KI verbessert Qualitätskontrolle in der Automobilindustrie: Fehler schneller und präziser erkennen

Maschinen lernen, Anomalien In-Prozess und End-of-Line zu erkennen

Wenn ein neues Fahrzeug vom Band rollt, nutzen einige Automobilhersteller virtuelle Augen für die Endkontrolle – um Qualität zu sichern und Kratzer, Dellen, Lecks auszuschließen.

Hinter diesen „Augen“ stecken Künstliche Intelligenz (KI) und ihr Teilbereich Machine Learning (ML). Diese Technologien kommen auch in der automatisierten Computer-Imaging-Technologie von UVeye (Tel Aviv-Jaffa, Israel) zum Einsatz. Neben KI nutzen die firmeneigenen Algorithmen, Cloud-Architektur und Sensorfusion komplette Fahrzeugchecks in Sekunden und weisen Defekte aus.

„Machine Learning und KI sind bereits trainiert“, sagte David Oren, Chief Strategy Officer bei UVeye. „Der ML-Algorithmus wurde mit 1 Billion Bildern entwickelt. Allerdings muss der Bediener Fehler manuell korrigieren.“

In der Fertigung hat UVeyes Deep-Learning-gestützte Inspection-as-a-Service-Plattform Potenzial für Inline-Inspektion, doch der Fokus liegt aktuell auf End-of-Line-Qualitätschecks, so Oren.

Mit wachsendem KI-Einsatz in der Fertigung steigt die Teilequalität durch Vision-Inspektionssysteme wie UVeyes, die Bediener auf Probleme hinweisen. Manche Lösungen senden ein Stopp-Signal an die Maschine bei Fehlererkennung.

Noch zu überwinden: Stückwerk-Software, die nur Teildaten erfasst; heterogene Datenformate; Technologien disparater Anbieter, die schwer zu integrieren sind, sagte Dean Phillips, Innovation Strategist und Sales Engineer bei Link Electric & Safety Control Co., Nashville, TN.

„Wahrscheinlich der schwierigste Teil ist die Integration“, so Phillips. „Aktuell sind es alles Standalone-Systeme. Sie decken den Gesamtumfang noch nicht ab. Nicht, dass es nicht kommt – aber aktuell eine der größten Herausforderungen.“

Kein Ersatz für Domänenwissen

Predictronics Corp., Cincinnati, zeigt, wie ihre Predictive-Quality-Lösung einem Ofenhersteller half. Als Stahlbänder durch eine Umformmaschine liefen, gab es ein Qualitätsproblem: Die Rippen, die ein Rack im Ofen stützen, rissen während des Umformens.

Datenspezialisten von Predictronics analysierten Maschinendaten und nutzten eine Heatmap, um den Zusammenhang zwischen Rissbildung und Prozesstemperatur herzustellen. Ergebnis: Risse traten wahrscheinlicher bei niedrigerer Systemwärme auf, außerhalb des Bereichs, wo das geformte Stahlband intakt bleibt.

In einem Einsatz erreichte der Ofenhersteller 88 % Precision (vorhergesagte Risse, die echte waren) und 66 % Recall (tatsächliche Risse, die vorhergesagt wurden).

„Bei Predictive Quality analysieren wir Prozessdaten, entwickeln ein Health Model, überwachen Parameter über Zeit und erkennen problematische Trends früh“, sagte Patrick Brown, CFO von Predictronics. „Wir helfen, weniger Testen oder visuelle Inspektion nötig zu haben und Qualität aus Prozessparametern abzuleiten.“

Der Prozess reduziert Ausschuss, verschwendete Produktionszeit an bereits schlechten Teilen und Garantieansprüche durch schlechte Qualität.

Meist sucht man in Prozessparametern (Position, Durchfluss, Druck, Temperatur) nach Abweichungen vom Normalverhalten. Anomalien können Betragssteigerungen eines Parameters oder veränderte Beziehungen zwischen Parametern sein.

„Angenommen, Temperatur steigt typischerweise mit Druck, aber plötzlich steigt Temperatur während Druck fällt“, sagte David Siegel, CTO von Predictronics. „Solche Korrelationsänderungen lassen sich durch Beziehungsanalyse und Überwachung über Zeit mit Qualitätsproblemen verknüpfen.“

Wann KI anwenden?

Predictronics führt eine Kritikalitätsanalyse durch. Für Predictive Quality suchen sie Maschinen mit dem meisten Ausschuss/Qualitätsproblemen. Sie arbeiten eng mit dem Kunden zusammen, um aus Engineering- und Fertigungssicht die problematischsten Prozesse zu identifizieren – Mix aus Kundenerfahrung und Daten.

„Manche Kunden messen Qualität nur am Linienende“, so Siegel. „Dann muss man auf deren Erfahrung vertrauen, welcher Prozess qualitätskritisch ist.“

Für neue Linien oder problemlose Linien gibt es Ansätze:

• Neue Linie: Datenwissenschaftler suchen ähnliche Linien/Prozesse zum Vergleich und nutzen Erfahrungswissen dortiger Bediener.
• Basierend auf IoT-Reife: „Welcher Prozess hat die meisten Daten? Das ist ein guter Start, da man genug Transparenz hat, um ihn genauer zu überwachen.“
• Basierend auf Domänenwissen: Manche Prozesse haben hohe Variabilität. Selbst mit Maschinendaten und Analysen zählt Domänenwissen enorm.

„Wir haben einen Kunden, der genau wusste, wie der Parameter aussehen muss“, sagte Brown. „Sie kannten Schwellenwerte, Parameter – so intim kannten sie den Prozess. Jemand so im Team ist extrem wertvoll.“

Predictronics baut Domänenwissen in Modelle ein, da die erfahrenere Generation ausscheidet und die neue nachzieht.

Bei neuer Linie: KI dort anwenden, wo größtes Potenzial ist. Lässt sich ein Prozessbereich instrumentieren?

„Es gab Fälle, wo Maschine/Prozess sich nicht instrumentieren ließ“, sagte Edzel Lapira, CEO von Predictronics.

Bei disparaten Systemen gibt es Integrationswege: „Einfachste ist Datenbank-Integration. Protokolle wie OPC-UA und MTConnect für Werkzeugmaschinen erlauben Datentransfer zu Anwendungen oder Dashboards.“

Maschinenprobleme vorhersagen hilft Qualität

BC Machining LLC, Brasstown, Ohio – Metallfertiger mit CNC-Maschinen, Datenerfassung, ML, Edge Computing – produzierte zu viel Ausschuss. Um Ziele zu erreichen, liefen Maschinen bei 200 % Kapazität, viele gebrochene Fräser landeten im Ausschuss.

„Wir verloren oft ein Drittel der Schichtteile, plus mind. 1 Stunde Sortierzeit“, sagte Mike Driskell, Manufacturing Engineer bei BC Machining.

Hilfe kam durch die adaptive Werkzeugüberwachung von MachineMetrics, Northampton, MA.

„Adaptiv bedeutet: Eine Änderung an der Maschine verhindert Ausschuss ohne Bedienerinteraktion“, sagte Bill Bither, Co-Founder und CEO von MachineMetrics. „Das sparte Kunden hunderttausende Dollar und ermöglichte Lights-out-Fertigung.“

Die KI-gestützte Software von MachineMetrics wurde trainiert, Werkzeugausfälle vorherzusagen, zu diagnostizieren und zu verhindern – durch autonomes Feedhold auf BC Machinings STAR-Maschinen. CNCs stoppten, wenn Teileausfall drohte. Fräser konnte proaktiv getauscht werden, bevor ein schlechter Teil entstand.

„Seit Nutzung der Predictive Tool Breakage Technology ist dieser Ausschuss eliminiert“, so Driskell. „Einsparungen an Schweizer Drehmaschinen monumental.“

MachineMetrics prüft mit Kunden Roboterarme für Werkzeugwechsel statt internem Werkzeugwechsler. Erschwingliche Technologie für automatischen Wechsel entsteht. Noch spezifisch für Maschinentypen, so Bither.

„Kunden sind sehr interessiert, aber wir sind am Rand, ob es sich lohnt. Bei 2-Jahresvertrag vielleicht, da Preis hoch. Wir sehen das als zukünftigen Standard.“

MachineMetrics identifizierte Signale an BC Machinings Star SR-20 CNCs vor katastrophalem Werkzeugbruch. Erkannte vorhersagbares Muster. Software zeigte mit nahezu perfekter Genauigkeit an, wann ein Werkzeug wahrscheinlich versagt.

„Primärer Use Case für Maschinenproblem-Vorhersage ist Qualität“, sagte Bither. „Predictive Maintenance gibt es auch, aber Qualitätsprobleme erkennen ist oft der höhere Wert.“

Teil der Einsparung: Fräser bis zum Lebensende nutzen, seltener wechseln – erhöht Maschinenverfügbarkeit. „Die meisten Hersteller wechseln basierend auf Stückzahl“, so Bither. „Wir sehen quer durch Kunden: Sie werfen Werkzeuge weg, die noch 50 %+ Leben haben.“

MachineMetrics nutzt Daten mit 1.000–10.000 Hz (typisch: 1 Hz). „1.000-mal pro Sekunde erfordert mehr Fähigkeiten, Processing, Analytics.“

Lösung sammelt Daten von verschiedenen Motoren, normalisiert auf Kernkomponente „Cutting Torque“.

„Cutting Torque zeigt Verschleiß des CNC-Schneidwerkzeugs. Damit sehen wir Anomalien im Zerspanprozess, Risse im Werkzeug, Verschleiß, Probleme im Schneidvorgang. Wir können Versagen vorhersagen (Last/Anomalien deuten auf Problem) oder sofort feststellen, ob ein produziertes Teil Schrott ist.“

Hilfe für mehr als CNCs

„Wir starteten mit Präzisionsmetallfertigung – tiefe Algorithmen für 1.000 angeschlossene Maschinen. Aber auch einfach an Schweißmaschinen, Kunststoffspritzguss, jede diskrete Fertigungsausrüstung anzubinden“, sagte Bither.

Gesammelte Daten stehen Kunden offen – falls Data Scientists/Manufacturing Engineers die Linie ganzheitlich betrachten wollen.

„Da baut man zusätzliche Fähigkeiten auf. Wir bieten Plattform, um Algorithmen an den Edge zu deployen: Daten anreichern, verarbeiten, Ergebnisse an unsere Plattform senden, Workflows bauen für Benachrichtigungen an Wartung/Qualität oder Maschinenstopp.“

Fragen-Checkliste für Anbieterauswahl

Hersteller, die KI-Lösungen suchen, sollten Due Diligence betreiben. Richtige Fragen helfen, sagen Experten von Predictronics:

• Wo wurden Ihre Dienste schon eingesetzt? Für Predictive Quality in der Fertigung?
• Zeigte Ihre Lösung klare Verbesserung: weniger Ausschuss, bessere Qualität?
• Hat Ihr Team industrielles Domänenwissen?
• Funktioniert Ihre Lösung mit Sensor-/Prozessdaten UND Qualitätsdaten, integriert beide?
• Nutzt Ihre Lösung ML? Sowohl unsupervised als auch supervised Modelle?
• Wieviel Trainingsdaten braucht das Modell?
• Braucht es nur Daten aus gesundem Prozess oder auch aus fehlerhaftem (Ausschuss)?
• Braucht es Qualitätsdaten von ALLEN Teilen oder reicht eine Teilmenge?