Der ’schlauere‘ Klaus

Fehler per Self-Organizing Maps erkennen, ohne sie zu lernen
Durch den Einsatz von Self-Organizing Maps (SOMs), einer Art von neuronaler Netze, haben Industrial Analytics Labs und Optimum eine neue Methode entwickelt, um Fehlerzustände zu erkennen, ohne diese vorher gesehen zu haben.
Bild 1 | Normiertes Histogramm der SOM-Distanzen für ein Trainings-Sample von 100 Bildern einer handgewickelten Ringspule. Die SOM wurde dann auf ein Bild angewandt, bei dem die Ringspule eine Wicklung zu wenig aufweist. Diese Abweichung wurde mit einem Distanzmaß von 32,6 nur knapp außerhalb des 3 Konfidenz-Intervalls als fehlerhaft erkannt.
Bild 1 | Normiertes Histogramm der SOM-Distanzen für ein Trainings-Sample von 100 Bildern einer handgewickelten Ringspule. Die SOM wurde dann auf ein Bild angewandt, bei dem die Ringspule eine Wicklung zu wenig aufweist. Diese Abweichung wurde mit einem Distanzmaß von 32,6 nur knapp außerhalb des 3 Konfidenz-Intervalls als fehlerhaft erkannt.Bild: Industrial Analytics Lab GmbH

Ob bei Automotive-Zulieferern, Elektronik-Herstellern oder Anbietern von Haushaltsgeräten; wo immer einzelne Komponenten manuell montiert werden, geschehen Fehler. Um diese sicher zu erkennen, analysiert das intelligente Kamerasystem Schlauer Klaus von Optimum ein hochauflösendes Bild jedes fertig montierten Stücks und gleicht dieses mit Bildern von Gut- und Schlecht-Zuständen ab. „In den letzten Jahren haben wir aber immer wieder erkannt, dass die Notwendigkeit zum Einlernen von Schlecht-Bildern den Einsatz von kognitiven Assistenten wie unserem Schlauen Klaus massiv behindert. Wir wollen eine Lösung schaffen, die es unseren Kunden ermöglicht, ausschließlich mit Bildern des regulär laufenden Prozesses zu starten und trotzdem Abweichungen von der Norm erkennen zu können“, beschreibt Optimum-Geschäftsführer Wolfgang Mahanty die Motivation, sein System noch schlauer zu machen. Unterstützung bei der Entwicklung fand Optimum bei Industrial Analytics Lab, die auf die Implementierung von KI-gestützten Automationslösungen im Mittelstand spezialisiert sind. Gemeinsam wurden eine Algorithmik entwickelt, um Fehlerzustände zu erkennen, ohne diese vorher gesehen zu haben.

Bild 2 | Normiertes Histogramm der gefundenen SOM-Distanzen für ein Trainings-Sample von 100 Bildern eines Kondensators. Die trainierte SOM wurde auf drei weitere Bilder angewandt, bei denen der Kondensator fehlte. Diese wurden mit Distanzmaßen außerhalb des 3 Konfidenz-Intervalls (entspricht einer Bestimmtheit größer 99,7%) klar als fehlerhaft erkannt.
Bild 2 | Normiertes Histogramm der gefundenen SOM-Distanzen für ein Trainings-Sample von 100 Bildern eines Kondensators. Die trainierte SOM wurde auf drei weitere Bilder angewandt, bei denen der Kondensator fehlte. Diese wurden mit Distanzmaßen außerhalb des 3 Konfidenz-Intervalls (entspricht einer Bestimmtheit größer 99,7%) klar als fehlerhaft erkannt.Bild: Industrial Analytics Lab GmbH

Self-Organizing Maps (SOMs)

Möglich wird dies durch den Einsatz von Self-Organizing Maps (SOMs). Diese Neuronalen Netze gehören zu den unsupervised-learning Methoden, d.h. eine Klassifikation von Bilddaten wird ohne a priori Wissen ausschließlich basierend auf algorithmisch identifizierter Ähnlichkeit der Bilder durchgeführt. Dies ermöglicht Klassifikationsaufgaben ohne vorherige Kenntnis der Anzahl und Art der zu bildenden Klassen. Befinden sich in einem Satz Bilddaten etwa Bilder von Hunden, Katzen und Mäusen, so wird die SOM eine Gliederung ganz von selbst herausbilden. Kommt z.B. die Fotografie eines Vogels hinzu, wird diese in keine der drei Teile der Karte einsortiert werden können und entsprechend als Ausreißer hervortreten. Mittels SOMs kann sogar ein Bestimmtheitsmaß für die erfolgte Klassifikation ermittelt werden, da der Abstand in der Karte ein direktes Maß für die Ähnlichkeit darstellt. Mit der Implementierung des SOM-Ansatzes, der bereits viele Anwendungsfälle von Optimum beinhaltet, gelingt diese Outlier-Detektion für nahezu alle getesteten Fälle.

Beim IAL wurde der SOM-Ansatz mittlerweile an echten Trainingsfällen von Optimum erprobt, so etwa bei der manuellen Endbestückung von Elektronik-Platinen. Hier werden einige Teile händisch aufgebracht, die zu massiv für den Bestückungsautomaten sind. Sehr selten kommt es dabei vor, dass ein solches Bauteil wie eine Spule oder ein Kondensator vergessen wird. Um diesen Fall ausschließlich mit Bildern von korrekt bestückten Platinen abzudecken, genügen in Zukunft die ersten 100 Gut-Bilder zum Anlernen der SOM. Sie erhält damit Kenntnis über die prozess-intrinsische Varianz, die als normal zu erachten ist, und quantifiziert diese in einem mittleren Abstand der einzelnen Bauteile zueinander. Tritt nun der Fall ein, dass etwa ein Kondensator vergessen wurde, so erkennt die SOM den Unterschied des einen Bildes zu allen bisherigen und platziert es daher in großem Abstand zu den anderen. Anhand des Abstandes kann so quantifiziert werden, wie ähnlich ein einzelnes Bild zu den bisherigen ist.

Parallelen zum menschlichen Sehen

Bilder, die für das menschliche Auge einfach unterscheidbar sind, werden auch durch die SOM gut getrennt und umgekehrt. Durch dieses natürliche Lernen wird die Handhabung des Verfahrens erleichtert, da die Klassifikationsgüte mit dem menschlichen Empfinden der Schwierigkeit des Problems korreliert. Bild 1 zeigt eine SOM, die für die Bewertung einer Ringspule auf einer Platine antrainiert wurde. Das injizierte Fehler-Bild, bei dem die Ringspule eine Wicklung zu wenig aufweist, ist für den Menschen nur schwer von einem Gut-Bild zu unterscheiden. Entsprechend schlechtere Resultate liefert hier auch die SOM, die das injizierte Fehler-Bild lediglich ganz knapp außerhalb des angestrebten 3 Konfidenzintervalls zeigt. Mit diesen Labor-Resultaten können Optimum und IAL zeigen, dass SOMs in der Lage sind, auch kleine Abweichungen in einer Reihe von Bilddaten sicher zu klassifizieren. Die Tatsache, dass SOMs dabei (a) keine Vorgaben hinsichtlich der Art oder Anzahl von Klassen benötigen und (b) die intrinsische Möglichkeit der Angabe eines Bestimmtheitsmaßes für die erfolgte Klassifikation liefern, macht sie überlegen gegenüber supervised-learning KI-Methoden. Der SOM-Einsatz wird nun bei ausgewählten Pilot-Kunden von Optimum im regulären MontageAblauf erprobt werden.

Das könnte Sie auch Interessieren

Bild: Fraunhofer IEM
Bild: Fraunhofer IEM
Effiziente Produktionsplanung: KI reduziert Aufwand bei Schulte Kartonagen um 25%

Effiziente Produktionsplanung: KI reduziert Aufwand bei Schulte Kartonagen um 25%

Welcher Liefertermin steht wann an? Wie aufwändig muss die Maschine umgerüstet werden? Ist das benötigte Material bereits geliefert? Um die Reihenfolge verschiedener Kundenaufträge optimal zu planen, müssen Produktionsplaner:innen eine Vielzahl von Faktoren kennen und einschätzen. Bei Schulte Kartonagen hat ab sofort ein intelligenter KI-Assistent alle Faktoren im Blick – und macht Vorschläge für die effiziente Planung der Produktion. Gefördert wurde die Zusammenarbeit mit dem Fraunhofer IEM und den Universitäten Paderborn und Bielefeld im it’s OWL-Projekt ARISE.

Bild: schoesslers GmbH
Bild: schoesslers GmbH
appliedAI Institute for Europe launcht kostenlosen KI-Onlinekurs

appliedAI Institute for Europe launcht kostenlosen KI-Onlinekurs

Das gemeinnützige appliedAI Institute for Europe stellt den kostenfreien Online-Kurs ‚AI Essentials‘ zur Verfügung, der es Interessierten ermöglicht, in die Welt der Künstlichen Intelligenz einzusteigen. Konzepte wie maschinelles Lernen und Deep-Learning sowie deren Anwendungsmöglichkeiten und Auswirkungen auf unser Leben und unsere Wirtschaft sind Teile der umfassenden Einführung.

Bild: Trumpf SE + Co. KG
Bild: Trumpf SE + Co. KG
Künstliche Intelligenz macht Fabriken clever

Künstliche Intelligenz macht Fabriken clever

Seit dem Siegeszug des Chatbots ChatGPT ist künstliche Intelligenz in aller Munde. Auch in der industriellen Produktionstechnik kommt KI mit großen Schritten voran. Lernende Maschinen machen die Fertigung effizienter. Wie funktioniert das genau? Das können Interessierte auf der EMO Hannover 2023 vom 18. bis 23. September erfahren. Die Weltleitmesse für Produktionstechnologie wird ihr Fachpublikum unter dem Claim ‚Innovate Manufacturing‘. mit frischen Ideen inspirieren und künstliche Intelligenz spielt dabei ihre Stärken aus.

Bild: Mitsubishi Electric Corporation, Japan
Bild: Mitsubishi Electric Corporation, Japan
KI-gestütztes Analysetool für moderne Produktionslinien

KI-gestütztes Analysetool für moderne Produktionslinien

Das Data-Science-Tool Melsoft MaiLab von Mitsubishi soll Unternehmen bei der Digitalisierung ihrer Fertigung und unterstützen und so deren Produktivität steigern. Die neue Lösung ist eine intuitive, bedienerzentrierte Plattform, die KI nutzt, um Abläufe automatisch zu verbessern. Sei es Abfallvermeidung durch geringere Ausschussmengen, weniger Stillstandszeiten durch vorbeugende Wartung oder Senkung des Energieverbrauchs durch Prozessoptimierung.

Bild: Fraunhofer IGD
Bild: Fraunhofer IGD
Software Arrange beschleunigt Absortierprozesse

Software Arrange beschleunigt Absortierprozesse

In Kombination mit einer Augmented-Reality-Brille bietet eine neue Software des Fraunhofer IGD digitale Unterstützung von Absortiervorgängen. Zusammengehörige Bauteile werden direkt im Sichtfeld der Beschäftigten an der Produktionslinie farblich überlagert. Anwender im Automotive-Bereich können so etwa durch beschleunigte Prozesse und eine minimierte Fehleranfälligkeit Kosten reduzieren.