Unternehmen wie z.B. die Miba-Gruppe, die eine große Vielfalt an Produkten mittels einer enormen Bandbreite von Produktionsverfahren und –prozessen herstellen, sehen eine besondere Herausforderung in dem aktuellen Trend nach flexibler Produktion in kleinen Losgrößen und mit laufend wechselndem bzw. erweitertem Typenprogramm: Die generell extrem hohen Qualitätsanforderungen müssen auch in diesem Umfeld jederzeit wirtschaftlich optimal erfüllt werden.
Projekte
Transfer-Learning based Framework for automated Quality Inspection
© MIBA
Verschärft wird die Herausforderung (im Fall von Miba) noch zusätzlich durch die globale Verteilung der Produktion mit variierenden Qualitätsstandards und -bedingungen. Herkömmliche Qualitätssicherungssysteme stoßen dabei an ihre Grenzen, da sie nur die unmittelbaren Task-spezifischen Daten für das jeweilige Inspektionsproblem verwenden.
Das Forschungsprojekt adressiert dieses Problem mittels auf Deep Transfer Learning beruhender Methoden, um Qualitätswissen von einem Bauteil A auf ein ähnliches Bauteil B übertragen zu können. Ziel dabei ist, auf diese Weise bisher ungenutzte Daten unterschiedlicher Modalitäten aus unterschiedlichen Prüfsystemen nutzbar zu machen, um letztendlich die Modelle für die Qualitätsinspektion zu optimieren. Um die Universalität des Ansatzes sicherzustellen, werden bei der Entwicklung des Frameworks unterschiedliche Datenmodalitäten (optisch, akustisch etc.) aus verschiedenen Use Cases zugrunde gelegt. Insbesondere sollen diese Methoden anhand von akustischen und optischen Qualitätsinspektionsaufgaben basierend auf diversen, in diesem Kontext neuartigen NDT-Verfahren (u.a. Schallemissionsprüfung, Laser-Ultraschall, Optische Kohärenztomographie) erforscht werden. Im Anschluss sollen diese Methoden für Varianten in der Produktion von Sintermetallteilen, Reibbelägen, Bimetallteilen und Lagerschalen für den Automotive-Markt, insbesondere anhand geringer Losgrößen, evaluiert werden.
Als zentrales Ergebnis soll ein als „Fog Computing Cloud“ konzipiertes Software Framework samt datengetriebener Methodik und Workflows für die Integration in die industrielle Umgebung erforscht werden, das es erlaubt, die Daten- und Wissensbasis für eine Qualitätsinspektionsinstanz durch ungenutzte Qualitätsdaten von Produktvarianten zu erweitern, um so die Prüfgenauigkeit, Robustheit und Objektivierbarkeit zu erhöhen.
Dieses Projekt zeigt exemplarisch anhand der Thematik automatisierter, zerstörungsfreier Qualitätsinspektion auf, wie aktuelle daten-getriebene Modellierungstechnologien der Künstlichen Intelligenz mithilfe von Transfer Learning auf die Bedürfnisse der produzierenden Industrie übertragen und Synergien nutzbar gemacht werden können. Auf diese Weise liefert dieses Projekt wichtige konzeptionelle und technische Grundlagen für den anstehenden Transformationsprozess der Digitalisierung und Flexibilisierung.
Dieses Forschungsprojekt wird in Kooperation von Unternehmen der Miba-Gruppe (Qualitätsexpertise im Automotiv-Segment, Use Cases samt Daten und Data-Science Infrastruktur), RECENDT (Sensorik, prozessintegrierte Inspektion) und SCCH (Image Processing, Deep und Transfer Learning, Software Framework) betrieben.
