Automatisierung der Produktqualitätsprüfung mit Deep-Learning-MethodenAutomatisierung der Produktqualitätsprüfung mit Deep-Learning-Methoden

Die manuelle Qualitätsprüfung in Fertigungsunternehmen ist zeitaufwändig und fehleranfällig. Auf Deep Learning basierende Qualitätskontrollen versprechen eine Verbesserung der Produktivität.

Auf einen Blick

Die manuelle Qualitätsprüfung in Fertigungsunternehmen ist zeitaufwändig und fehleranfällig. Der zunehmende Automatisierungsgrad in der Produktion erfordert daher eine möglichst automatisierte Qualitätsprüfung des Produktes. Darüber hinaus hat die COVID-Pandemie den Einsatz von künstlicher Intelligenz und anderen digitalen Hilfsmitteln bei den Herstellern erheblich gefördert [1].

Mit dem KI-Trend versuchen Industrieunternehmen, Deep-Learning-basierte Technologien bereits während des Produktionszyklus einzusetzen, um die Qualitätsprüfung der Produkte zu automatisieren. Das Ziel ist es, menschliche Eingriffe zu minimieren und gleichzeitig eine Genauigkeit auf menschlichem Niveau oder mehr zu erreichen sowie die Fabrikkapazität und die Arbeitskosten zu optimieren.

Potentiale für KMU

Deep-Learning-Methoden für Qualitätsprüfungen basieren auf dem Lernen aus Daten. Während des Lernprozesses erstellen diese ihre eigenen impliziten Regeln, welche die Kombinationen von Merkmalen bestimmen, die Qualitätsprodukte definieren. Auf Deep Learning basierende Qualitätskontrollen versprechen eine Verbesserung der Produktivität um bis zu 50 Prozent, da die Mitarbeiter weniger Zeit für sich wiederholende Produktinspektionen aufwenden müssen. Stattdessen können sie sich komplexeren Aufgaben wie der Ursachenanalyse oder der Fehlerbehebung widmen [2].

Darüber hinaus sind mit Deep-Learning-basierten Systemen Verbesserungen von bis zu 90 Prozent bei der Fehlererkennung im Vergleich zur menschlichen Prüfung realisierbar [1]. Diese Verbesserungen führen dementsprechend zu einer höheren Kundenzufriedenheit, beispielsweise durch höhere Produktqualität, und zur Senkung der Stückkosten.

Anwendungsbereiche in KMU

Deep-Learning-Methoden ermöglichen eine schnelle und genaue automatisierte Qualitätskontrolle in Branchen wie:

  • Halbleiterherstellung: Anomalien und Fehlerlokalisierung auf Wafern, Rissprüfung, Kontrolle der PCB-Bestückung
  • Elektronikfertigung: Erkennen von Defekten oder fehlenden Leiterplattenkomponenten (Schraube, Feder, Stecker), Überprüfung der Produktoberfläche (Kleberreste, Netzverformungen, Kratzer, Blasen), fehlerhaftes Löten und Kleben von Leiterplatten
  • Autozulieferer: Oberflächeninspektion in der Lackiererei, Inspektion im Presswerk (Kratzer, Beulen, Risse), Inspektion des Motorblocks in der Gießerei (Risse, Verformungen, Anomalien), Schweißnahtinspektion
  • Textilindustrie: Erkennung von Problemen mit Textur, Weben, Nähen und Farbabstimmung
  • Allgemein bei Fertigungen: Oberflächeninspektion, Verpackungs- und Etiketteninspektion, Metall- und Kunststoff-Schweißnahtinspektion

Herausforderungen

Die Verfügbarkeit von und der Zugang zu Daten ist eine wichtige Voraussetzung für die Entwicklung und den Einsatz von KI-Systemen, insbesondere von Deep-Learning-Methoden. Es gibt jedoch eine Reihe von weiteren Herausforderungen, welche die Einführung von KI in der Industrie behindern können. Dazu gehören unter anderem die Verfügbarkeit und gemeinsame Nutzung von Daten, Dateninteroperabilität und -qualität, Datenverwaltung sowie Dateninfrastrukturen und -technologien [3].

Im Vergleich zu größeren Unternehmen mangelt es kleinen und mittleren Betrieben jedoch vor allem an Ressourcen, verfügbaren Daten und Fähigkeiten. Die potenzielle Einführung von Analyselösungen ist dadurch erschwert. In diesem Zusammenhang betreten viele Unternehmen aufgrund ihres bisher geringen Digitalisierungsgrades völliges Neuland und es könnte zu Schwierigkeiten bei der Umsetzung einer Qualitätsprüfung mit Deep-Learning-Methoden kommen.

Weiterführende Informationen

  1. „Research on AI Trends in Manufacturing“. Google Cloud Blog, https://cloud.google.com/blog/products/ai-machine-learning/research-on-ai-trends-in-manufacturing/
  2. Smartening up with Artificial Intelligence (AI) – What’s in it for Germany and its Industrial Sector?
  3. Eager, J, Opportunities of Artificial Intelligence, Study for the committee on Industry, Research and Energy, Policy Department for Economic, Scientific and Quality of Life Policies, European Parliament, Luxembourg, 2020, Opportunities of Artificial Intelligence (europa.eu)