Anwendungsbeispiele für KI-basierte Qualitätskontrolle

Nachfolgend werden verschiedene Anwendungsbeispiele für KI-basierte Qualitätskontrolle ausführlicher beleuchtet.

Visuelle Endkontrolle von Gasgenerator-Schnittstellen

Gasgenerator-Schnittstellen für Airbags, sog. Airbagzünder, sind sicherheitsrelevante Bauteile, die nur einmalig funktionieren. Sie können also zum Test nicht «ausprobiert» werden und wurden früher durch Inaugenscheinnahme von Menschen visuell geprüft – die Prüfung fand chargenweise statt. Die Prüfung sollte automatisiert werden und jeder Zünder sollte möglichst in Prozesszeit überprüft werden, um Fehler früh zu erkennen und Probleme in der Produktion schnell beheben zu können, ohne dass weitere Produkte davon betroffen werden.

Hier wurde eine Lösung erarbeitet, die später das Trainieren nur mit «Gutdaten» inspiriert hat. Auf der Basis von Bildern von i.O.-Produkten wird ein Durchschnittsmodell errechnet. Die Ausführungszeit liegt bei 120 Millisekunden und ist damit prozessgerecht. Die Erkennungsrate beträgt 99,999%. Die Lösung ist mittlerweile an internationalen Standorten im Einsatz.

Überwachung des Qualifikationsprozesses von Mikrochips

Als Qualifikationsprozess von Mikrochips wird die Prüfung auf Funktionalität, Leistungsfähigkeit und Zuverlässigkeit unter verschiedenen Bedingungen bezeichnet. Hier Es existierten viele Teilaufnahmen von Chipoberflächen, aber es gab nur sehr wenige Negativbeispiele (Bilder von n.i.O. Chips). So wurde das Verfahren des Lernens nur mit «Gutdaten» entwickelt und evaluiert. Das resultierende KI-Modelle erkennt, wo es Abweichungen vom OK-Zustand gibt. Die Inferenzzeit beträgt weniger als 100 Millisekunden, so dass eine nahtlose Integration in den bestehenden Aufnahmeprozess möglich war. Das Training kann on-premise stattfinden – die Auswertung ebenso.

Überwachung Montageprozess von Ultraschallsonden

Ultraschallsonden werden getestet, in dem u.a. »in die Luft geschallt” wird. Für das geschulte Auge entsteht dabei ein charakteristisches Rauschbild. Gewisse Muster weisen auf einen Montagefehler hin. Dieser Prozess sollte durch automatische visuelle Kontrolle abgelöst werden, um unabhängiger von der Erfahrung von Menschen zu werden und konsistente Ergebnisse zu erzielen, unabhängig von der Tagesform eines Menschen. Im Bildmaterial von 38.000 Aufnahmen existierten nur 13 Aufnahmen von n.i.O.-Produkten. Die Datenaufbereitung erfolgte gemeinsam mit Domänenexperten. Wieder kam der Ansatz des Lernens nur mit «Gutdaten» zum Einsatz. Das so trainierte KI-Modell identifiziert und lokalisiert Abweichungen vom OK-Zustand. Der Kunde hat das Verfahren standardmässig in den Prüfprozess aufgrund der hohen Ausführungsgeschwindigkeit (<100ms) und Erkennungsrate integriert.

Zusammenbaukontrolle und Werkerunterstützung

Zur Erkennung der Position und Orientierung von Bauteilen, der sog. Pose, innerhalb einer Baugruppe kommt der in Abschnitt 3.2 beschriebene Ansatz der Trainingsdatensynthese aus CAD-Modellen zum Einsatz. An der Assembly Line sind typischerweise mehrere Kameras montiert, um komplexe Baugruppen aus unterschiedlichen Perspektiven zu erfassen. In diesen Bildern identifizieren wir die einzelnen Bauteile und prüfen, ob ihre Pose mit der im CAD-Zusammenbaumodell definierten übereinstimmt. Dieser Prozess läuft automatisch ab. Wird erkannt, dass ein Bauteil falsch orientiert wurde oder gar ganz fehlt, erfolgt ein Hinweis an das Personal. Zur Korrektur wird in einer Augmented Reality-Anwendung die korrekte Pose eingeblendet und so visuell kommuniziert, was zu tun ist, um den Fehler zu beheben. Wird das System frühzeitig mit CAD-Daten trainiert, kann es bereits bei Produktionsbeginn eingesetzt werden. Es lässt sich auch für die Schulung von Mitarbeitern nutzen.

Schadenserfassung im Umformprozess

Für die Bildverarbeitung in industriellen Anwendungen ist eine geeignete Bildgebung für gute und schnelle KI-Modelle entscheidend. Wenn Bauteile Anomalien aufweisen, diese in Bildern der Bauteile aber nicht erkennbar sind, kann eine Bildverarbeitung keine brauchbaren Ergebnisse liefern – eigentlich eine Selbstverständlichkeit. Daher entwickeln wir dedizierte Bilderfassungssystem, bestehend aus Kameras, Beleuchtung und Datenverarbeitung.

Ein Beispiel ist ein System, das für ein Folgeverbundwerkzeug in einem Umformprozess entwickelt wurde. In Prozesszeit – mit bis zu 400 Hüben pro Minute – werden 18 Bilder von dem umgeformten Blech aufgenommen, wobei die Lichtpositionen variiert werden, d.h. innerhalb von 150 ms nehmen wir 18 Bilder auf. Aus diesen Bildern wird für jedes Objekt per Photometric Stereo eine Normalenkarte rekonstruiert – die Geschwindigkeit erreichen wir durch eine eigene Implementierung des Verfahrens. Die Normalenkarten werden auf Fehler verschiedener Klassen hin analysiert.

Fazit: Synthetische Daten machen KI-Qualitätsprüfung wirtschaftlicher

Die automatische optische Qualitätskontrolle hat durch Machine Learning in den letzten Jahren deutliche Verbesserungen erfahren, insb. dort wo sich variierende Bedingungen vorfinden. Bild basiertes Machine Learning geht mit hohen Anforderungen an die Trainingsdaten einher. Ihre Zurverfügungstellung ist oft mit hohen Kosten verbunden, die den Einsatz von ML unwirtschaftlich werden lassen kann.

Dieser Beitrag zeigt u.a. wie durch Bildsynthese aus 3D-Modelldaten und Training mit Bildern nur von Gutdaten die Einführung von ML-basierten Verfahren zur optischen Qualitätssicherung wirtschaftlicher gestaltet werden kann. Trotz Reduktion des Aufwands kann dabei eine hohe Vorhersagegüte erreicht werden. Mit synthetisch generierten Daten trainierte Systeme können früher, nämlich schon bei Produktionsanlauf, eingesetzt werden – ein mehr als willkommener Nebeneffekt. Kompakte KI-Modelle reduzieren die Anforderungen an Hardware, um die Inferenz in Prozesszeit durchführen zu können, und ermöglichen in-process Qualitätsbeobachtung.

(ID:50988750)