KI-basierte Sensorsysteme für Predictive Quality & Predictive Maintenance
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
FRAUNHOFER-INSTITUT FÜR ZERSTÖRUNGSFREIE PRÜFVERFAHREN IZFP Fehler erkennen, bevor sie entstehen KI-basierte Sensorsysteme für Predictive Quality & Predictive Maintenance info@izfp.fraunhofer.de || www.izfp.fraunhofer.de
Einleitung KI für die ZfP 4.0 Der Begriff »Künstliche Intelligenz« wurde bereits in den 1950er minderwertigem Bildmaterial, woraus sich weniger hohe An- Jahren geprägt, als der britische Mathematiker Alan Turing in einem forderungen an die Hardware (Positioniergenauigkeit, Kontrast, Fachaufsatz die Frage stellte, ob Maschinen denken können und Auflösung u. a.) ergeben. Die Bildauswertung kann in-situ, also un- kurz darauf ein Seminar unter dem Titel »Artificial Intelligence« am mittelbar durch den kognitiven Sensor selbst erfolgen. Bildinhalte Dartmouth College in New Hampshire stattfand. Allerdings verläuft wie Defekte oder Anomalien und Scheinanzeigen werden maschi- die Entwicklung erfolgreicher KI-Anwendungen erst in den letzten nell erkannt und bewertet. So können funktionale Defekte automa- Jahren in dem uns bekannten, atemberaubenden Tempo. Teilweise tisch von rein kosmetischen Defekten unterschieden werden. ist dies sicherlich der rasanten Verbesserung der Rechenleistung zu verdanken – heutige Smartphones beispielsweise sind so leistungs- Gerade die Interpretation von Prüfergebnissen, also die Befundung, fähig wie die weltweit besten Supercomputer vor 25 Jahren. ist immer noch eine Herausforderung und erfordert hochqualifizier- Mindestens genauso wichtig für den derzeitigen Boom der KI ist te Prüfer. Mittlerweile existieren KI-basierte Assistenzsysteme, die es die Datenexplosion der letzten Jahre. Denn die Intelligenz einer auch wenig geschulten Bedienern ermöglichen, komplizierte Prüf Maschine hängt vor allem von der ihr zur Verfügung gestellten aufgaben qualitätsgerecht auszuführen. KI wird dabei eingesetzt, Datengrundlage ab. Diese Daten werden von Sensoren geliefert, die um strukturierte und unstrukturierte Sensordaten automatisch zu heutzutage nahezu jeden technologischen Sektor dominieren. Bei- analysieren und daraus Modelle zu generieren, welche die Zusam- spielhaft seien hier moderne Smartphones genannt mit integriertem menhänge zwischen zerstörungsfrei erfassbaren und nur zerstörend Näherungssensor, Fingerabdrucksensor, GPS, Gyroskop, Beschleuni- messbaren Produkteigenschaften beschreiben. Die auf diese Weise gungsmesser, Barometer und Herzfrequenzsensor. ermittelten Korrelationen erlauben es, Materialeigenschaften wie die Materialhärte zerstörungsfrei zu bestimmen. Auch in produzierenden Unternehmen kommen immer mehr Senso- ren zum Einsatz. Im Rahmen von »Industrie 4.0« und dem »Indus- Weiterhin werden durch KI solche indirekten Messungen hinsicht- triellen Internet der Dinge« (IIoT) dienen sie dazu, die Produkt- und lich Zuverlässigkeit und Genauigkeit optimiert. Werden sensorisch Prozessqualität zu verbessern und dadurch Flexibilität und Produk- erfasste Prozessemissionen mit KI in Echtzeit verarbeitet, können tivität zu steigern. Solche Sensoren müssen nicht nur eine hohe Defekte frühzeitig, schon während ihrer Entstehung erkannt wer- Datenverfügbarkeit, sondern auch ausreichende Datenqualität den. Darüber hinaus erkennt die KI durch den kontinuierlichen Ab- gewährleisten, also sicherstellen, dass die Daten korrekt, konsistent gleich aktueller Ergebnisse mit historischen D aten Muster, die es und frei von Störungen sind. Je fortschrittlicher und leistungsfähi- ermöglichen, zukünftige Ergebnisse und Trends vorherzusagen. ger ein Sensor ist, desto relevanter und wertvoller sind die von ihm Fehler, Engpässe, Ausfälle und Produktivitätsverluste können recht- generierten Daten. Das Fraunhofer IZFP entwickelt seit beinahe 50 zeitig erkannt und durch geeignete Korrekturen vermieden werden. Jahren innovative Sensoren, die relevante Informationen über den Damit gewährleisten KI-basierte Sensorsysteme, dass Ausschuss gar Werkstoff, das Halbzeug oder die Komponente liefern, ohne die- nicht erst produziert wird (Predictive Quality) und Maschinen nicht se zu zerstören. »Kognitiv« werden diese Sensoren, wenn sie mit KI mehr ungeplant ausfallen (Predictive Maintenance). verknüpft werden. Eine aktuelle Studie des Capgemini Research Institute zeigt, dass Im Vergleich zu konventionellen Auswertemethoden wie physik Deutschland bei der Einführung von KI in der Fertigungsindustrie basierten analytischen Modellen ermöglicht KI wesentlich präzisere heute weltweit führend ist. 69 Prozent der deutschen Fertigungsun- Vorhersagen und robustere Klassifizierungen aus der Analyse von ternehmen haben mindestens einen KI-Anwendungsfall im Einsatz. zerstörungsfreien Sensordaten. Dies wurde am Fraunhofer IZFP im In den USA sind es nur 28 Prozent, in China 11 Prozent. Durch seine Rahmen verschiedener Forschungsprojekte nachgewiesen. Deren Forschung trägt das Fraunhofer IZFP dazu bei, dass dieser Innova Ergebnisse sind nachfolgend beschrieben. tionsvorsprung noch ausgebaut wird. KI kommt u. a. bei der bildgebenden Prüfung (Röntgen, Dr. Bernd Wolter Ultraschall, Thermographie) zum Einsatz. Anders als klassische Abteilungsleiter »Fertigungsintegrierte ZfP« am Fraunhofer IZFP Bildverarbeitungsverfahren erlaubt KI auch die Verarbeitung von KI für Predictive Quality & Predictive Maintenance
Inhaltsverzeichnis 4 3D-SmartInspect Intelligentes Assistenzsystem mit interaktiver Visualisierung für die manuelle Prüfung 5 AcoustiX Akustisches Sensorsystem zur Montageendkontrolle oder Betriebsüberwachung mittels kognitiver Signalanalyse 6 AM-SoftND Qualitätssicherung und -regelung für Additive Manufacturing (AM) mittels kognitivem Online-Monitoring 7 FML-Kalibrierung Optimierte Vorhersagemodelle für 3MA-PHS-Systeme auf Basis von Federated Machine Learning 8 FSW-Monitoring Echtzeit-Monitoring der Prozessstabilität und Verbindungsgüte beim Rührreibschweißen durch Datenfusion 9 inspECT-PRO Sensorsystem zur schnellen, KI-basierten Sortierprüfung 10 Traceability KI-basierter sensorischer Fingerprint 11 WL-SoftND Multimodale Softsensorik zur gezielten Beeinflussung von Oberflächeneigenschaften bei der Zerspanung 12 X8-Sensorsystem KI-basierte Prozessoptimierung im Stahlwerk – multimodales und intelligentes Sensorsystem zur Hardspotdetektion an Grobblechen 13 Glossar info@izfp.fraunhofer.de | Fehler erkennen, bevor sie entstehen 2
3D-SmartInspect Intelligentes Assistenzsystem mit interaktiver Visualisierung für die manuelle Prüfung Anwendung Übermittlung und Speicherung der ausgewerteten Materialda- ten (zentraler Datenspeicher) Intelligentes System zur Qualitätssicherung von sicherheitsrelevanten Kombination mit kollaborativer Robotik möglich Bauteilen oder großen Oberflächen Einbindung weiterer Sensoren auf Grundlage anderer Prüfprinzipien Ausgangssituation Bei der im großen Umfang verwendeten Handprüfung hängt die Anwendungsbereiche Qualität der Prüfung stark vom Personal und den Umgebungsbe- Das Assistenzsystem ist für alle Anwendungsbereiche der Handprü- dingungen ab. Die korrekte Analyse der Messwerte und die voll- fung geeignet, u. a. ständige Erfassung des Prüfbereichs verlangen ein großes Maß an persönlicher Expertise. Zudem ergeben sich hinsichtlich Prüfdurch- Luft- und Raumfahrt (sicherheitsrelevante Komponenten) führung für die Unternehmen erhebliche Herausforderungen. Prüf- Energieanlagen (Turbinen, Generatoren, Hochdruckbehälter protokolle werden bislang handschriftlich erstellt und erkannte etc.) Auffälligkeiten auf den Bauteilen selbst markiert. Ein digitaler Zu- Großgerätebau sammenhang zwischen dem Prüfobjekt und der Prüfdurchführung wird dabei nicht hergestellt. Reifegrad Mit dieser Thematik hat sich das Fraunhofer IZFP befasst und das Prototyp 3D-SmartInspect ist erfolgreich aufgebaut; die Industrie intelligente Assistenzsystem »3D-SmartInspect« mit kognitiver Si- validierung wird derzeit durchgeführt. gnalauswertung entwickelt. Der Prüfprozess wird optisch erfasst, das Trackingmodul verfolgt die Bewegung des Prüfkopfes und pro- tokolliert Prüfpositionen und Messsignale. Die Messsignale wer- Verwendete Sensoren den automatisch KI-gestützt ausgewertet und für das Livebild mit Ultraschall Ortskoordinaten fusioniert. Die registrierten Fehleranzeigen wer- Wirbelstrom den auf einem Kontrollbildschirm (Notebook oder Tablet) darge- Optische Sensorik stellt. Eine Augmented Reality (AR) Software ermöglicht zudem die Visualisierung mit einer HoloLens™. Das Ergebnis kann abschlie- ßend digital an einen Server oder eine Datenzentrale übermittelt werden. KI-Ansatz: KI-gestützte Analyse KI-gestützte Analyse von Wirbelstrom- und Ultraschallsignalen Vorteile Zuverlässige Fehlerdetektion in Messsignalen Interaktive Unterstützung des Prüfpersonals im manuellen Prüfprozess Digitales Prüfgedächtnis: Automatische Dokumentation der Prüfergebnisse als Nachweis der korrekten Prüfdurchführung gemäß Anforderungen der Qualitätssicherung, einschließlich info@izfp.fraunhofer.de | Fehler erkennen, bevor sie entstehen 4
AcoustiX Akustisches Sensorsystem zur Montageendkontrolle oder Betriebsüberwachung mittels kognitiver Signalanalyse Anwendung Vorteile Montageendkontrolle der Schneidwerkzeuge von Mähdreschern Hohe Prüfsicherheit durch objektive, gleichzeitige Bewertung von Signalen mehrerer Sensoren Kognitive Qualitätsbewertung ohne explizite Kalibrierung Ausgangssituation Vielfältige Einsatzmöglichkeiten Maschinen oder Anlagen im industriellen Umfeld verändern Erlaubt permanentes Qualitätsmonitoring bei Defekten ihre Betriebsgeräusche. Erfahrene Spezialisten erken- Deutlich reduzierter Einrichteaufwand nen anhand dieser Änderungen defekte Komponenten. Derartige Schnelle Online-Auswertung Prüfungen unterliegen allerdings subjektiven Einflüssen wie der Individueller, maßgeschneiderter Systemaufbau Ermüdung des Personals oder Störungen durch Umgebungslärm mit Integration der Auswertealgorithmik in bestehende Prüfsyste- der Folge unzuverlässiger Erkennung. Zur Lösung dieser Problema- me möglich tik hat das Fraunhofer IZFP »AcoustiX« entwickelt – ein akustisches Vor-Ort-Machbarkeitsuntersuchungen durch portables System Sensorsystem mit kognitiver Signalauswertung. Benutzerfreundliche, kundenspezifisch anpassbare Software KI-Ansatz: Algorithmik Anwendungsbereiche Der kognitive Ansatz ähnelt der subjektiven Geräuschbewertung Montageendkontrolle von Maschinen oder Anlagen mit beweg- durch einen Menschen, liefert jedoch objektive und reproduzierba- lichen Teilen re Ergebnisse. Betriebsschwingungen und/oder -geräusche werden Betriebsüberwachung in regelmäßigen Intervallen oder perma- durch geeignete Sensoren erfasst und digitalisiert, anschließend in nentes Qualitätsmonitoring zur Überwachung großer, autonom zeitlich kurze Segmente eingeteilt, gefiltert und transformiert. Ab- betriebener Maschinen und Anlagen schließend werden aufeinanderfolgende Signalabschnitte mit geeig- Qualitätsbewertung einzelner Baugruppen, die u. a. auf Prüf- neten mathematischen Methoden verglichen. ständen betrieben werden Unerwartete Schwingungen oder Geräusche ergeben charakteristi- Reifegrad sche Unterschiede zwischen den Segmenten, was vom System ent- sprechend angezeigt wird. Die entwickelten Algorithmen benötigen Das System ist bei einem Kunden in der Produktionslinie im Dauer- kein Vorwissen. Lediglich zur grundlegenden Softwareparametrisie- betrieb und erfüllt dort die gestellten Aufgaben zur vollsten Zufrie- rung sind einige Vergleichssignale erforderlich. denheit bei optimaler Zuverlässigkeit. Die Algorithmen spüren somit Auffälligkeiten ohne aufwendiges Verwendete Sensoren Anlernen auf. Vielmehr lernt der Algorithmus anhand der Historie des Signals aufeinanderfolgende Signalsegmente zu evaluieren, um Mikrofone und Körperschallsensoren das Signal als Ganzes zu beurteilen. Darstellung eines akustischen Signals mit Auffälligkeiten im rot markierten Bereich 5 KI für Predictive Quality & Predictive Maintenance
AM-SoftND Qualitätssicherung und -regelung für Additive Manufacturing (AM) mittels kognitivem Online-Monitoring Anwendung Vorteile Regelung der Fertigungsparameter von AM-Anlagen zur Einstellung Reduzierung erforderlicher Nachuntersuchungen gewünschter Bauteilqualitäten Verbesserte Bauteilqualität Früherkennung von funktionalen Bauteilfehlern Reduzierung der Vorversuche zur Prozessoptimierung Ausgangssituation Kostenersparnis durch beschleunigte Produktentwicklungszeit Herkömmliche AM-Anlagen geben nur wenig Auskunft über die Qualität des Bauteils während des Prozesses. Das Auftreten von Auf- Anwendungsbereiche fälligkeiten wie Poren, Anbindungsfehlern und Rissen wird erst nach Fertigstellung des Bauteils mittels Metallographie oder mittels Rönt- Pulverbettbasierte AM-Prozesse (LBM, EBM, SLS usw.) gen-Computertomographie (CT) nachgewiesen. Weiterhin ist bisher Auftragsbasierte AM-Prozesse (FFF, LMD, 3DMP usw.) nur unzureichend geklärt, wie sich die sensorisch erfassten Auffällig- keiten in AM-Bauteilen auf deren Funktionseigenschaften (z. B. me- Reifegrad chanische Belastbarkeit) auswirken. Das System befindet sich derzeit in Entwicklung. Aktuelle Forschungsprojekte des Fraunhofer IZFP zielen darauf ab, KI-basierte Verfahren zur Fehlerfrüherkennung und zur adaptiven Verwendete Sensoren Prozessregelung bei AM-Prozessen zu realisieren. Sensoren zur Messung hochfrequenter Schallemissionen Thermographie KI-Ansatz: Algorithmik Wirbelstrom Ein wesentlicher Punkt des Lösungsansatzes liegt in der Betrach- Ultraschall tung der gesamten Fertigungskette, angefangen bei den technolo- Computertomographie gischen Grundlagen bis zur Anwendung der erstellten Baugruppe. Ausgehend vom CAD-Modell werden erste Simulationsgrößen aus den Fertigungsplänen gewonnen. Der entstehende Datenpool wird durch kontinuierlich erfasste Maschinen- und Sensordaten während des Fertigungsprozesses erweitert. Anschließend erfolgt die Bewer- tung der Baugruppe durch eine nachgelagerte zerstörungsfreie Prü- fung und Belastungstests. Als Resultat steht nun eine Datenbank mit umfassenden Information über das Bauteil zur Verfügung. Die Ergebnisse werden anschließend analysiert, relevante Einfluss- größen identifiziert und klassifiziert. Design-, Simulations-, Masch inen- und Sensordaten werden zu einem digitalen Zwilling des Bauteils kombiniert und mittels geeigneter ML-Algorithmen zur Be- stimmung von Fehlerarten, -größen, -positionen und resultierenden Querschnitt einer Röntgenaufnahme eines AM-Testkörpers aus 4 Wür- Bauteileigenschaften genutzt. feln (oben); Querschnitt der Körperschallamplituden in Volumendarstellung (unten) info@izfp.fraunhofer.de | Fehler erkennen, bevor sie entstehen 6
FML-Kalibrierung Optimierte Vorhersagemodelle für 3MA-PHS-Systeme auf Basis von Federated Machine Learning Anwendung Vorteile Optimierung der Kalibrierung von verteilten 3MA-Prüfsystemen Stetige Verbesserung aller Vorhersagemodelle durch neue loka- le Daten Nur Modelle und keine sensiblen Messdaten werden zentral Ausgangssituation gespeichert Warmumgeformter Stahl (Press-Hardened Steel, PHS) wird in der Nur kleine Datenmengen, daher geringe Automobilindustrie eingesetzt, um Blechbauteile mit extrem hohen Hardware-Anforderungen Festigkeiten (bis 2000 MPa) herzustellen. Diese werden als Verstär kungselemente der Karosserie eingesetzt. Mit 3MA-PHS steht ein Anwendungsbereiche Prüfsystem zur Verfügung, mit dem die Festigkeitseigenschaften des Stahls und die Beschichtungsdicke in diesen Bauteilen zerstö- Bisher nur Automobilkarosseriebau rungsfrei vorhergesagt werden können. Voraussetzung ist eine so- Übertragbar auf andere 3MA-Kalibrierungen genannte Kalibrierung, d. h. die Erstellung eines Vorhersagemodells, mit dem die Zielgröße, z. B. die Härte, aus Messungen der bis zu 41 Reifegrad elektromagnetischen Messgrößen von 3MA bestimmt werden kann (Predictive Analytics). Im Sinne einer optimalen Prognostizierbarkeit 3MA-PHS ist in der Industrie etabliert ist es notwendig, das Vorhersagemodell lokal anzupassen. Federated Learning ist noch in der Entwicklung KI-Ansatz: Machine Learning Verwendete Sensoren Zur Bestimmung des Vorhersagemodells wird üblicherweise eine 3MA-PHS multiple lineare Regression verwendet. Demnach ist die 3MA-Ka librierung eine typische Aufgabe für das überwachte maschinel- leLernen (Supervised Learning). Zum Trainieren werden Datensätze verwendet, die jeweils aus dem mit Hilfe eines Referenzverfahrens bestimmten Wert der Zielgröße und den dazugehörigen Werten der 3MA-Messgrößen bestehen. Bei weltweit annähernd 200 Installati- onen führt dies zu mittlerweile mehr als 50 000 Trainingsdatensät- zen (Big Data), die über viele Standorte verteilt sind. Mit Federated Learning können mehrere Prüfsysteme an unterschiedlichen Stand- orten gemeinsam ein Vorhersagemodell erlernen, während die Trai- ningsdaten selbst lokal gespeichert bleiben. Für den Einsatz des maschinellen Lernens müssen dann nicht mehr alle Daten auf einem zentralen Server gespeichert werden. Das individuelle System wird mit dem aktuellen Master-Modell ausgestattet, welches dann an- hand der lokalen Trainingsdaten individuell angepasst wird. Dieses individuelle Modell wird auch zentral gespeichert und dient letztlich Ergebnisdarstellung zur Optimierung des gemeinsam genutzten Master-Modells. 7 KI für Predictive Quality & Predictive Maintenance
FSW-Monitoring Echtzeit-Monitoring der Prozessstabilität und Verbindungsgüte beim Rührreibschweißen durch Datenfusion Anwendung Effizienzsteigerung in der Produktion durch Reduktion, Vermei- dung von Ausschuss und Ausfallzeiten sowie Planbarkeit von Überwachung der Prozessstabilität und der Verbindungsgüte beim Rüstzeiten Rührreibschweißen (Friction Stir Welding, FSW) durch Datenfusion von Prozessparametern, Schallemissionen sowie Expertenwissen Anwendungsbereiche Ausgangssituation Automobil, Luft- und Raumfahrt, Bahn, Schiffsbau Beurteilung der Verbindungsgüte und der Prozessstabilität bei Das Rührreibschweißen gewinnt aufgrund seiner Vorzüge als Fest- Fügeverfahren phasen-Fügeprozess immer stärker an industrieller Bedeutung. Aktuell am Beispiel Rührreibschweißen – übertragbar jedoch Nicht zuletzt aufgrund der mechanischen Wechselwirkung des auf nahezu jedes Fertigungsverfahren Schweißwerkzeugs mit den zu fügenden Bauteilen sowie der kom- plexen Kinematik des Prozesses, kommt einer zuverlässigen Prozess überwachungsstrategie beim FSW ein besonderer Stellenwert zu. Reifegrad Das Fraunhofer IZFP hat hierzu einen intelligenten Ansatz zum Mo- Ergebnis eines internen Forschungsprojektes; erste Studien zur in- nitoring des FSW-Prozesses entwickelt. dustriellen Umsetzung in Planung KI-Ansatz: Datenfusion Verwendete Sensoren Durch Datenfusion von Prozessdaten (z. B. Schweißkräfte, Tem- Nutzung vorhandener Prozesssensorik (Temperatur, Drehmo- peraturen) mit dem durch den Prozess emittierten Schall sowie Ex- mente, Kräfte etc.) pertenwissen können Instabilitäten im Prozess zuverlässig erkannt Körper- und Luftschall-Piezosensoren werden, noch bevor es zu nicht tolerierbaren Unregelmäßigkeiten Lasermikrofone in der Fügezone kommt. Auftretende Prozessschwankungen kön- nen anhand des Verlassens eines zuvor definierten Toleranzbandes in den Prozessschallemissionen detektiert werden. Durch KI-basier- te Datenauswertung sowie die Kopplung mit maschinenseitigen Da- ten und Expertenwissen lassen sich zudem Rückschlüsse auf Ort, Dimension sowie Art von drohenden Qualitätsmängeln (Predictive Quality) sowie Aussagen über den Verschleißzustand des Schweiß- werkzeugs (Predictive Maintenance) treffen. Aufgrund der Echtzeit- fähigkeit können mit diesen Informationen schließlich Strategien für die Prozessregelung und die Anlageninstandhaltung realisiert werden. Vorteile Beispiel des Frequenzspektrums (STFT) der Prozesskraft Ganzheitlicher Monitoring-Ansatz (Prozess, Bauteile, Anlagen, in Vorschubrichtung Werkzeuge etc.) Echtzeitfähigkeit Basis für Regelungskonzepte Hohe Zuverlässigkeit durch Nutzung diverser Signalquellen Einfache Übertragbarkeit auf alternative Maschinen und Fertigungsverfahren info@izfp.fraunhofer.de | Fehler erkennen, bevor sie entstehen 8
inspECT-PRO Sensorsystem zur schnellen, KI-basierten Sortierprüfung Anwendung Vorteile Schnelle Bauteilkontrolle in unterschiedlichen Produktionsschritten Einfache Klassifizierung relevanter Bauteilmerkmale zur Gewährleistung der Produktqualität und Sicherstellung des rei- Sehr schnelle Prüfung, innerhalb weniger Millisekunden bungslosen Produktionsprozesses Lückenlose Dokumentation aller Bauteile Schnelle Integration in Produktionslinien durch OPC UA Wartungsarmer Betrieb Ausgangssituation Einfache Weitergabe von Informationen an andere Produktions- Im automatisierten Fertigungsprozess wird die Effizienz und Wirt- maschinen und dadurch Möglichkeit der Prozessoptimierung schaftlichkeit u. a. durch die Qualität der Produkte bestimmt. Mas- senteile werden hauptsächlich als Schüttgut angeliefert und der Anwendungsbereiche weiterverarbeitenden Maschine zugeführt. Um Anlagenstörungen zu vermeiden und die geforderte Qualität sicherzustellen, ist es not- Prüfung von Masseteilen im Produktionsprozess zur Gewähr wendig, eine Prüfung jedes Teils durchzuführen; statistische QS-Me- leistung durchgehender Qualität thoden können dies nicht leisten. Das Detektieren von Defekten, die Kontrolle von Bauteilspezifikationen zur Sicherstellung ausfall Materialzusammensetzung sowie der Zustand des Vergütungspro- freier nachgelagerter Fertigungsschritte zesses (Härtung) sind qualitätsbeeinflussend und können mit dem Möglichkeit der Produktionsoptimierung durch Implementie- Wirbelstromverfahren kontrolliert werden. rung eines Feedbackpfades zur Prozesssteuerung KI-Ansatz: Machine Learning Reifegrad Unter Zuhilfenahme von Machine Learning-Algorithmen wird eine Sortierprüfsysteme sind seit vielen Jahren wartungsarm im Echtzeitauswertung auf der Prüfhardware ermöglicht. Angewendet Dauereinsatz. wird hier u. a. die multiple lineare Regressionsanalyse. Die dadurch erstellten Regressionshyperebenen dienen dann als Vorhersagewerte Verwendete Sensoren für die zu beobachtenden Zielgrößen wie elektrische Leitfähigkeit, Härte oder Schichtdicke. Elektromagnetische Wirbelstromsensorsysteme Mit Klassifikationsalgorithmen wird ein weiteres Ziel angestrebt: Bietet die Regression eine Vorhersage über die Zielgröße eines Messwertes, so liefert die Klassifikation eine Aussage über die Grup- penzugehörigkeit eines Messwertes. So können z. B. fehlerhaf- te Schrauben mit Riss einer anderen Klasse zugeordnet werden wie fehlerfreie Schrauben. Mit OPC UA (Open Platform Communication Unified Architecture) können die Ergebnisse dann schnell den ent- sprechenden Knotenpunkten zugeführt werden. Die Kombination beider Methoden erlaubt eine sichere und schnelle Unterscheidung unterschiedlicher Bauteilmerkmale. Machine Learning-Software 9 KI für Predictive Quality & Predictive Maintenance
Traceability Elektromagnetische Messung einer Zugprobe vor Verformung (li.); elektromagnetische Messung der Zugprobe nach ca. 5 Prozent Streckung (re.) KI-basierter sensorischer Fingerprint Anwendung Vorteile Identifikation und Rückverfolgung von Halbzeugen und Bauteilen in Rückverfolgbarkeit jedes Bauteils Fertigungslinien Keine zusätzlichen Objektkennzeichnungen notwendig Zuverlässige Erkennung von Produktfälschungen Lückenlose Dokumentation der Bauteilhistorie Ausgangssituation Signifikante Optimierungspotenziale für die Qualitätssicherung Konventionelle Objektkennzeichnungen (z. B. Barcodes, RFID) kön- nen produktionsbedingt meist nicht dauerhaft und unbeschädigt Anwendungsbereiche auf dem zu identifizierenden Objekt verbleiben. Generell sind op- tisch erfassbare Merkmale auf der Objektoberfläche nur begrenzt Potenziell jedes elektrisch leitfähige Bauteil für die Rückverfolgung verwendbar. Ändert sich die Oberfläche Umformteile (aktuell) während eines Verarbeitungsschrittes zu stark, ist eine Identifikati- Implementierbar in beliebige Prozessketten (perspektivisch) on im Anschluss nicht mehr möglich. Es fehlt also an sensorischen Verfahren, die eine durchgängige Traceability der Bauteile erlauben, Reifegrad wenn diese während ihrer Verarbeitung z. B. durch Umformung, spanende Bearbeitung oder Beschichtung tiefgreifend verändert Forschungsprojekt mit ersten vielversprechenden Ergebnissen wurden. Verwendete Sensoren Das Fraunhofer IZFP setzt an dieser Stelle an und nutzt sensori- sche Verfahren, um das Bauteil anhand intrinsischer Merkmale, Elektromagnetische Verfahren wie Werkstoffeigenschaften oder tolerierbaren »Fehlern« aus dem Bauteilinneren zu identifizieren. Jede Unregelmäßigkeit im Gefü- ge des Bauteils wie Korngrenzen/-größen, Einschlüsse, Spannungen etc. hat Einfluss auf das Messsignal und erlaubt die Aufnahme der intrinsischen Struktur des individuellen Bauteils. KI-Ansatz: Machine Learning (ML) Aus den aufgenommenen Daten der intrinsischen Struktur lassen sich Features extrahieren, welche markante Merkmale der Struk- tur des Bauteils repräsentieren. Durch Vergleich dieser Features mit denen anderer Bauteile kann ein geeigneter Klassifikator das Bau- teil identifizieren. Realisierbar ist dies mittels neuronaler Netze zum automatischen Extrahieren von Features und gleichzeitiger Identi- fikation des Bauteils oder aber auch mittels klassischer ML-Verfah- ren, welche Features nach Expertenwissen extrahieren und diese anschließend mit einem Klassifikator zur Identifizierung nutzen. Die höhere Abstrahierung von Features bei der Nutzung neuronaler Net- ze verspricht bei geeignetem Training genauere Ergebnisse. Der ver- wendete KI-Ansatz wird gemeinsam mit dem Fraunhofer IWU und Identifizierung eines Bauteils nach verschiedenen Umformungsstufen ITWM im Rahmen eines WISA-Projektes entwickelt. anhand bestimmter Mikrostruktur-Merkmale info@izfp.fraunhofer.de | Fehler erkennen, bevor sie entstehen 10
WL-SoftND Multimodale Softsensorik zur gezielten Beeinflussung von Oberflächeneigenschaften bei der Zerspanung Anwendung Vorteile Echtzeiterfassung von Oberflächeneigenschaften von 42CrMo4 Gezielte Einstellung der geforderten Oberflächeneigenschaften während des Drehprozesses (White Layer und/oder Eigenspannungen) durch Regelung des Drehprozesses Prüfsicherheit, Vollständigkeit, Genauigkeit, Widerspruchsfrei- Ausgangssituation heit durch multidimensionale Softsensorik Im industriellen Umfeld sind unter anderem Maschinen, Anlagen, Echtzeit-/Online-Qualitätsüberwachung (Monitoring) Rohmaterialien natürlichen Schwankungen ausgesetzt, die einen Schnittstellen zu MES, Prüfsystemen oder Werkzeugmaschinen direkten Einfluss auf den Herstellungsprozess haben. Individueller, maßgeschneiderter Systemaufbau Integration der multidimensionalen Softsensorik in bestehen- Die Herausforderung bei Zerspanungsprozessen ist es, die Ausbil de Systeme dung randschichtnaher thermisch induzierter weißer Schichten (White Layer) und der mit ihnen einhergehenden nachteiligen Zug Anwendungsbereiche eigenspannungszustände zu vermeiden. Dagegen sind mechanisch induzierte weiße Schichten, welche mit Druckeigenspannungen ein- Permanente Betriebsüberwachung und Qualitätsmonitoring von hergehen, vorteilhaft. einzelnen Maschinen/Anlagen oder ganzer Fertigungsstraßen Qualitätsbewertung einzelner Baugruppen, die u. a. auf Prüf- Zur Lösung dieser Problematik entwickelt das Fraunhofer IZFP echt- ständen betrieben werden zeitfähige Überwachungssysteme. Reifegrad KI-Ansatz: Softsensor Forschungsvorhaben gemeinsam mit weiteren Partnern im Rahmen Der ganzheitliche Ansatz verknüpft Simulations-, Prozess- und Ex- des DFG-Schwerpunktprogramms SPP2086 (SCHU 1010/65-1, LA pertenwissen; eine zerstörungsfreie Prüfsensorik ermöglicht darüber 2351/46-1, WO 903/4-1) hinaus eine Datenfusion. Diese bildet das modulare Grundgerüst für den Aufbau eines Softsensors, welcher das entsprechende fusionier- Verwendete Sensoren te Zerspanungssystemmodell beinhaltet. Mikromagnetik (3MA) Statistische Versuchsplanung erlaubt das Ermitteln aller relevanten Hochfrequente Luftschallsensorik Prozesszustände, von fehlerfreien Zuständen (i.O.) bis fehlerhaften Hochfrequente Körperschallsensorik Zuständen (n.i.O.). Im Anschluss wird der Softsensor auf Basis der Dynamometer mit multidimensionaler Kraftmessung Zerspanungsprozessdaten antrainiert. Temperatursensoren Der Softsensor ist nun einsatzfähig und bildet die kognitive Ins- tanz, um als Beobachter die Zustände des dynamischen Systems zu schätzen und im Sinne von »Predictive Maintenance« eingreifen zu können. 11 KI für Predictive Quality & Predictive Maintenance
X8-Sensorsystem Links: Extrahierte Merkmale für Grundmaterial (grün) und Hardspot (rot); rechts: Ergebnisanzeige für ein achtkanaliges X8-Sensorsystem KI-basierte Prozessoptimierung im Stahlwerk – multimodales und intelligentes Sensorsystem zur Hardspotdetektion an Grobblechen Anwendung Vorteile Prozessoptimierung im Stahlwerk Zuverlässige Online-Detektion von Hardspots an Grobblechen im Stahlwerk Für den Bediener intuitive Bewertung der Hardspots im Sinne Ausgangssituation der Erklärbarkeit von KI-Algorithmen Lokale Aufhärtungen (engl. Hardspots) reduzieren nachweislich die Kein A-Priori-Training, X8-Sensorsystem lernt im Betrieb Lebensdauer von Gaspipelines. Entweichendes Erdgas als Folge von Anzahl der Sensorkanäle frei skalierbar Leckagen belastet die Umwelt; der Austausch der Pipeline und die dadurch resultierenden Produktionsausfälle verursachen wirtschaft- Anwendungsbereiche liche Schäden in Milliardenhöhe. Durch eine rechtzeitige Erkennung dieser Hardspots können betroffene Grobbleche vor Auslieferung an Online-Hardspotdetektion an Grobblechen den Endkunden bereits im Stahlwerk nachbearbeitet und bei Bedarf Übertragung auf weitere Anwendungen mit dem Ziel, Inhomo- aussortiert werden. genitäten zu detektieren KI-Ansatz: Intelligente Signalverarbeitung Reifegrad Mit dem Ziel der Prozessoptimierung im Stahlwerk wurde am Fraun- Qualifiziertes System mit Nachweis der Funktionstüchtigkeit im Ein- hofer IZFP das mikromagnetische, KI-basierte X8-Sensorsystem satzbereich (TRL8) entwickelt. Dieses nutzt Effekte in der magnetischen Hysterese und extrahiert aus den verfügbaren Rohdaten magnetische Fingerabdrü- Verwendete Sensoren cke und charakteristische Merkmale zum Monitoring des Grundma- terials und zur Detektion der Hardspots. Die Entwicklung eines für 3MA-X8 den Menschen intuitiv nachvollziehbaren »Nearest-Neighbor-Algo- Infrarot-Temperatursensor rithmus« kombiniert mit intelligenter Signalverarbeitung erlaubt die zuverlässige Detektion der Hardspots sogar unter den im Stahlwerk herrschenden Umgebungsbedingungen. Mittels intelligenter Signalverarbeitung benötigt das X8-Sensorsys- tem kein A-Priori-Training – es lernt im laufenden Betrieb. Dadurch können auch unbekannte Stahlsorten oder Hardspotausprägungen im Prozess detektiert und bewertet werden. Darüber hinaus erfolgt eine Online-Plausibilitätsprüfung des Sys- tems. Liegt die Sensorabhebung außerhalb des spezifizierten Be- reichs und muss gegebenenfalls nachgeregelt werden, liegt ein schleichender Sensorverschleiß oder ein Sensordefekt vor? All diese Zustände werden vom X8-Sensorsystem erkannt und mit der Bewer- tung des Grobblechs an den Bediener weitergeleitet. info@izfp.fraunhofer.de | Fehler erkennen, bevor sie entstehen 12
Glossar Einige wichtige Definitionen 42CrMo4 Kalibrierung Ein gängiger Chrom-Molybdän-Stahl (Stahl-Nummer 1.7225), der in Meint hier die Erstellung der Korrelationsfunktion, die den kausa- der Regel nach dem Vergüten verwendet wird, mit hoher Intensität len Zusammenhang zwischen einer Zielgröße und den zerstörungs- und hoher Härtbarkeit freien Messgrößen beschreibt. Ist die Korrelationsfunktion bekannt, können Werte der Zielgröße aus den gemessenen Werten der zer- 3D störungsfreien Messgrößen bestimmt werden. Die Korrelationsfunk- Dreidimensional tionen werden üblicherweise experimentell bestimmt. 3DMP® KI, AI Ein 3D-Druckverfahren der Firma GEFERTEC, dessen Ausgangs Künstliche Intelligenz (englisch Artificial Intelligence): Teilgebiet der materialien in Form von Drähten statt Pulver vorliegen Informatik, das sich mit der Automatisierung intelligenten Verhal- tens und mit maschinellem Lernen befasst; im weiteren Sinne Me- 3MA thoden oder Maschinen, die auf Grundlage dieser beiden Aspekte »Mikromagnetische Multiparameter-, Mikrostruktur- und Span- funktionieren nungs-Analyse« – ein vom Fraunhofer IZFP entwickeltes Prüfverfahren für die zerstörungsfreie Randschichtcharakterisierung Kollaborative Roboter Roboter, die in unmittelbarer Nähe von Menschen und mit ihnen Additive Fertigung, Additive Manufacturing (AM) gemeinsam arbeiten. Dies setzt voraus, dass die Roboter keine Ver- Zusammenfassender Begriff für Technologien, mit denen 3D-Objek- letzungen bei Menschen hervorrufen können. Zäune und andere te durch den schichtweisen Materialauftrag erstellt werden können Schutzeinrichtungen sind dann nicht erforderlich. (sogenannter »3D-Druck«) Kognition Assistenzsystem Von einem verhaltenssteuernden System ausgeführte Umgestaltung Alle Informationen und Funktionen, die einen Benutzer beim Ge- von Informationen; die Summe aller Denk- und Wahrnehmungsvor- brauch eines Produktes unterstützen gänge und deren mentale Ergebnisse (Wissen, Einstellungen, Über- zeugungen, Erwartungen), wobei Kognition bewusst wie beim Augmented Reality Lösen einer Rechenaufgabe oder unbewusst wie beim Bilden einer Computergestützte Erweiterung der Realitätswahrnehmung Meinung ablaufen können EBM LBM Electron Beam Melting, ein additives Fertigungsverfahren zur Her- Laser Beam Melting, ein additives Fertigungsverfahren zur Herstel- stellung von metallischen Bauteilen aus dem Pulverbett lung von Bauteilen aus metallischen Pulvern FFF LMD Fused Filament Fabrication, ein additives Fertigungsverfahren; frei Laser Metal Deposition, ein additives Fertigungsverfahren, bei dem verwendbares Synonym für das 3D-Druckverfahren »Fused Deposi- auf einer metallischen Bauteiloberfläche durch einen Laser ein tion Modeling«® (FDM), bei dem ein Werkstück schichtweise aus ei- Schmelzbad erzeugt wird, in das Metallpulver eingebracht wird nem schmelzfähigen Kunststoff oder aus geschmolzenem Metall aufgebaut wird Lineare Regressionsanalyse Statistisches Analyseverfahren, um Beziehungen zwischen einer ab- Hysterese, magnetische hängigen Variablen und einer oder mehreren unabhängigen Variab- Beschreibt den bei ferromagnetischen Werkstoffen stark nichtlinea- len in einem Modell zu beschreiben ren Zusammenhang zwischen der magnetischen Flussdichte B und der magnetischen Feldstärke H 13 KI für Predictive Quality & Predictive Maintenance
Machine Learning Tracking Generierung von Wissen durch eine Maschine durch Erfahrung und Nachverfolgung oder dynamische Zuordnung; umfasst alle Ein- deren Verarbeitung auf Grundlage statistischer Modelle; das System zelmethoden, die bei der Verfolgung von Objekten angewendet lernt aus Beispielen (Trainingsdaten) und kann diese nach Beendi- werden gung der Lernphase verallgemeinern TRL Beim Federated Machine Learning wird versucht, für die Technology Readiness Level; Skala zur Abschätzung des technischen Trainingsdaten auf dezentrale Datenquellen zurückzugreifen. Reifegrades eines Produkts während seiner Entwicklungsphase MES WISA Manufacturing Execution System; computerbasiertes System zur Be- »Wissenschaftsorientierte strategische Allianzen«, eine spezielle gleitung und Dokumentation der Transformation von Rohmate Form der internen Projektförderung der Fraunhofer-Gesellschaft rialien zu fertigen Gütern im Produktionsprozess Monitoring Überwachung von Vorgängen, im industriellen Kontext meist mittels technischer Hilfsmittel Multimodal Fähigkeit eines sensorbasierten Prüfsystems, gleichzeitig Sensoren einzubinden, die unterschiedliche physikalische Prinzipien benutzen Predictive Maintenance Proaktive Wartung von Maschinen und Anlagen auf Grundlage von mit Sensoren erfassten Messwerten und Daten mit dem Ziel, Aus- fallzeiten niedrig zu halten oder möglichst ganz zu vermeiden Rührreibschweißen Ein Schweißverfahren aus der Gruppe des Pressschweißens, bei dem zwei einander berührende Teile unter Druck relativ zueinander be- wegt werden. Durch die entstehende Reibung kommt es an den Kontaktflächen zur Erwärmung und Plastifizierung des Materials. SLM Selektives Laserschmelzen (Selective Laser Melting) ist ein additives Fertigungsverfahren (AM), mit dem räumliche Strukturen durch voll- ständiges Aufschmelzen mit einem Laser aus einem pulverförmigen, metallischen Ausgangsstoff hergestellt werden. SLS Selektives Lasersintern (Selective Laser Sintering) ist ein additives Fer- tigungsverfahren, mit dem räumliche Strukturen durch Sintern mit einem Laser aus einem pulverförmigen Ausgangsstoff (meist Kunst- stoff) hergestellt werden. info@izfp.fraunhofer.de | Fehler erkennen, bevor sie entstehen 14
Kognitive Sensorsysteme Effiziente Prozesse 15 KI für Predictive Quality & Predictive Maintenance
Impressum Herausgeber Druck Fraunhofer-Institut für Zerstörungsfreie Prüfverfahren IZFP Krüger Druck+Verlag GmbH & Co. KG Campus E3 1 Bildquellen 66123 Saarbrücken © AdobeStock / Alexander Limbach: Coverseite Telefon: +49 681 9302 0 © AdobeStock / K!NGW!N: S. 1 © Fraunhofer IZFP / Uwe Bellhäuser: S. 4, 5, 7, 9 info@izfp.fraunhofer.de © Shutterstock / Marina Grigorivna: S. 6 www.izfp.fraunhofer.de Alle weiteren Bilder und Graphiken: Hinweise zur Anfahrt finden Sie unter »Kontakt« auf unserer Web- © Fraunhofer IZFP / Fraunhofer-Gesellschaft präsenz www.izfp.fraunhofer.de Abdruck und Vervielfältigung jeder Art nur mit Genehmigung des Herausgebers Institutsleitung © 2020 Fraunhofer-Institut für Zerstörungsfreie Prüfverfahren IZFP, Prof. Dr. Randolf Hanke Saarbrücken Geschäftsführender Institutsleiter Dokumentennummer izfp20.03.1.1de Unternehmenskommunikation Dipl.-Übers. Sabine Poitevin-Burbes +49 681 9302 3869 sabine.poitevin-burbes@izfp.fraunhofer.de Redaktionsteam Dipl.-Übers. Sabine Poitevin-Burbes Dr. Bernd Wolter Roger Pfau Layout, Satz, Bildverarbeitung Dipl.-Übers. Sabine Poitevin-Burbes Roger Pfau info@izfp.fraunhofer.de | Fehler erkennen, bevor sie entstehen 16
FRAUNHOFER-INSTITUT FÜR ZERSTÖRUNGSFREIE PRÜFVERFAHREN IZFP Fehler erkennen, bevor sie entstehen KI-basierte Sensorsysteme für Predictive Quality & Predictive Maintenance info@izfp.fraunhofer.de || www.izfp.fraunhofer.de
Sie können auch lesen