, sollen intelligente Roboterlösungen mit den Beschäftigten bei der Arbeit zusehen und im Falle von Abweichungen, Ausreißern oder Unregelmäßigkeiten informieren. Ziel ist es, dass der Hersteller selbst mit geringen Robotik- und Data Science-Kenntnissen eine derartige Lösung in Betrieb nehmen kann. Die Beteiligten im deutsch-tschechischen Forschungsprojekt Aiquama streben eine Null-Fehler-Produktion auf Grundlage einer inkrementellen Qualitätsüberwachung echtzeitnah während der Produktion an. Dies geschieht durch die Auswertung von Multi-Sensor-Datenströmen mit künstlicher Intelligenz. Aiquama will dabei auf eine Kombination aus symbolischen Modellen und statistischem maschinellem Lernen auf der Grundlage von realen, aber auch synthetischen Trainingsdaten setzen.

Intelligente Planungskomponente

Um qualitätsbezogene Fehler im Vorfeld zu vermeiden, soll eine intelligente Online-Planungskomponente so erweitert werden, dass auch qualitätsbezogene Parameter bei der Planerstellung und Aufgabenzuweisung bestmöglich berücksichtigt werden können. Insbesondere bei manuellen Montage- oder Bearbeitungsprozessen oder bei Arbeitsschritten, die in hybriden Teams aus Menschen und kollaborativen Robotern durchgeführt werden, passieren dennoch Fehler, etwa ein Griff der Werker in die falsche Materialkiste oder zum falschen Werkzeug bei einer manuellen Montageaufgabe.

Fehler früher erkennen

Durch Kombinationen unterschiedlicher Sensorik sollen Fehler im Produktionsablauf nun aber früher als bisher erkannt und so nachhaltiger behoben werden können. Erkannte Fehler werden über Benutzerschnittstellen erklärt, um sie in Zukunft zu vermeiden. Für die technische Umsetzung greifen die Partner auf die in der BaSys-Projektreihe entwickelte standardisierte Industrie 4.0-Architektur mit Verwaltungsschalen zurück und nutzen dabei die Open-Source-Middleware BaSyx sowie quelloffene Ergebnisse aus ihrem Ökosystem.

 


Das könnte Sie auch interessieren:

Wer Produktion und Logistik in einer Echtzeit-Visualisierung abbildet, kann niedrigschwellig in die digitale Transformation einsteigen und viel Papier aus dem Shopfloor bannen. Ergänzt um zentrale MES-Funktionen lassen sich solche Visualisierungssysteme zur Operational Excellence-Plattform ausprägen, die bei fortlaufenden Prozessoptimierungen unterstützt.‣ weiterlesen

Industrielle Trends wie IIoT und Digitalisierung setzen immense Datenströme voraus. Doch im Gegensatz zur IT-Security für Büros müssen Fabrikbetreiber auf wesentlich mehr Stolpersteine achten, damit ihre Anlagen nicht schon einfachen Angriffen zum Opfer fallen.‣ weiterlesen

Ab und zu fehlte ein Schlüssel im Kloster der Franziskanerinnen der ewigen Anbetung von Schwäbisch Gmünd. Beim letzten Mal gab das den Impuls, anstatt neue mechanische Zylinder in die rund 220 Türen des Komplexes einzubauen, die alte Technik durch das Bluesmart-System von Winkhaus zu ersetzen.‣ weiterlesen

Mit 100,5 Punkten hält sich das IAB-Arbeitsmarktbarometer im November stabil und liegt weiter im leicht über der neutralen Marke. Auf europäischer Ebene sank der Frühindikator allerdings erneut.‣ weiterlesen

In einer neuen Expertise des Forschungsbeirats Industrie 4.0 untersuchen das FIR an der RWTH Aachen und das Industrie 4.0 Maturity Center den Status-quo und die aktuellen Herausforderungen der deutschen Industrie bei der Nutzung und wirtschaftlichen Verwertung von industriellen Daten und geben Handlungsempfehlungen für Unternehmen, Verbände, Politik und Wissenschaft.‣ weiterlesen

Im Forschungsprojekt FabOS soll eine KI-Bin-Picking-Anwendung entstehen, die ein verbessertes Erkennen, Greifen und definiertes Ablegen von Blechteilen in der Produktion ermöglicht.‣ weiterlesen

Die Digitalisierung des Qualitätsmanagements stellt Unternehmen vor Herausforderungen. Daher haben das Fraunhofer IPT und die FH Südwestfalen im Forschungsvorhaben 'Qbility - Quality 4.0 Capability Determination Model' ein datengetriebenes Reifegradmodell entwickelt, das die Anforderungen eines digitalisierten Qualitätsmanagements bei KMU adressiert.‣ weiterlesen