Anwendungen von KI Künstliche Intelligenz in der Industrie

Das Thema «Künstliche Intelligenz» (KI) ist in aller Munde. Eine aktuelle Studie der ETH Zürich, Swissmem und Next Industries zeigt, dass rund die Hälfte der Unternehmen der Schweizer Tech-Industrie sich noch nicht mit KI beschäftigt haben. In diesem Artikel werden deshalb die Grundlagen von KI erläutert sowie mehrere schon implementierte Anwendungen aus der Industrie aufgezeigt.

Um Künstliche Intelligenz zu verstehen, wird eine Definition von Intelligenz an sich benötigt. In der Psychologie wird Intelligenz als «die Fähigkeit, […] Probleme zu lösen, abstrakt zu denken, komplexe Ideen zu verstehen, […] und aus Erfahrung zu lernen» definiert. Künstliche Intelligenz ist also die Fähigkeit eines Computers, diese menschlichen Fähigkeiten und Denkprozesse nachzuahmen. Dabei wird zwischen drei Begriffen unterschieden (siehe Abbildung 1). Künstliche Intelligenz (KI) ist ein Überbegriff für alle Software, welche menschliche Denkprozesse nachahmt. Dies können auch Algorithmen sein, welche nicht selbst lernen, sondern vordefinierte Regeln anwenden. Machine Learning (ML) bezeichnet Algorithmen, welche anhand von Erfahrung bzw. Daten lernen. Deep Learning (DL) ist ein Teilgebiet von ML, in welchem tiefe neuronale Netzwerke verwendet werden.

KI-Tools wie ChatGPT, aber auch viele Anwendungen in der Industrie basieren auf ML bzw. DL. Diese Algorithmen können anhand gemessener Daten lernen. Dieser Lernprozess wird als «Trainingsphase» bezeichnet (Abbildung 2, links). Dabei werden dem Modell Daten vorgelegt, die Entscheidungen des Modells für diese Trainingsdaten beurteilt und daraus gelernt. Wenn das Modell eine zufriedenstellende Leistung erreicht, geht es in die Anwendungsphase über (Abbildung 2, rechts), in welcher kein weiteres Training stattfindet.

Bildergalerie

Bildergalerie mit 10 Bildern

Das Zusammenstellen der Trainingsdaten ist einer der wichtigsten Bestandteile jedes Machine-Learning-Projekts, und häufig entscheiden die Menge und Qualität der Trainingsdaten über Erfolg oder Misserfolg. Darum sind «Daten das neue Öl» der Informationsgesellschaft. In Abbildung 3 sind die drei wichtigsten Arten von Machine Learning dargestellt. In industriellen Anwendungen ist Supervised Learning die wichtigste und am weitesten verbreitete Methode. Dieser Artikel fokussiert sich somit darauf, wie Supervised Learning funktioniert und wo die Anwendung in der Industrie ist.

Supervised Learning intuitiv erklärt

Es existieren verschiedenste Supervised-­Learning-Algorithmen. Viele davon basieren auf einer einfachen Grundidee, welche hier erläutert wird, dem Bayes-Klassifizierer (benannt nach dem Mathematiker Thomas Bayes). Als didaktisches Beispiel betrachten wir die Qualitätskontrolle von Spritzgiessteilen anhand des maximalen Werkzeuginnendrucks während der Produktion des Bauteils. Zur Entwicklung einer KI-basierten Überwachung wird ein Trainingsdatensatz erzeugt, in welchem für 10 000 Bauteile der Werkzeuginnendruck gemessen wird und die Bauteile anschliessend manuell inspiziert und beurteilt werden. Der resultierende Datensatz ist in Tabelle 1 abgebildet.

Das intuitive Konzept des Bayes-Klassifizierers ist es, die Entscheidung zu treffen, welche die höchste Wahrscheinlichkeit hat, korrekt zu sein. Um einen Bayes-Klassifizierer zu trainieren, müssen also die Wahrscheinlichkeiten, dass ein Teil «gut» oder «schlecht» ist, geschätzt werden. Dafür wird als erster Schritt ein Histogramm gebildet. Dazu wird der Wertebereich des Drucks in Abschnitte unterteilt und die Anzahl guter und schlechter Teile gezählt. Dieses Histogramm fasst alle Trainingsdaten und somit das gesamte Wissen der KI zusammen. Das Histogramm ist in Tabelle 2 als Tabelle, wie im Computer abgebildet, sowie in Abbildung 3 grafisch dargestellt.

Nun kann für einen bestimmten Druckbereich, z. B. 200–210 bar, die Wahrscheinlichkeit, dass ein Bauteil mit diesem Druck gut bzw. schlecht ist, geschätzt werden. Dazu wird die Anzahl guter bzw. schlechter Bauteile durch die Gesamtanzahl an Bauteilen in diesem Bereich geteilt, also P(gut) = 2423/(2423 + 63)=97,5 % und P(schlecht) = 63/(2423 + 63)=2,5 %. Mit einer Wahrscheinlichkeit von 97,5 % handelt es sich also um ein gutes Teil. Für ein neues Bauteil kann anhand dieser gelernten Wahrscheinlichkeiten entschieden werden, ob das Bauteil gut oder schlecht ist. Das Lernen der Wahrscheinlichkeiten anhand von Trainingsdaten kann nicht nur mit einem Histogramm gemacht werden, sondern es existieren verschiedene ML-Algorithmen, um dies effizienter und genauer durchzuführen. Je komplexer die Daten sind, desto komplexer werden auch diese Verfahren. 

Wo steckt Künstliche Intelligenz in einer Maschine?

Das Institut ICAI der OST – Ostschweizer Fachhochschule hat mit Partnerfirmen bereits verschiedenste industrielle KI-Anwendungen entwickelt.

Da die meisten dieser Projekte unter einer Vertraulichkeitserklärung entwickelt wurden, werden hier anhand einer fiktiven Maschine fünf mögliche Anwendungen von KI aufgezeigt. Wir betrachten hier Anwendungen für einen kartesischen Drei-Achsen-Roboter, wie in Abbildung 5. Die ersten drei Anwendungsbeispiele befassen sich dabei mit der Anwendung von KI während der Produktion des Roboters, während die letzten zwei Anwendungsbeispiele Möglichkeiten zeigen, KI in den produzierten Roboter zu integrieren.

Beispiel 1: Ausnahmedetektion im Kalibrationsprozess

Wird ein Produkt kalibriert, bietet sich die Möglichkeit an, die Messdaten mittels einer ML-Ausnahmedetektion zu analysieren. Es zeigt sich, dass Produkte, welche zwar die Endprüfung bestehen, aber von einer Ausnahmedetektion als auffällig beurteilt werden, häufig früher ausfallen oder Hinweise auf Probleme im Produktionsprozess geben können.

Beim Beispiel des Roboters kann dies eine Kalibration sein, bei welcher der Roboter Kalibrationspunkte anfahren muss und dabei die benötigte Zeit aufgezeichnet wird. Die einfachste Art einer Ausnahmedetektion ist es nun, für jeden der Messwerte den Mittelwert und die Standardabweichung über den Trainingsdatensatz zu berechnen. Liegt ein Messwert signifikant ausserhalb des typischen Bereichs, so handelt es sich um eine Ausnahme. Moderne ML-Algorithmen können auch wesentlich komplexere Muster lernen und ermöglichen so eine robuste Ausnahmedetektion.

Beispiel 2: Visuelle Qualitätskontrolle im Produktionsprozess

Eine optische Qualitätskontrolle mittels Kameras wird bereits heute in vielen Bereichen eingesetzt. Diverse Sensor- und Kamerahersteller bieten hierfür «Vision-Sensoren», welche eine Industriekamera, Beleuchtung und Auswertung in einem Produkt vereinen. Gewisse solcher Vision-Sensoren verfügen bereits über einfache KI-Tools zur Auswertung. Alternativ können mit Industriekameras Bilder aufgenommen werden, welche anschliessend mit KI analysiert werden. Beim Beispiel des Roboters kann in der Endmontage mittels einer Kamera die korrekte Montage einer Baugruppe optisch überprüft werden. Während in der optischen Qualitätskontrolle bisher häufig von Hand die Qualitätsparameter definiert werden, kann dies mit Supervised Learning anhand eines Trainingsdatensatzes von korrekt und inkorrekt montierten Baugruppen gelernt werden.

Beispiel 3: Virtuelle Qualitätskontrolle im Produktionsprozess

Gewisse Qualitätskontrollen werden aus Zeit- oder Kostengründen nur stichprobenartig durchgeführt. Mit ML kann anhand von Messdaten aus dem Produktionsprozess der Ausgang der Qualitätskontrolle geschätzt werden. Somit wird jedes Teil «virtuell» durch KI überprüft, und nur wenn die virtuelle Qualitätskontrolle ausserhalb eines Toleranzbandes ist, wird die echte Qualitätskontrolle durchgeführt. Dieses Prinzip ist in Abbildung 6 dargestellt. Eine mögliche Anwendung beim Roboter ist die Messung der korrekten Riemenspannung nach der Montage. Mit Supervised Learning kann ein ML-Modell die Riemenspannung anhand der Motorenströme schätzen bzw. «virtuell» messen. Nur wenn diese Schätzung unsicher ist oder einen Wert ausserhalb der Toleranz angibt, wird manuell nachgemessen. Hier sieht man einen weiteren Vorteil moderner ML-Methoden, welche nicht nur einen Wert schätzen, sondern meist auch eine Unsicherheit.

Datenanalyse und Mustererkennung

KI für automatisierte Bilderkennung in der Medizintechnik

Beispiel 4: Vorausschauende Wartung

Bei einem Roboter können erhöhte Motorenströme ein Indikator für erhöhte Reibung sein, womit eine Wartung nötig ist. Anstelle vordefinierter Schwellwerte kann mittels Supervised Learning eine Klassifizierung in «gut» bzw. «Wartung fällig» gelernt werden. Dazu sind jedoch grosse Mengen an Messdaten nötig. Insbesondere echte Messdaten für Roboter mit fälliger Wartung zu sammeln ist jedoch häufig nicht möglich, weshalb solche Modelle zur Klassifizierung nicht sehr verbreitet sind.

Stattdessen bewährt sich hier eine Anomalieerkennung. Dazu wird ein Datensatz gesammelt, in welchem jedoch nur Signale von Robotern in gutem Zustand aufgezeichnet werden. Anhand dieser lernt ein ML-Modell den «Gut»-Zustand zu charakterisieren. Abweichungen von diesem Zustand werden dabei als Anomalie gekennzeichnet. Der grosse Vorteil dieser Methode ist, dass keine Daten von Robotern mit fälliger Wartung benötigt werden.

Beispiel 5: Virtueller Sensor zum Ersatz teurer Sensoren

Ist ein Sensor teuer oder nicht sinnvoll einsetzbar, kann dieser durch einen ML-basierten «virtuellen» Sensor ersetzt werden. Dabei schätzt ein ML-Algorithmus anhand anderer Messdaten den Ausgangswert des virtuellen Sensors. Diese Schätzung wird mittels Supervised Learning gelernt, wo der zu schätzende Ausgangswert der Wert des teuren Sensors ist, welcher ersetzt werden soll.

Beim hier betrachteten Roboter kann eine virtuelle Kollisionserkennung entwickelt werden. Kollisionen können mit einer Kamera leicht erkannt werden. Während des Trainings wird eine Kamera benutzt, um eine Kollision zu erkennen (Ausgangsdaten) und die Eingangsdaten in das Supervised Learning sind die Motorenströme. Wie in Abbildung 7 aufgezeigt, kann mit Supervised Learning ein ML-Algorithmus trainiert werden, welcher anhand dieser Trainingsdaten entscheidet, ob eine Kollision vorliegt oder ob eine reguläre Bewegung ausgeführt wird, ohne dass eine Kamera im Betrieb benötigt wird.

Swissmem Industrietag 2024

Die Rolle der Künstlichen Intelligenz

Mikrocontroller

MCUs: Schnelle Bereitstellung leistungsstarker und effizienter KI und maschinellen Lernens

(ID:50083825)