Roboter sind in der Automobilindustrie nichts Neues. Aber Künstliche Intelligenz? Audi und BMW wollen mit Maschinellem Lernen Prüfprozesse im Produktionsablauf revolutionieren. Dazu gibt es gleich mehrere Einsatzgebiete.

Deutsche Automobilbauer wollen Maschinelles Lernen künftig in der Serienproduktion einsetzen. Eine von Audi selbst entwickelte intelligente Software erkennt und markiert automatisiert feinste Risse in Blechteilen und revolutioniert somit den Prüfprozess im Produktionsablauf. Auch BMW setzt auf Künstliche Intelligenz, die in Echtzeit Abweichungen von der Norm verbauter Teile prüft.
Aufgrund des immer anspruchsvolleren Designs der Autos und der hohen Qualitätsstandards bei Audi überprüft das Unternehmen alle Bauteile direkt nach der Herstellung im Presswerk.

Qualitätssicherung in der Automobilindustrie immer intelligenter

Neben der Sichtprüfung durch den Menschen sind dazu mehrere kleine Kameras direkt in den Pressen verbaut. Diese werten die aufgenommenen Bilder mithilfe von Bilderkennungs-Programmen aus. Dieser Vorgang soll bald durch ein ML-Verfahren abgelöst werden. Im Hintergrund dieses intelligenten Verfahrens arbeitet eine Software, deren Basis ein komplexes künstliches neuronales Netzwerk ist. Die Software erkennt mit höchster Präzision feinste Risse in Blechen und markiert die Stelle zuverlässig.

Autobranche im Wandel - bei der Qualitätssicherung

„Unsere automatisierte Bauteilprüfung erproben wir derzeit in unserem Ingolstädter Presswerk für den Serieneinsatz. Die Methode unterstützt unsere Mitarbeiter und ist für Audi ein weiterer wichtiger Schritt beim Wandel der Produktion zur modernen Smart Factory“, sagt Jörg Spindler, Leiter des Kompetenzcenters Anlagen- und Umformtechnik.

Branche der deutschen Autobauer legen bei der Qualitätskontrolle los

Die Lösung basiert auf Deep Learning, einer Sonderform des Machine Learning, die mit sehr unstrukturierten und hochdimensionalen Datenmengen, wie beispielsweise bei Bildern, arbeiten kann. Mit mehreren Millionen Prüfbildern hat das Team über Monate das künstliche neuronale Netz trainiert. Die größten Herausforderungen waren zum einen das Aufbauen einer ausreichend großen Datenbasis und zum anderen das sogenannte Labeln der Bilder. Dabei markierte das Team pixelgenau Risse in den Beispielbildern – hier war höchste Genauigkeit gefordert. Der Aufwand hat sich gelohnt, denn anhand der Beispiele lernt das neuronale Netz nun selbst­ständig und erkennt Risse auch bei neuen, bislang unbekannten Bildern. Mehrere Tera­byte an Prüfbildern aus sieben Pressen am Audi-Standort Ingolstadt und von mehreren VW-Standorten bilden die Datenbasis.

Automobilindustrie im Markt vorne

Die Software entstand überwiegend in-house, von der Idee bis hin zum fertigen Prototyp. So arbeitet die Innovationsabteilung der Audi IT seit Mitte 2016 Hand in Hand mit dem Bereich Produktionstechnologie aus dem Kompetenzcenter für Anlagen- und Umformtechnik.
In Zukunft soll die Qualitätsprüfung mittels ML die bisher eingesetzte optische Risserkennung mit Smart-Kameras ablösen. Diese ist mit hohem manuellen Aufwand verbunden. Ob Türen, Motorhauben oder Kotflügel – für jedes neue Bauteil, das im Presswerk hergestellt wird, muss die Kamera bislang neu konfiguriert werden. Zudem kommt es regelmäßig zu Fehl-Erkennungen, da die simplen Algorithmen des Bildverarbeitungsprogramms stark von Umwelteinflüssen wie Lichtverhältnissen oder der Oberflächenbeschaffenheit abhängig sind. Der Machine-Learning-Ansatz lässt sich künftig auch bei anderen optischen Qualitätsprüfungen einsetzen. Liegt eine ausreichend große Zahl gelabelter Datensätze vor, kann die Lösung beispielsweise auch in Lackiererei oder Montage unterstützen.

Auto-Industrie technisch gut aufgestellt

Bei BMW liegt ein Schwerpunkt auf automatisierten Bilderkennungsverfahren: dabei wertet die Künstliche Intelligenz in der laufenden Produktion Bilder eines Bauteils aus und gleicht sie in Millisekunden mit hunderten anderen Bildern der gleichen Sequenz ab. So ermittelt die Künstliche Intelligenz in Echtzeit Abweichungen von der Norm und prüft, ob beispielsweise alle vorgesehenen Teile verbaut oder an der richtigen Stelle montiert sind.

Produktqualität beim Autobauer steigt, Arbeit für Mitarbeiter im Unternehmen leichter

Die innovative Technologie ist schnell, zuverlässig und vor allem einfach einsetzbar. Christian Patron, Leiter Innovationen, Digitalisierung, Data Analytics in der BMW Group Produktion: „Wir sehen großes Potenzial im Bereich der Künstlichen Intelligenz. Sie hilft uns, unsere hohen Anforderungen an die Qualität zu sichern und entlastet gleichzeitig unsere Mitarbeiter von eintönigen Aufgaben.“
Flexible, kostengünstige und intelligente KI-basierte Anwendungen lösen bei der BMW Group nun schrittweise fest installierte Kameraportale ab. Die Umsetzung ist vergleichsweise einfach.  Es genügt eine mobile Standardkamera, um in der Produktion entsprechende Bilder aufzunehmen. Und auch die Künstliche Intelligenz ist zügig aufgebaut: Mitarbeiter fotografieren das entsprechende Bauteil aus unterschiedlichen Perspektiven und markieren auf den Bildern mögliche Abweichungen. So erstellen sie eine Bild-Datenbank, um ein neuronales Netzwerk aufzubauen, das später selbstständig die Bilder aus­wertet.

Automobilindustrie im Markt vorne

Die Software entstand überwiegend in-house, von der Idee bis hin zum fertigen Prototyp. So arbeitet die Innovationsabteilung der Audi IT seit Mitte 2016 Hand in Hand mit dem Bereich Produktionstechnologie aus dem Kompetenzcenter für Anlagen- und Umformtechnik.
In Zukunft soll die Qualitätsprüfung mittels ML die bisher eingesetzte optische Risserkennung mit Smart-Kameras ablösen. Diese ist mit hohem manuellen Aufwand verbunden. Ob Türen, Motorhauben oder Kotflügel – für jedes neue Bauteil, das im Presswerk hergestellt wird, muss die Kamera bislang neu konfiguriert werden. Zudem kommt es regelmäßig zu Fehl-Erkennungen, da die simplen Algorithmen des Bildverarbeitungsprogramms stark von Umwelteinflüssen wie Lichtverhältnissen oder der Oberflächenbeschaffenheit abhängig sind. Der Machine-Learning-Ansatz lässt sich künftig auch bei anderen optischen Qualitätsprüfungen einsetzen. Liegt eine ausreichend große Zahl gelabelter Datensätze vor, kann die Lösung beispielsweise auch in Lackiererei oder Montage unterstützen.

Auto-Industrie technisch gut aufgestellt

Bei BMW liegt ein Schwerpunkt auf automatisierten Bilderkennungsverfahren: dabei wertet die Künstliche Intelligenz in der laufenden Produktion Bilder eines Bauteils aus und gleicht sie in Millisekunden mit hunderten anderen Bildern der gleichen Sequenz ab. So ermittelt die Künstliche Intelligenz in Echtzeit Abweichungen von der Norm und prüft, ob beispielsweise alle vorgesehenen Teile verbaut oder an der richtigen Stelle montiert sind.

Produktqualität beim Autobauer steigt, Arbeit für Mitarbeiter im Unternehmen leichter

Die innovative Technologie ist schnell, zuverlässig und vor allem einfach einsetzbar. Christian Patron, Leiter Innovationen, Digitalisierung, Data Analytics in der BMW Group Produktion: „Wir sehen großes Potenzial im Bereich der Künstlichen Intelligenz. Sie hilft uns, unsere hohen Anforderungen an die Qualität zu sichern und entlastet gleichzeitig unsere Mitarbeiter von eintönigen Aufgaben.“
Flexible, kostengünstige und intelligente KI-basierte Anwendungen lösen bei der BMW Group nun schrittweise fest installierte Kameraportale ab. Die Umsetzung ist vergleichsweise einfach.  Es genügt eine mobile Standardkamera, um in der Produktion entsprechende Bilder aufzunehmen. Und auch die Künstliche Intelligenz ist zügig aufgebaut: Mitarbeiter fotografieren das entsprechende Bauteil aus unterschiedlichen Perspektiven und markieren auf den Bildern mögliche Abweichungen. So erstellen sie eine Bild-Datenbank, um ein neuronales Netzwerk aufzubauen, das später selbstständig die Bilder aus­wertet.

Qualität in der Automobilindustrie steigt

Dabei müssen die Mitarbeiter keine Programmiercodes schreiben; dies übernimmt der Algorithmus gewissermaßen selbst. In der Anlernphase, beispielsweise über Nacht, kalkuliert ein Hochleistungsserver aus rund 100 Bildern das neuronale Netz, das sich sogleich eigenständig optimiert. Nach einem Testlauf und eventueller, einmaliger Nachkorrektur liegt die Zuverlässigkeit bei 100 %. Der Lernprozess ist damit abgeschlossen. Das neuronale Netzwerk kann nun selbstständig entscheiden, ob ein Bauteil den Vorgaben entspricht oder nicht.

Durchführung der Qualitätssicherung bei Automobilhersteller

Weitgehend unabhängig von Faktoren wie der Ausleuchtung des Fertigungsbereichs oder der genauen Kameraposition werden auch bewegte Objekte zuverlässig erkannt. In der gesamten Prozesskette des Automobilbaus, einschließlich der Logistik, ergeben sich daher vielfältige Anwendungsmöglichkeiten. Vielfach entlastet die KI die Mitarbeiter genauso wie Roboter bei wiederkehrenden, monotonen Aufgaben wie der Kontrolle, ob das Warndreieck an der richtigen Stelle im Kofferraum liegt oder die Kappe am Scheibenwischer montiert wurde.

Maßnahmen im Markt der Automobilindustrie

In der Endkontrolle im BMW Group Werk Dingolfing vergleicht eine KI-Anwendung die Orderdaten eines Fahrzeugs mit dem Live-Bild des Modellschriftzugs des frisch produzierten Automobils. Modellschriftzüge und weitere typspezifische Schilder wie ‚xDrive‘ bei allradgetriebenen Fahr­zeugen sowie alle grundsätzlich freigegebenen Kombinationen sind in der Bilddatenbank gespeichert. Weichen Live-Bild und Orderdaten voneinander ab, falls beispielsweise ein Schriftzug fehlt, erhalten die Mitarbeiter in der Endkontrolle einen entsprechenden Hinweis.

Qualitätskontrolle: Jobs für die Hersteller angenehmer

Dazu ergänzt Patron: „Dabei setzen wir ganz auf die Erfahrung und das Know-how unserer Mitarbeiterinnen und Mitarbeiter. Sie können am besten beurteilen, bei welchen Fertigungsschritten eine KI-Anwendung für mehr Qualität und Effizienz sorgt. Aufbau und Umsetzung einer solchen Anwendung halten wir bewusst einfach. Ausgeprägte IT-Kompetenz ist für die Bedienung nicht erforderlich.“
Im Presswerk werden aus flachen Blechteilen hochpräzise Karosserieteile geformt. Staubkörner oder Ölrückstände, die nach dem Umformen auf den Karosserieteilen verbleiben, können leicht mit sehr feinen Rissen verwechselt werden, die in seltenen Fällen während des Umformens auftreten.

Deutsche Autoindustrie top bei der Qualitätskontrolle

Bei bisherigen kamerabasierten Qualitätskontrollen im Werk Dingolfing markierte das System in seltenen Fällen auch sogenannte Pseudofehler: Abweichungen vom Soll, obwohl kein Fehler vorlag. Bei der neuen KI-Anwendung sind diese Pseudofehler ausgeschlossen, denn das neuronale Netz kann auf rund 100 Realbilder je Merkmal zurückgreifen – also etwa 100 Aufnahmen des einwandfreien Bauteils, 100 Bilder mit Staubkörnern, weitere 100 Aufnahmen mit Öltropfen auf dem Bauteil usw.. Damit sind insbesondere die ‚Grenzfälle‘ abgebildet, die bisher zu Pseudofehlern führten.

Ob VW, BMW oder Daimler

Auch das BMW Group Werk Steyr macht zusammen mit dem BMW Group Data Analytics Team erfolgreich Jagd auf Pseudofehler. Vermeintliche Auffälligkeiten bei der Drehmomentmessung im Kalttest von Motoren stellen sich im Nachhinein oft als unerheblich heraus. Solche Messergebnisse hatten vor Einsatz der KI-Lösung jedoch aufwendige manuelle Untersuchungen und weitere Prüfläufe bis hin zum Test mit Kraftstoffbetrieb (Heißtest) zur Folge. Die Analysesoftware wurde anhand vieler gespeicherter Prüfläufe trainiert und hat so ‚gelernt‘, tatsächliche von vermeintlichen Fehlern zu unterscheiden.

Branche setzt auf KI- und Analytics-Anwendungen

Bereits heute zeichnet sich ein klarer Trend für den Einsatz künstlicher Intelligenz in den Werken der BMW Group ab. Durch die zunehmende Verschmelzung von Smart Data Analytics, modernster Messtechnik und Künstlicher Intelligenz ergeben sich neue Möglichkeiten für die Produktionssteuerung. Beispiel Karosseriebau: Live-Bilder in der Endkontrolle können belegen, wenn an einer Schweißstelle bei mehreren Karosserien Schweißgut herausgespritzt war. Nun besteht die Chance, mittels KI den Regelkreis zu schließen und die Anlagensteuerung oder Wartungszyklen noch schneller und effizienter zu justieren. In den Lackierereien bieten KI- und Analytics-Anwendungen das Potenzial, Fehlerquellen so frühzeitig zu erkennen, dass Fehler kaum mehr auftreten können – wenn ein Staubkorn vor dem Lackieren erst gar nicht auf eine Karosserie gelangt, muss es auch nicht auspoliert werden.

Wissen, was die Industrie bewegt!

Alles zu Industrie 4.0, Smart Manufacturing und die ganze Welt der Technik.

Newsletter gratis bestellen!