Der Wettbewerb zwischen Produzenten entwickelt sich zunehmend zum Konkurrenzkampf. Firmen stehen unter Kostendruck, sie können sich keinesfalls leisten, Ausschuss zu produzieren. Qualitätsmanagement rückt vermehrt in den Fokus, aber manuelle Kontrolle kostet Zeit und Geld. Einen Ausweg aus diesem Dilemma bietet Qualitätssicherung mittels künstlicher Intelligenz.

Welche KI-Methoden helfen dabei, die Qualität zu sichern? In den vergangenen Jahren lag der Fokus gerade im Bereich Industrie 4.0 auf der Vernetzung von Maschinen und Anlagen sowie dem Austausch von Daten. Ziel war, sie immer effizienter zu steuern, zu regeln oder zu überwachen. Zu diesem Zweck verfügen zahlreiche Maschinen und Anlagen über Sensoren. Diese Signal- oder Prozessdaten liegen in vielen Firmen auf dem silbernen Tablett ohne optimale Nutzung.

Hier gilt es, das brachliegende Potenzial auszuschöpfen. Die vorliegenden Sensordaten lassen sich mit digitaler Signalanalyse und maschinellem Lernen (ML) für die Qualitätssicherung nutzen. Ein Anwendungsgebiet ist dabei die rechtzeitige Erkennung von Fehlern in komplexen Produktionsprozessen. Mit maschinellem Lernen (ML) lassen sich Abweichungen und Anomalien erkennen und rechtzeitig beheben.

Neben der Signalanalyse bietet die Bildanalyse in der Qualitätskontrolle ein weiteres Anwendungsfeld von KI mittels ML. Ähnlich wie bei der Signal- oder Prozessdatenauswertung ermöglicht intelligente Bilderkennung KI-Systemen, Soll-Ist-Vergleiche durchzuführen und bei Abweichungen in Echtzeit zu agieren.

Analyse von Signalen zur Qualitätssicherung
In Prozessen erfolgen unter anderem Messungen von Druck, Temperatur, Position, Vibration, Luftfeuchtigkeit oder Akustik. Sensoren können aber auch Staub oder die Reibung an Schweißzangen messen, um in der Autoindustrie vor dem Lackierprozess etwa nochmals zu reinigen oder vorhersagende Wartung zu ermöglichen.

KI-Systeme lassen sich vor der Inbetriebnahme trainieren. Dies können beispielsweise akustische Signale sein. Anhand von Beispielen erlernen sie den Zusammenhang zwischen Sensorsignalen und deren Bedeutung für den Prozess. Die Einspeisung spezieller Geräuschmuster defekter Komponenten erweitert ihren Horizont und versetzt sie in die Lage, anhand verschiedener Geräusche Abweichungen zu erkennen. Ähnlich dem Menschen lernen sie hinzu und verbessern sich.

Einsatzbereiche akustischer Signale bei der Qualitätssicherung sind die Überwachung von Zahnrädern oder Kompressoren, die Weichheitsprüfung von Papier oder die Erkennung von Schädlingen in Getreidespeichern.

Qualitätsprognose mittels Prozessdaten
Signalverarbeitung und Prozessdaten liefern aktuelle Informationen über den laufenden Prozess. Sie geben Antwort auf die Frage: Läuft der Produktionsprozesse noch stabil oder erfordert er ein Eingreifen? Damit ist eine frühzeitige Fehlererkennung auch in komplexen Situationen möglich. Dies können kontinuierliche Prozesse in der Verfahrenstechnik oder Bearbeitungsschritte in der Fertigung sein:

Im Bereich CNC erlauben Zerspan- und Werkzeugparameter sowie Steuerungsdaten eine Bewertung der Oberflächenqualität. Oder Bohrparameter, Kräfte und Momente liefern eine Vorhersage zur Geometrie und Oberflächenrauheit sowie Optimierung der Prozessparameter beim Bohren.

Im Bereich Handhabung, Montage und Robotik ermöglichen Prozessparameter eine Qualitätsprognose bei der Oberflächenmontage in der Elektronikproduktion. Ferner helfen Maschinenparameter bei der Qualitätsvorhersage und Fehlerklassifikation beim Laserschweißen von Hairpins oder beim Ultraschallcrimpen im Elektromaschinenbau.

Erkennung von Anomalien bei der Qualitätskontrolle
Die Produktprüfung am Ende des Herstellungsprozesses dient dazu, eine hohe Rücklaufquote zu vermeiden. Dies ist mit einem hohen Zeitaufwand verbunden. Die verwendeten Testsysteme entsprechen nicht immer der realen Umgebung und sind mit Unsicherheiten behaftet.

Künstliche Intelligenz hilft dabei, Anomalien im Rahmen des Qualitätstestprozesses selbstständig zu erkennen. Die verwendeten Daten basieren auf Signalen aus Prüfsimulationen unter verschiedenen Konfigurationen. Mit der innoSEP AI-Plattform lassen sich so regelmäßige statistische Verteilungsstudien durchführen. Diese zeigen Zusammenhänge auf und erkannte Anomalien und Ausreißer helfen dabei, Qualitätsstandards zu definieren. Dies verhindert die Lieferung minderwertiger Komponenten.

Regelbasierte Systeme versus KI in der Qualitätssicherung
Im Gegensatz zu herkömmlichen regelbasierten Systemen sind selbstlernende Modelle auf Basis von Machine Learning, Deep Learning und künstlicher Intelligenz in der Lage, die Menge an Daten auch bei zunehmender Komplexität sinnvoll auszuschöpfen. Wertvolle Applikations- und Betriebsdaten von Sensoren und Maschinen bilden die Datengrundlage.

Machine Learning Modelle erlernen in Echtzeit Zusammenhänge zwischen verschiedenen Datensätzen. Deep Learning als Teil des ML geht noch einen Schritt weiter. DL ist in der Lage, mittels künstlicher neuronaler Netzwerke große Mengen an unstrukturierten Daten zu verarbeiten.

Welche Branchen profitieren von KI im Qualitätsmanagement?
Im Prinzip profitiert jede Branche vom KI-Einsatz in der Qualitätssicherung. Künstliche Intelligenz gilt als wichtigste Zukunftstechnologie. Anhand von Datenanalysen lassen sich Fehler vermeiden und die Qualität optimieren. Dies gilt nicht nur für klassische Produktionsbetriebe, für die Medizintechnik, Lebensmittelproduktion oder Getränkeabfüllanlagen.

Neben der nachträglichen Qualitätsüberprüfung spielt vermehrt die Qualitätserkennung im Vorfeld eine Rolle. Der vorausschauende Ansatz wird immer wichtiger, anhand von Produktions- und Prozessdaten lassen sich Prognosen zur Produktqualität erstellen.

IT-Firmen, Banken und Versicherungen, Versandhandel sowie Logistikdienstleister profitieren vom KI-Einsatz in der Qualitätssicherung. KI erschließt aber auch neue Geschäftsfelder im Qualitätsmanagement wie etwa in der Landwirtschaft, im Weinbau und selbst auf Golfplätzen.

Unternehmensziele und KI in der Qualitätsprüfung
Qualitätssicherung nimmt eine immer stärkere Rolle in Hinblick auf unterschiedliche Unternehmensziele ein. Seien dies Wachstum, Gewinn oder strategische Vorgaben wie Kundenzufriedenheit. Die Ergebnisse des World Quality Reports (WQR) 20 - 21 von Capgemini, Sogeti und Micro Focus zeigen die zentrale Bedeutung der Qualitätssicherung auf.

Von 1750 IT-Technologieexperten aus 10 Branchen und 32 Ländern nannten 74 Prozent Qualitätssicherung als wesentlichen Beitrag zum Unternehmenswachstum und Geschäftsergebnis. Ferner ginge Kundenzufriedenheit mit den steigenden Erwartungen der Konsumenten an Qualität Hand in Hand.

Fazit
Qualitätskontrolle wird immer wichtiger. Kundenzufriedenheit gilt als zentraler Erfolgsfaktor für Unternehmen, denn Bestandskunden sind auf Dauer wesentlich lukrativer als Neukunden. Aber Qualitätsmanagement ist aufwendig und kostenintensiv.

Qualitätssicherung mit KI lautet die Lösung. Die innoSEP AI-Plattform eignet sich bestens für die Qualitätsprüfung mit KI. Die webbasierte Plattform ermöglicht Industrieexperten, eigene KI-Apps im Self-Service und ohne Code zu erstellen, einzusetzen und zu betreiben. Insbesondere im Bereich der Anomalieerkennung bietet die Software wertvolle Unterstützung. Dies belegen bereits durchgeführte Projekte.

Wir nutzen Cookies auf unserer Website. Einige von ihnen sind essenziell für den Betrieb der Seite, während andere uns helfen, diese Website und die Nutzererfahrung zu verbessern (Tracking Cookies). Sie können selbst entscheiden, ob Sie die Cookies zulassen möchten. Bitte beachten Sie, dass bei einer Ablehnung womöglich nicht mehr alle Funktionalitäten der Seite zur Verfügung stehen.