Vorteile von Maschinellem Lernen

Die Vorteile liegen von Machine Learning liegen auf der Hand. Mit Machine Learning lassen sich datengestützt:

•  unbekannte Zusammenhänge lernen
•  Prozesse modellieren
•  adaptive Mechanismen realisieren, die Anlagen flexibel und schnell wandelbar machen

Moderne Produktionsanlagen sind inzwischen höchst komplex. Prozesse sind miteinander vernetzt, Maschinen, Schnittstellen und Bauteile kommunizieren miteinander. Solche Industrieanlagen sind prädestiniert für die Optimierung durch Methoden des Maschinellen Lernens (ML). Denn sie ermöglichen es, anhand großer Datenmengen Vorhersagen zu treffen.

Herausforderungen des Maschinellen Lernens

Es gibt jedoch einige Herausforderungen zu meistern. Dabei wären zuerst einmal die hohen Anforderungen an die Rechenleistung der verwendeten CPU zu erwähnen. Nicht jede Recheneinheit hat genügend Power um sich für die ML Anwendung zu eignen. Einige Deep Learning Ansätze erfordern eine hochgezüchtete Hardware.

Als zweite Herausforderung stellt sich der benötigte Datensatz und der Trainingsaufwand. Denn was den Trainingsaufwand betrifft, erfordern die meisten Machine-Learning Ansätze für das Gewinnen eines Klassifikators eine mehr oder minder große Menge an manuell klassifizierten Trainingsdaten. Da stellt sich eine neue Problematik in den Weg, denn im industriellen Umfeld gibt es oft sehr viele Gut-Beispiele, aber nur wenige Fehlermuster. Manche Fehler treten sehr selten auf haben aber eine hohe Relevanz.

Eine Lösung ist daher der so genannte Ein-Klassen-Klassenifikator. Man trainiert in diesem Fall nur Gut-Teile, welche immer ausreichend vorhanden sind.

Der Homogeneity Inspector

Der EVT Homogeneity Inspector schließt die komplexe Funktionalität zu einem im Gebrauch unkomplizierten EyeVision Befehl zusammen, wobei der Nutzer einfache grafische Werkzeuge zur Verfügung hat, und nur wenige Parameter angefordert werden. Dadurch ist der Trainingsprozess einfach.

Der Homogeneity Inspector teilt die zu erwartenden Bilder in einzelne kleine Segmente ein und durch die vorher definierte Fehlermöglichkeit findet er in jedem der Segmente entweder ein Gutteil oder einen Fehler. Daraufhin gibt er Größe in mm² der einzelnen Fehler und die Gesamtfläche der Summe der Fehler im Bild aus.

Metallbearbeitung und Automotive: Metallene Oberflächen

Eine Anwendung ist zwar das Finden von Oberflächenfehlern, eine weitere, wie im Bild zu sehen, die Einteilung der Fehler in „Kratzer“ oder „Riefen“.

Dabei müssen auch bei metallenen Oberflächen zwei Eigenschaften unterschieden und algorithmisch behandelt werden:

1. typische Struktur und Beschaffenheit der Oberfläche

2. großflächige Aussehen, wie Farbe oder strukturelle Homogenität

Der Homogeneity Inspector schafft es z.B. bei der Metallbearbeitung, in der Automotive Industrie oder in allen Bereichen der Metallverarbeitung Oberflächenfehler zu detektieren und einzuteilen. Denn bereits geringe Abweichungen im Autolack oder anderen metallischen Oberflächen führen zur Beeinträchtigung des visuellen Gesamteindrucks. Oft ist es ein Grund für Reklamationen oder Kundenunzufriedenheit.

Ähnliche Fehlererkennungsmethode bei Metall lässt sich auch für Schweißnähte, oder Korrosionserkennung anwenden. Ein Anwendungsmöglichkeit wäre z.B. die automatische Erkennung von Kratzern auf Mietautos.

Faserplatten oder andere strukturierte Oberflächen

Bei der Oberflächeninspektion von Mineralfaserplatten oder anderen strukturierten Oberflächen geht es darum, Fehler in verschiedenen Musterungen zu finden. Auch hier wird aufgrund der selten auftretenden Fehler und daher geringen Schlechtteile, ein Ein-Klassen-Klassifikator auf die „guten“ Produkte angewendet. Wenn ein neues Design oder Muster angelernt werden muss, dann benutzt man eine möglichst große Stichprobe (ca. 20 – 200 Stück) der aktuellen Produktion dieses Designs als einen repräsentativen Durchschnitt.

Auch hier gilt es wieder zwei Eigenschaften zu unterscheiden und algorithmisch zu behandeln:

1. Erste Eigenschaft: Nadelung oder Textur in ihrer typischen Form und Struktur                     Die Nadelung einer Faserplatte ist kontrastreich sowie sehr gut zu segmentieren. Die Nadelstiche sollten im Gutfall geometrisch ähnlich und im Schlechtfall geometrisch auffällig. Es werden Features wie z.B.: Fläche, Rundheit, Achsenverhältnis, mittlerer Grauwert, usw. berechnet
2. Zweite Eigenschaft: großflächige Aussehen, wie z.B. der Farbauftrag, die strukturelle Homogenität, die Existenz oder das Fehlen der Struktur, ihre Verteilung usw.

Zu den Oberflächen- und Designfehlern, die mit dem Homogeneity Inspector in der Produktion gefunden werden, gehören z.B. Verfärbungen, Farbkleckse und Abweichungen im Muster: Löcher, Risse, usw.