/ / KI Qualitätskontrolle

Einsatz von KI in der Qualitätskontrolle

Die richtige Auswahl der Features entscheidet über die Qualität von KI-Anwendungen

Qualitätskontrolle mittels Schwingungsanalyse

Schwingungsanalyse ist eine sehr effektive Methode zur Qualitätskontrolle von Rotationsbaugruppen.  Dabei werden rotierende Bauteile in Drehung versetzt und der zeitliche Verlauf der entstehenden Schwingungen wird auf Auffälligkeiten analysiert.

roboGreifer

Automatisierung durch Roboter mit integrierter Schwingungssensorik

Im vorliegenden Projekt werden die Bauteile mittels eines Roboters automatisiert aus dem Fertigungsprozess entnommen und mit Druckluft in Drehung versetzt. Die Schwingungssensorik ist in den Greiferbacken des Roboters integriert. Der zeitliche Verlauf der Schwingungen beim Beschleunigen und Auslaufen des Rotationsteils wird messtechnisch erfasst und aufgezeichnet. 

Feature-Auswahl und Trainingsdaten sind entscheidend für die Qualität einer KI

Für die Qualität von Machine-Learning-Algorithmen sind zwei Dinge von wesentlicher Bedeutung:

  1. Die Merkmale (Features), anhand derer unterschiedliche Klassen der zu beurteilenden Objekte unterschieden werden können
  2. Datensätze, welche die Merkmale und Klassifzierungen für die zu unterscheidenden Klassen in ausgewogener Verteilung beinhalten

Als Merkmale, die in diesem Projekt zum Training von KI-basierteen Algorithmen geeignet sind, wurden experimentell die Energieniveaus der Wavelet-Paket-Transformation des zeitlichen Verlaufs der Schwingungen ermittelt. Um geeignete Trainingsdatensätze zu erstellen wurden von jeder zu unterscheidenden Variante der Rotationsbaugruppe 60 Stück angefertigt und vermessen. In diesen waren jeweils 50 gute und 10 schlechte Baugruppen enthalten.

Auswahl der richtigen Algorithmik

Für die Unterscheidung von fünf Varianten wurde eine Level 5 WPT durchgeführt, die normierten Energien der 32 Subbänder wurden als Features für das Training eines neuronalen Netzes mit 3 hidden layers der Größen 20, 128 und 20 verwendet.

Zur Erkennung von Gut- und Schlechtbauteilen wurde eine Level 6 WPT mit 64 Subbändern verwendet. Die normierten Energien dienen als Eingang einer Support-Vektor-Maschine, welche für die Ausschusserkennung trainiert wurde.

Zur Verwendung im realen Produktionsprozess wurde eine Applikation erstellt und in den Fertigungsablauf integriert.

frontend

Demonstrator in der Forschungs- und Lernfabrik

Dieses Projekt kann als Demonstrator für eine richtig geplante und funktionierende KI-Anwendung in der Forschungs- und Lernfabrik der Digital Factory Vorarlberg besichtigt werden.

Wir danken  der Fa. Gantner Instruments GmbH für die Unterstützung des Projekts mit moderner Hardware zur Erfassung von zeitlich hochaufgelösten Sensorsignalen.

Kontakt:
Dr. Robert Merz, CEO
office@vactory.at