Menü

Künstliche Intelligenz: der schlaue Helfer in der Produktion

Die Begriffe künstliche Intelligenz (KI) und Deep Learning (DL) sind momentan in aller Munde. Vor allem die enormen Erfolge des Einsatzes von KI in risikoarmen Anwendungen (Leviathan 2018) haben in den letzten Jahren sowohl Hoffnungen als auch Ängste geweckt. Eine Mehrheit der Bundesbürger hält KI vor allem für eine Chance (bitkom e.V. 2018). Auch in den Unternehmen setzt sich die Erkenntnis durch, dass KI-Anwendungen immer mehr an Relevanz gewinnen werden. 2019 wurden in Deutschland bereits schätzungsweise 221 Milliarden Euro Umsatz durch KI-Anwendungen beeinflusst (Brandt 2019). Den größten Anteil hierbei hat das produzierende Gewerbe, beispielsweise die Automobilproduktion oder der Maschinenbau.

Was ist maschinelles Lernen und welche Aufgaben kann man damit lösen?

Doch was steckt überhaupt hinter den Begriffen KI und maschinelles Lernen? KI ermöglicht das Lösen von Problemen, die vom Menschen intelligentes Handeln erfordern. Besonders dem KI-Teilgebiet „maschinelles Lernen“ (ML) wird derzeit viel Aufmerksamkeit zuteil. Das primäre Ziel von ML ist es, aus Daten zu lernen, also Wissen aus Erfahrungen aufzubauen. Dieses Wissen wird aufgebaut, in dem ein Programm anhand von Beispielen Ursachen-Wirkzusammenhänge erlernt. Im Gegensatz zum traditionellen Programmieransatz, dem Ausführen vordefinierter Funktionen, programmiert der Computer sich selbst. Das Ergebnis des Lernprozesses ist ein Programm, auch Modell genannt, welches für die Lösung zukünftiger Aufgaben eingesetzt werden kann. Abb. 1 fasst den gesamten ML-Prozess vom Lernen bis hin zur Anwendung skizzenhaft zusammen. Möchte man ML beispielsweise in der Qualitätssicherung einsetzen, kann ein Modell gelernt werden, welches fehlerhafte von nicht fehlerhaften Werkstücken unterscheidet. Für den Lernprozess müssen viele Daten (z.B. Bilder) von Werkstücken vorliegen, die jeweils mit der Kennzeichnung „in Ordnung“ oder „nicht in Ordnung“ versehen sind. Das finale Modell soll dann in der Lage sein, Zusammenhänge zwischen Werkstücken und ihrer Qualität herzustellen und auch bei bisher ungesehenen Werkstücken eine Aussage über die Güte des Teiles zu treffen.

Abb. 1: ML-Prozess: Erlernen eines Modells und Verwendung dieses für Entscheidungen. Quelle: Marco Huber

Grundsätzlich werden verschiedene Arten des maschinellen Lernens unterschieden (s. Abb. 2). Beim unüberwachten Lernen liegen lediglich die Eingabedaten ohne zugehörige Ausgaben vor. Hier wird das Ziel verfolgt, Muster oder Strukturen in den Daten zu identifizieren, welche die Eingabedaten möglichst gut voneinander trennen. Beim überwachten Lernen hingegen bestehen die Eingabedaten – also die Daten, die der Algorithmus während des Lernprozesses nutzt – aus Eingabe-Ausgabe-Paaren. Das Lernziel besteht darin, Regeln zu finden, welche möglichst gut den Zusammenhang zwischen Eingabe und Sollausgabe abbilden. Dies könnte etwa die zuvor beschriebene Aufgabe sein, fehlerhafte von nicht fehlerhaften Werkstücken zu unterscheiden. Beim überwachten Lernen werden zwei Lernaufgaben unterschieden. Die Klassifikation hat das Ziel, einer Eingabeinstanz eine (von mehreren) diskreten Kategorien/Klassen zuzuweisen. Dies können wie zuvor angeführt die Klassen „in Ordnung“ oder „nicht in Ordnung“ sein. Regressionsaufgaben prädizieren einen kontinuierlichen Wert, beispielsweise ein Qualitätsmerkmal wie die Dicke einer Schweißnaht.

Abb. 2: Skizzenhafte Übersicht über verschiedene Arten und Aufgaben des maschinellen Lernens. Quelle: Nina Schaaf

Wie ML heute schon bei der Qualitätsbeurteilung in der Blechfertigung helfen kann

In der Blechfertigung können Kriterien aus der DIN EN ISO 9013 herangezogen werden, welche die Qualität der Schnittkanten quantifizierbar beschreiben. Um diese Kriterien analytisch zu bestimmen, werden 3D-Informationen der Kante benötigt. Die Ermittlung dieser Informationen erfordert wiederum viel Zeit, Fachwissen, teure Geräte und Laborbedingungen. Für den Einsatz in der Blechfertigung, die heute mehr denn je flexibel in der Art der Teile sein muss und zudem bei steigenden Qualitätsanforderungen der Kunden kurze Durchlaufzeiten haben muss, ist diese Vorgehensweise wenig praktikabel. Die Maschinenbediener sind somit gezwungen, die Qualität zu beurteilen, ohne die tatsächlichen Werte der objektiven Kriterien zu kennen. Ausgehend von einer bloßen Sichtprüfung verlassen sie sich dabei auf subjektive Qualitätsempfindungen und oftmals eigens definierte Kriterien. Eine Möglichkeit, diese subjektiven Bewertungen zu vermeiden, ist der Einsatz von Faltungsnetzen. Diese Netze werden mit bekannten Daten trainiert, um die Qualität einer Schnittkante mittels einer einzigen Bildaufnahme schnell und robust bewerten zu können. Die größte Herausforderung dieses Ansatzes besteht darin, eine ausreichende Menge an Trainingsdaten zu generieren und die entsprechenden objektiven Bewertungskriterien zu bestimmen. Es muss dabei ebenfalls sichergestellt werden, dass ein breites Qualitätsspektrum von Schnittkanten im Trainingsdatensatz zur Verfügung steht. Nach erfolgreichem Training sind diese Faltungsnetze in der Lage, schnell und robust Bilder der Schnittkanten nach den gelernten Kriterien auszuwerten und können so den Maschinenbediener bei der Beurteilung der Qualität unterstützen.

Wohin geht die Reise? Die Zukunft von KI in der Produktion

Durch ihre vielfältige Natur lassen sich maschinelle Lernverfahren in der Produktion schon heute für zahlreiche Anwendungsfälle mit unterschiedlichsten Aufgabenstellungen einsetzen. Die Anwendungsmöglichkeiten reichen von der Vorhersage über den Verschleißzustand einer Produktionsmaschine bis hin zur Qualitätsprognose, -prüfung und -bewertung von Produkten. Zunehmende Ansprüche an Flexibilität und Potenzialausschöpfung und die Verfügbarkeit immer größerer Datenmengen werden KI in der industriellen Fertigung auch in Zukunft relevanter machen. Bevor jedoch über konkrete Lösungen nachgedacht wird, sollten stets zuerst grundlegende Fragen beantwortet werden. Dazu gehören Überlegungen zu Verfügbarkeit und Qualität von Daten und dem betrachteten Problem (was möchte ich erreichen?). Erst wenn diese Fragen beantwortet sind, sollte mit der Umsetzung begonnen werden.

Literaturverzeichnis

bitkom e.V., 2018
Künstliche Intelligenz: Bundesbürger sehen vor allem Chancen.
Verfügbar unter: https://www.bitkom.org/Presse/Presseinformation/Kuenstliche-Intelligenz-Bundesbuerger-sehen-vor-allem-Chancen
Zugriff am: 25.02.2020

Brandt, Matthias, 2019.
Künstliche Intelligenz rechnet sich.
Verfügbar unter: https://de.statista.com/infografik/16992/umsatz-der-in-deutschland-durch-ki-anwendungen-beeinflusst-wird/
Zugriff am: 25.02.2020

Leviathan, Yaniv, 2018.
Google Duplex: An AI System for Accomplishing Real-World Tasks Over the Phone.
Verfügbar unter: https://ai.googleblog.com/2018/05/duplex-ai-system-for-natural-conversation.html
Zugriff am: 25.02.2020

McCarthy, John, 2007.
What is Artificial Intelligence? Basic Questions.
Verfügbar unter: http://wwwformal.stanford.edu/jmc/whatisai/whatisai.html
Zugriff am: 25.02.2020


Über die Autoren:

Nina Schaaf ist wissenschaftliche Mitarbeitern am Zentrum für Cyber Cognitive Intelligence (CCI) des Fraunhofer-Instituts für Produktionstechnik und Automatisierung IPA. Ihr besonderes Interesse gilt dem maschinellen Lernen im Allgemeinen sowie dem Forschungsfeld Explainable AI (xAI).

Janek Stahl ist seit 2015 wissenschaftlicher Mitarbeiter am Fraunhofer-Institut für Produktionstechnik und Automatisierung. Nach Abschluss seines Studiums des Maschinenbaus an der Universität Stuttgart arbeitet er dort in der Abteilung Bild- und Signalverarbeitung und beschäftigt sich mit maschinellen Lernverfahren und Texturanalyse in der 2D-Bildverarbeitung im industriellen Umfeld.