Künstliche Intelligenz für optimierte Maschinenparameter

Produktionsanlagen werden überwiegend von Fachkräften basierend auf ihrem Erfahrungswissen konfiguriert. Dies führt zur Abhängigkeit von individuellen Kenntnissen und häufig zu nicht optimalen Betriebspunkten, insbesondere in komplexen Produktionsumgebungen. Manuelle Anpassungen sind zudem meist zeitintensiv, was zu niedriger Produktivität und hohen Produktionskosten führt.
Künstliche Intelligenz (KI) bietet Lösungen zur automatisierten Optimierung von Maschinenparametern, um die Bauteilqualität zu verbessern, die Produktionszeiten zu verkürzen und einen stabilen optimalen Betriebszustand zu gewährleisten. Eine Feedback-Schleife lernt den Zusammenhang zwischen Maschinenparametern und der Produktqualität und passt die Parameter abhängig von der Ist-Qualität an. Um die Soll-Qualität zu erreichen, wird dieser Zusammenhang invertiert und die Parameter werden angepasst. Ergänzende KI-Methoden wie die Qualitätsprognose und die Bildsimulation erweitern die Anwendbarkeit.

Modelle und Verfahren für die KI-basierte Parameteroptimierung

Analytische Modelle: Diese Modelle nutzen physikalische Gesetze oder phänomenologische Zusammenhänge. Sie sind sehr genau und gut übertragbar, solange die zugrunde liegenden Modellannahmen erfüllt sind. Ihre Ergebnisse sind nachvollziehbar, jedoch ist die Erstellung oft zeit- und ressourcenintensiv. Zudem können sie bei komplexen, nichtlinearen Prozessen an ihre Grenzen stoßen.

Physics-Informed Machine Learning (PIML): Analytische Modelle decken in der Praxis meist nicht alle relevanten physikalischen Effekte ab. In diesem Fall kann PIML eingesetzt werden. Es kombiniert physikalisches Wissen mit datengetriebenen Ansätzen. Es vereint die Präzision analytischer Modelle mit der Flexibilität von Maschinellem Lernen (ML), besonders in schwer modellierbaren Bereichen.

Rein datengetriebene Ansätze: Fehlt ein analytisches Modell, können neuronale Netze und andere KI-Algorithmen genutzt werden, um auf Basis historischer Daten Parameter zu optimieren. Diese Methode erfordert keine tiefen Prozesskenntnisse, benötigt jedoch ausreichend Sensordaten aus der Produktion und ggf. weitere Daten für verlässliche Vorhersagen. Ein Nachteil ist die Black-Box-Eigenschaft, die in sicherheitskritischen Bereichen problematisch sein kann.

Bayes’sche Optimierung: Ein weiterer Ansatz zur Parameteroptimierung ist die Bayes’sche Optimierung, die effizient nach optimalen Maschinenparametern sucht. Sie kommt vorwiegend zum Einsatz, wenn die Aufgabenstellung komplex und eine direkte Inversion der zuvor genannten Modelle nicht praktikabel durchführbar ist. Sie balanciert zwischen lokaler Optimierung und Erkundung neuer Parameterbereiche durch ein Wahrscheinlichkeitsmodell. Diese Methode ist besonders geeignet für weniger als zehn Parameter und wenn das Sammeln der Daten kosten- und zeitintensiv ist.

KI-basierte Qualitätsprognose: Die genannten Modelle und Verfahren können neben der Parameteroptimierung auch für die Qualitätsprognose eingesetzt werden. Ausgangspunkt dabei ist, dass eine Optimierung zwar eine regelmäßige Bestimmung der Bauteilqualität erfordert, eine 100%-Prüfung aber aus Zeit- und Kostengründen oft nicht praktikabel ist. In der Praxis werden meist Stichprobenprüfungen durchgeführt, was zu langen Zeitfenstern zwischen den Optimierungen führt. Für eine optimale Produktqualität wäre aber ein kontinuierliches Nachführen der Produktionsparameter vorteilhaft.

Qualitätsprognose-Methoden können die Optimierungszyklen verkürzen. Moderne Produktionen verfügen nicht nur über Qualitätsdaten aus Stichproben, sondern auch über Prozessdaten, die durch vorhandene oder kostengünstig integrierbare Sensoren erfasst werden. Diese messen beispielsweise Drücke, Temperaturen und Vibrationen.

Das Ziel der KI-basierten Qualitätsprognose besteht darin, insbesondere unter Nutzung von PIML und rein datengetriebenen Ansätzen, Zusammenhänge zwischen Maschinen- und Prozesskenngrößen sowie der Qualität der Bauteile zu identifizieren und zu nutzen, u.a. bei hochfrequenten Prozesskenngrößen (> 100 Hz).

Bildsimulation: Die Bauteilqualität wird häufig kamerabasiert anhand von Bilddaten geprüft. Bei niedrigen Fehlerraten liegen aber oft nur wenige Bilder von fehlerhaften Bauteilen vor. Außerdem erfordert die manuelle Annotation von Fehlstellen viel Zeit und führt zu inkonsistenten Datensätzen. Automatisierungspotenziale, die eine KI-basierte Qualitätsprüfung bietet, bleiben dadurch ungenutzt.

Hier kommt die Bildsimulation ins Spiel. Zunächst wird die virtuelle Szene, die das optische Prüfsystem nachbildet, aus dem 3D-Bauteilmodell mit Materialeigenschaften, Kamera und Beleuchtung modelliert. Mithilfe von physikalisch-basierten Renderingverfahren, die den Lichtfluss simulieren, werden nun sensorrealistische Bilder automatisiert erzeugt. Dabei können Fehlstellen wie z.B. Kratzer oder Dellen in das 3D-Modell eingebracht, mitsimuliert und automatisch annotiert werden. 

Dieser Ansatz ermöglicht die Erstellung repräsentativer und ausgewogener Trainingsdaten für die KI-gestützte Defekterkennung und Klassifikation, was den Zeitaufwand für die Aufnahme und Annotation realer Kamerabilder erheblich reduziert.

Anwendungsbeispiele

Die folgenden Beispiele zeigen, wie KI-gestützte Verfahren zur Effizienzsteigerung und Qualitätsverbesserung beitragen können:

1. Sensorbasierte Qualitätsprognose beim Ultraschall-Bonding: Hier wird ein KI-Modell eingesetzt, das die Scherfestigkeit von Bonds vorhersagt, basierend auf Sensordaten zur elektrischen Leistung oder Frequenz. Dies ermöglicht eine kontinuierliche Überwachung des Bondprozesses, die frühzeitige Identifikation von Prozessanomalien und die Optimierung der Maschinenparameter.
2. Sensorbasierte Qualitätsprognose beim Widerstandspunktschweißen: In diesem Beispiel wird die Qualität von Schweißpunkten durch die Erfassung von Kenngrößen wie dem dynamischen Widerstand prognostiziert. Die schnelle Verfügbarkeit der Prognose erlaubt zeitnahe Anpassungen.
3. Bildbasierte Qualitätsprüfung beim thermischen Schneiden von Blechen: KI-Systeme analysieren Bilder der Schnittkanten nach DIN 9013, um eine objektive Qualitätsbewertung zu ermöglichen. Dies fördert die Optimierung der Parametrierung von Schneidmaschinen, die traditionell viel Fachwissen erfordert.
4. KI-optimierte Sichtprüfung von Unterlegscheiben: Am Fraunhofer IPA wurde eine sensorrealistische Bildsimulation entwickelt, um Fehlerbilder zu generieren. Damit werden KI-Modelle trainiert, die auf reale Kamerabilder angewendet werden. Die detaillierte Modellierung der Szenen hilft, den Domain Gap zu überwinden und die Leistung der KI zu verbessern.

Fazit

Die Optimierung von Maschinenparametern erfordert eine gezielte Auswahl von Methoden entsprechend den spezifischen Prozessanforderungen und verfügbaren Daten. Kombiniert man die beschriebenen Ansätze maßgeschneidert für konkrete Aufgabenstellungen, können Unternehmen ihre Produktionsleistung und Anpassungsfähigkeit deutlich verbessern.