KI in der Produktion: Diesen Nutzen bietet sie wirklich

KI in der Produktion könnte in Zukunft Optimierungspotenziale erkennen, Monteuren die Arbeit erleichtern oder bei der Qualitätssicherung aushelfen. Ein Team von Wissenschaftlern der beiden Fraunhofer-Institute IPA und IAO hat im Future Work Lab eine Reihe von Demonstratoren aufgebaut, die zeigen, wie KI Menschen in der Produktion dabei helfen kann, sich schnell in neue Aufgaben einzuarbeiten, komplexe Informationen zu verarbeiten und Fehler zu vermeiden.

Drittes Auge hilft bei der Sichtprüfung

Die Sichtprüfung von Bauteilen gilt als zeit- und kostenintensiv. Dabei ließe sich die Leistungsfähigkeit von Prüfarbeitsplätzen mit KI erhöhen. Raoul Schönhof von der Abteilung Roboter- und Assistenzsysteme und Tobias Stahl von der Abteilung Unternehmensstrategie und -entwicklung am Fraunhofer IPA haben mit »ThirdAI« ein künstliches neuronales Netz programmiert, das selbstständig gute von fehlerhaften Bauteilen unterscheiden kann. Alles, was dafür nötig ist, ist ein Laptop, an das eine oder mehrere USB-Kameras angeschlossen sind. Spätestens nach zwei Trainingstagen ist das Sichtprüfungstool einsatzbereit.

Vier Stationen bis zur einsatzfähigen KI in der Produktion

Welche Entwicklung eine KI-Anwendung durchläuft ehe sie in der Qualitätssicherung zum Einsatz kommt, veranschaulichen vier Demonstratoren, die unter dem Namen »Data Science Track« zusammengefasst sind. Die erste Station bildet der Demonstrator »Datenvorverarbeitung«. Er enthält einen Basisdatensatz an Fotos von Stahlplatten sowie Prozessdaten. Einige Fotos zeigen Defekte wie Beulen oder Kratzer. Aufgabe der KI-Anwendung soll es sein, diese Defekte zu kategorisieren, um den Produktionsprozess zu optimieren. Der Nutzer des Demonstrators fügt nun verschiedene Datensätze zusammen, bessert fehlende Datenpunkte aus und eliminiert Ausreißer in den Daten. Am Ende existiert ein Datensatz, den ein Machine-Learning-Algorithmus (ML-Algorithmus) auswerten kann.

Welche Algorithmen geeignet sind, erfährt der Nutzer am Demonstrator »Funktionsweisen von ML-Methoden«. Er vermittelt Wissen über neuronale Netze, Entscheidungsbäume und verschiedene Algorithmen mitsamt ihren Vor- und Nachteilen. Testen kann man die Algorithmen am Demonstrator »Data Preparation & Algorithm Selection«. Mit spielerischen Elementen kann eine KI-Anwendung mit dem vorbereiteten Datensatz und den zuvor kennengelernten ML-Algorithmen getestet werden. Der Nutzer versucht, die am besten funktionierende KI-Anwendung aufzubauen und kann sich dabei mit anderen messen.

Wenn dann die fertige KI-Anwendung zum Einsatz kommt, stellt sich häufig die Frage, wie sie einen Fehler in einer Stahlplatte klassifiziert hat. Denn in einem neuronalen Netz kann nur die Eingangs- und Ausgangsschicht gut betrachtet werden. Was allerdings innerhalb des Netzes passiert, ist meist nicht ersichtlich. Der vierte und letzte Demonstrator des Data Science Track widmet sich dieser Black Box und versucht die Entscheidungen des neuronalen Netzes für Menschen nachvollziehbar zu machen. Dafür wird ein Entscheidungsbaum trainiert, der das neuronale Netz möglichst gut abbildet. Beide treffen nun die gleichen Entscheidungen.

KI in der Produktion legt Optimierungspotenzial in der Montage offen

Mit der »Lean Data Acquisition« (LeanDA) haben Forscher von der Abteilung Fabrikplanung und Produktionsmanagement am Fraunhofer IPA ein Sensorsystem entwickelt, das Daten in manuellen Montageprozessen aufnimmt und auswertet. Zur Analyse von manuellen Prozessen in der Produktion wird das Sensorsystem an Bauteilen, Baugruppen, Werkstücken, Werkzeugen und Vorrichtungen befestigt. Die gesammelten Daten sendet es drahtlos an ein Edge Device, wo sie mittels maschinellem Lernverfahren ausgewertet werden.

Diese intelligente Auswertung kombiniert die Daten der Sensoren und leitet daraus Montageprozesse ab. So schließt der KI-Algorithmus beispielsweise aus der Bewegung eines Bauteils und der zeitgleichen Nutzung eines Akkuschraubers darauf, dass das Bauteil gerade angeschraubt wird. Die gekoppelte Bewegung von Bauteilen zeigt an, dass sie eine Baugruppe bilden.

Aus der Datenanalyse geht hervor, welche Prozesse wann, wie lange und in welcher Reihenfolge ausgeführt wurden. Besonders in Montagen mit komplexen Produkten, vielen Varianten und großen Montageaufwänden lässt sich so Transparenz schaffen, die Plandaten aktualisieren und Verschwendung aufdecken.

Die Dreifaltigkeit des Future Work Lab

Zu sehen sind diese und viele weitere Demonstratoren für die Arbeit der Zukunft im Future Work Lab in Stuttgart. Das Innovationslabor für Arbeit, Mensch und Technik ist in drei Bereiche gegliedert:

1. Die Demonstratorenwelt umfasst über 50 Demonstratoren zu Digitalisierung, Automatisierung und Künstlicher Intelligenz in der Industriearbeit. Wer das Wissen aus der Demonstratorenwelt auf die (Montage-)Arbeitsplätze im eigenen Unternehmen übertragen möchte, kann zusammen mit Wissenschaftlern einen Future Work Check durchführen: https://s.fhg.de/futureworkcheck
   
2. Die Lernwelt dient der Sensibilisierung, Qualifizierung, Nutzendarstellung und dem gesellschaftlichen Dialog über zukunftsfähige Arbeitssysteme. Zu diesem Zweck bieten die Wissenschaftler, die das Future Work Lab betreiben, Beratungsgespräche und immer wieder auch (Online-)Seminare an: https://s.fhg.de/angebote-lernwelt
   
3. Die Ideenwelt bietet eine Plattform für die Arbeitsforschung und akademische Diskussion der Veränderungen in der Industriearbeit. Im Fokus steht dabei die kognitive Produktionsarbeit 4.0.

Die Autoren: Simon Schumacher (l.) ist Projektleiter an Fraunhofer IPA, Tobias Eusterwiemann ist wissenschaftlicher Mitarbeiter in der Abteilung DigITools des Fraunhofer IPA.

Lesen Sie auch: Digital Twin Solutions: Die neue Technologie in der Fertigung