Die Fertigungsindustrie setzt sich intensiv mit dem Einsatz von KI auseinander. Laut einer Untersuchung von BCG und MIT Sloan Management gehen 84 Prozent der Führungskräfte von einem deutlichen Wettbewerbsvorteil durch smarte und intelligente Maschinen und Anwendungen im Unternehmen aus.
In der Industrie 4.0 sollen so Algorithmen der Routing-Engines zukünftig riesige Mengen von Produktdaten, IoT- und Sensordaten verarbeiten, um Konfigurationen in Echtzeit zu implementieren, Ausfallzeiten auf ein Minimum zu reduzieren, die Produktqualität zu verbessern, Kosten zu senken und die Zeit bis zur Markteinführung zu verkürzen.
Automation und Robotik als Sprungbrett
Doch wo anfangen? Als ideales Testfeld für Machine Learning bieten sich insbesondere robotergestützte Automatisierungslösungen an, die darüber hinaus in vielfältigen Anwendungsbereichen zum Einsatz kommen.
1. Produkt-Montage
Systeme zur industriellen Bildverarbeitung (Machine Vision) ermöglichen es Robotern Einzelteile zuverlässig zu identifizieren und Komponenten korrekt zu greifen, zu positionieren und zusammenzusetzen. Die Automatisierung ist nicht nur Standard bei der Leiterplattenmontage, sondern wird auch bei komplexen Produkten in der Reinräumfertigung, zum Beispiel in der Medizintechnik, genutzt.
2. Fertigungsprozesse
Industrieroboter übernehmen insbesondere bei repetitiven Aufgaben wichtige Prozesse wie Laserschweißen, Löten, Sprühen und Kleben. Der hohe Automatisierungsgrad liefert aussagekräftige Indikatoren für Schlüsselprozesse sowie KPIs, auf deren Basis Hersteller die Anlagenperformance weiter optimieren.
3. Montage- und Prozessinspektion
Robotergestützte Inspektion lässt sich direkt in die Fertigungslinie integrieren, um Baugruppen und Komponenten im Produktionstakt zu prüfen. Roboter steuern hier die Kamera, um aus unterschiedlichen Blickwinkeln und mit unterschiedlich angeordneten Lichtquellen Aufnahmen zu erstellen.
4. Verpackung
Robotergestützte Verpackungslinien sind mittlerweile fester Bestandteil von großen Fabrikanlagen. Von Pick & Place bis zur automatischen Palettierung arbeiten die Systeme deutlicher schneller, flexibler und gleichbleibend zuverlässig. Das steigert nicht nur die Produktivität, sondern wirkt sich auch auf die Produktqualität sowie die Sicherheit der Arbeiter aus.
Automatische optische Inspektion (AOI)
Jeder dieser Anwendungsbereiche bietet einen guten Ausgangspunkt, um Machine Learning-Verfahren zu testen, ehe über die anlagenweite Implementierung oder weitere Investitionen nachgedacht wird. Die Verwendung von Algorithmen bei der 3D-AOI ist hier ein interessanter Trend.
In der Regel werden die Leiterplatten nach dem Bestücken und Löten genauestens kontrolliert, um fehlende oder falsch bestückte Bauteile zu identifizieren und aus der Fertigungslinie zu nehmen. Für die Programmierung der erforderlichen Algorithmen sind qualifizierte Ingenieure gefragt. Die Kontrolle kostet damit Zeit und Ressourcen. Darüber hinaus sind auch die komplexesten Algorithmen nur so zuverlässig, wie sie programmiert wurden. Fehler sind damit nicht automatisch ausgeschlossen.
Noch fehlt es den meisten Systemen an der nötigen Intelligenz, um selbstständig aus vorangegangenen Abläufen zu lernen und damit eigene Entscheidungen auf Basis von Datensätzen und Erfahrungswerten zu treffen. Selbst bei leistungsfähigen AOI-Systemen kommt es zu Verwechselungen von “guten” und “schlechten” Bauteilen, wobei die Fehlerrate auf bis zu 30 Prozent klettern kann.
Statt also den manuellen Arbeitsaufwand zu reduzieren, sind zusätzliche Arbeitsschritte erforderlich, bei denen Arbeiter jeden Tag oft Stunden mit der Überprüfung und Diagnose von Bauteilen verbringen. Zusammengefasst stehen Hersteller bei AOI vor drei grundlegenden Herausforderungen:
1. Reduzieren von falschen Fehlermeldungen (False Calls)
Mehr als 50 Prozent der fälschlich aussortierten Bauteile gehen auf eine fehlerhafte oder zu ungenaue Programmierung der Maschine zurück. In manchen Fällen fehlt es den Programmierern an der nötigen Erfahrung oder Expertise. In anderen Fällen handelt es sich schlichtweg um menschliche Fehler. Systeme mit Autoprogrammierung könnten diese Fehlerquote deutlich reduzieren.
2. Reduzieren von nicht erkannten Fehlern (Escapes)
Neben fälschlich aussortierten Bauteilen gilt es, die Anzahl von nicht erkannten Fehlern zu reduzieren. Liegt das Systemversagen in der Anlage selbst lässt sich die Fehlerrate über Autoprogrammierung minimieren. Bleibt das fehlerhafte Bauteil während der Inspektion durch den Prüfer unentdeckt, sollte der unterstützende Einsatz von visuellen optischen Systemen in Betracht gezogen werden.
3. Reduzieren der Programmierzeit
Insbesondere im Rahmen von New Product Introduction (NPI) lässt sich der Programmieraufwand über automatisches (Selbst)Programmieren deutlich reduzieren. Machine Learning Algorithmen sind in der Lage die ursprünglich „von Hand“ entwickelten Algorithmen zu ersetzen und dabei Nuancen und Parameter zu erlernen, die ein fehlerfreies und qualitativ einwandfreies Produkt definieren.
KI-Bibliothek aufbauen
Beim Aufbau der integrierten KI-Bibliothek der AOI-Systeme empfiehlt es sich auf Verfahren des Machine Learning zurück zu greifen. Wertvolle Informationen über Schwellenwerte, Prüfanforderungen und Pass/Fail-Kriterien, die für verschiedene Arten von Komponentenpaketen gelten, fließen so direkt wieder zurück in das System zur Auswertung und Weiterverarbeitung.
Einmal über die gesamte Inspektionssysteme hinweg skaliert, wächst das Datenset mit jeder Trainingseinheit und die Algorithmen gewinnen an Genauigkeit und Sicherheit.
Das richtige IT-Framework
Die Validierung einer solchen Machine-Learning-Plattform für die Steuerung von Produktionsprozesse setzt ein leistungsstarkes IT-Framework voraus, in dem es möglich ist, sehr große und heterogene Daten aus dem Produktionsumfeld zu speichern, zu vernetzen und in Echtzeit abzufragen; von Sensor- und IoT-Daten über Bild- und Audiodateien bis hin zu Daten aus PDM, MDM, ERP & Co. Nur so entsteht das geeignete Daten-Trainingslager für die Algorithmen.
In den meisten Fabrikanlagen fehlen solche Datenbanken und bestehende Systeme stoßen schnell an ihre Grenzen. Bei der Entwicklung und Implementierung einer Proof-of-Concept-Datenbank empfiehlt es sich daher, ein Team von Datenbank-Analytikern und -Programmierern, Entwicklungsingenieuren und Machine Learning-Experten an einen Tisch zusammen zu bringen. Gemeinsam lassen sich neue Datenbanktechnologien evaluieren und eine neue IT-Infrastruktur planen.
Hersteller von sicherheitskritischen Anwendungen wie Luft- und Raumfahrt, Verteidigung und Medizin sollten darüber hinaus ein besonderes Augenmerk auf die Einhaltung von Compliance-Vorgaben legen und Fragen hinsichtlich Datensicherheit und Datenschutz genau abwägen.
Der Validierungsprozess birgt dabei eigenen Risiken. Die Hersteller müssen Prozesse der Maschinen- und Anlagen-Qualifizierung (DQ, IQ, OQ und PQ/MQ) sicherstellen. Gleichzeitig gilt es, industrielle Standards im Bereich Machine Learning zu prüfen und umzusetzen, um Anforderungen und Compliance-Vorgaben von Seite der Kunden zu erfüllen. Fehlt es an der effektiven Validierung kann auch das Potential des Maschinellen Lernens für robotergestützte Systeme nicht ausgenutzt werden.
Einmal validiert lässt sich die KI-Initiative auf weitere Anwendungsfelder der Robotik ausweiten, die dabei von der KI-Bibliothek sowie den neu implementierten Datenbanklösungen profitieren. So kommen Hersteller Schritt für Schritt dem Ziel der Smart Factory auf sicherem Weg näher.
