Maschinelles Lernen

Andreas Mühlbauer,

Maschinelles Lernen in der Produktion

Die Verfahren des maschinellen Lernens eröffnen neue Möglichkeiten, Daten nutzbringend auszuwerten und dadurch den Intelligenzgrad von Maschinen und Anlagen zu erhöhen.

Beispielhafte Anwendungsmöglichkeiten von ML auf Prozess- beziehungsweise Maschinenebene. © FAPS

Dieser Beitrag umreißt, mit welchen Herausforderungen der Einsatz von maschinellem Lernen im Produktionsumfeld einhergeht, und zeigt aktuelle Trends sowie beispielhafte Anwendungsfälle auf.

Maschinelles Lernen (ML) gilt als Schlüsseltechnologie zur Realisierung intelligenter technischer Systeme. ML versetzt Systeme in die Lage, aus Daten zu lernen, ohne explizit auf die Aufgabe hin programmiert worden zu sein. Gerade bei der Abbildung komplexer Wirkzusammenhänge birgt die datengetriebene Modellierung großes Potenzial. So werden im Bereich des maschinellen Sehens bereits Genauigkeiten erreicht, die dem menschlichen Leistungsniveau ebenbürtig sind. Damit trägt ML dazu bei, den Automatisierungsgrad der Produktion zu steigern, die Prozesssicherheit zu erhöhen und Ausschuss zu reduzieren.

Herausforderungen

Eine hinreichende Datenverfügbarkeit gilt als Voraussetzung für den Einsatz von ML-Verfahren. Während im Consumer-Umfeld, etwa zur Entwicklung von sprachgesteuerten Assistenten, Daten in annähernd beliebigem Umfang zur Verfügung stehen, gestaltet sich die Gewinnung von Produktionsdaten oftmals schwierig. Da Anlagen und Prozesse zumeist unternehmensspezifisch sind, lassen sich die damit einhergehenden Daten nur begrenzt auf andere Applikationen übertragen. Hinzu kommt, dass es oftmals an Sensoren, Anlagenschnittstellen und Rückverfolgbarkeit mangelt, um eine Datenbasis in hinreichender Quantität und Qualität zu generieren.

Anzeige

Die weitverbreiteten überwachten Lernverfahren erfordern zudem einen Trainingsdatensatz, der aus Prozessdaten sowie den zugehörigen Annotationen, beispielsweise Qualitätsmerkmalen, besteht. Die Gewinnung dieser Annotationen ist oft zeitaufwendig. Die manuelle Annotierung von Bilddaten unterliegt zudem einer gewissen Subjektivität, da unterschiedliche Personen bei der Beurteilung von Fehlerbildern nicht immer zu identischen Ergebnissen kommen. Eine weitere Erschwernis stellen Veränderungen der produktionstechnischen Rahmenbedingungen dar, die sich auch im Datensatz widerspiegeln. Während sich der zunehmende Verschleiß einer Komponente nur schleichend bemerkbar macht, sorgen abweichende Anlageneinstellungen oder Materialchargen für abrupte Veränderungen in den beobachteten Prozessgrößen. Damit ein einmal trainiertes ML-Modell nicht unbemerkt an Güte verliert, ist dessen Performance zu überwachen und gegebenenfalls ein erneuter Trainingsvorgang auf Basis eines aktualisierten Datensatzes einzuleiten.

Aktuelle Trends

Während die Datenaufbereitung nach wie vor von manuellem Arbeitsaufwand geprägt ist, wird die Auswahl und Optimierung von ML-Modellen durch Paradigmen wie Automated Machine Learning (AutoML) zunehmend vereinfacht. Durch AutoML wird der sonst so zeitaufwändige, iterative Prozess der Modellentwicklung automatisiert. Damit wird es möglich, einfache ML-Modelle in kurzer Zeit und ohne tiefgründiges Fachwissen zu erstellen.

Ein weiteres, bisher oft noch unbeachtetes Potenzial liegt in der Wiederverwendbarkeit des in ML-Modellen externalisierten Wissens. Techniken des Transfer Learnings ermöglicht es, einmal trainierte ML-Modelle für artverwandte Anwendungsfälle wiederzuverwenden und dadurch redundante Trainingsarbeit einzusparen.

Analog zum Consumer-Bereich lässt sich bei produktionstechnischen ML-Anwendungen eine zunehmende Dominanz von Deep Learning, einer Unterart von ML, feststellen. Unter Deep Learning werden Künstliche Neuronale Netze mit zahlreichen Zwischenschichten verstanden, die ihre Vorteile insbesondere bei unstrukturierten Daten wie Bild-, Luft- oder Körperschallaufnahmen ausspielen.

Anwendung in der Praxis

Die potenziellen Anwendungsmöglichkeiten von ML sind weit gefächert. Ist die Betrachtung auf einzelne Prozesse beschränkt, so lassen sich gemäß der Abbildung Pre-Process-, In-Process- und Post-Process-Anwendungen unterscheiden.

Wird eine Maschine erstmalig eingerichtet, sind Prozessparameter zu ermitteln, anhand derer sich das Produkt in der geforderten Qualität herstellen lässt. Während einfache, auf Polynomen basierende Metamodelle den zu untersuchenden Prozess nur begrenzt abbilden können, liefern ML-basierte Modelle auch bei vielen Faktoren mit komplexen, nichtlinearen Wirkzusammenhängen hohe Genauigkeiten.

Einen der prominentesten Anwendungsfälle von ML stellt nach wie vor die betriebsbegleitende Überwachung von Prozessen dar. Unter Begriffen wie Novelty oder Anomaly Detection versteht man ML-Ansätze, die unvorhersehbare Ereignisse, etwa einen Werkzeugbruch, auf Basis von Prozessdaten erkennen.

Nach Abschluss eines Prozesszyklus lassen sich die aufgenommenen Prozessdaten verwenden, um Rückschlüsse auf die erreichte Produktqualität zu ziehen. So lassen die Kraft-Weg-Kurven eines Pressprozesses durchaus Aussagen über die erreichte Verbindungsqualität zu. Darauf basierend lassen sich wiederum die initial eingestellten Prozessparameter nachregeln, um Fertigungsabweichungen zu kompensieren.

Zusammenfassend lässt sich feststellen, dass sich die Nutzung von ML durch eine stetig besser werdende Datenverfügbarkeit in Zukunft weiter intensivieren wird. Methoden und Werkzeuge, die eine einfache Erstellung und Wiederverwendbarkeit von Modellen erlauben, werden Unternehmen dazu befähigen, den Return on Investment bei ML-Projekten weiter zu erhöhen.

Dominik Kißkalt, Andreas Mayr, FAPS der FAU Erlangen-Nürnberg

Kurz erklärt: Der MHI e.V.

Die Wissenschaftliche Gesellschaft für Montage, Handhabung und Industrierobotik e.V. (MHI e.V.) ist ein Netzwerk renommierter Universitätsprofessoren – Institutsleiter und Lehrstuhlinhaber – aus dem deutschsprachigen Raum. Die Mitglieder forschen sowohl grundlagenorientiert als auch anwendungsnah in einem breiten Spektrum aktueller Themen aus dem Montage-, Handhabungs- und Industrierobotikbereich. Weitere Infos zur Gesellschaft, deren Mitgliedern und Aktivitäten: www.wgmhi.de

Kurz erklärt: FAPS

Das übergreifende Ziel des Lehrstuhls für Fertigungsautomatisierung und Produktionssystematik (FAPS) der FAU Erlangen-Nürnberg liegt in der Vernetzung aller Teilfunktionen einer Fabrik zu einem rechnerintegrierten Gesamtkonzept. An seinen zwei Standorten in Erlangen und Nürnberg beschäftigt der Lehrstuhl über 120 Mitarbeiter, die sich auf die sieben Forschungsbereiche Engineering-Systeme, Automatisierte Produktionssysteme, Elektronikproduktion, Elektromaschinenbau, Bordnetze, Biomechatronik und Hausautomatisierung verteilen. Der Wissenstransfer zu bereichsübergreifenden Querschnittsthemen, etwa zum maschinellen Lernen oder Software Engineering, wird in Form von Technologiefeldern realisiert. Unternehmen werden im Rahmen von gemeinsamen Industrie- und Forschungsprojekten, Beratungen sowie Schulungen unterstützt. www.faps.fau.de

Anzeige

Das könnte Sie auch interessieren

Anzeige
Anzeige
Anzeige
Anzeige

Formenbau

Automatisierter Formenbau

Schon lange denken die Verantwortlichen bei SD Formentechnik in Lüdenscheid in vernetzten Prozessketten. Beim Senkerodieren verlassen sich die Formenbauer auf Zimmer & Kreim: Das Chameleon und die Werkstattsoftware Alphamoduli binden neben den...

mehr...
Anzeige
Anzeige
Anzeige