Fraunhofer-ILT_KI_Lasermaterialbearbeitung

Auch in der Lasertechnik hält die Künstliche Intelligenz Einzug. Vor allem die Qualitätskontrolle steht im Fokus der KI-Systeme. - Bild: Fraunhofer ILT

| von Julia Dusold

Wie lassen sich Daten und Algorithmen nutzen, um Qualität und Effizienz von Prozessen in der Laserbearbeitung zu steigern? Diese Frage stellen sich Forscher, Lasertechnik-Hersteller und Anwender zugleich, denn mit der entstehenden Industrie 4.0 werden auch Lösungen mit Künstlicher Intelligenz (KI) immer bedeutender. Erste Lösungen im Bereich der Lasertechnik, die Künstliche Intelligenz einsetzen, existieren bereits.

Wie wird Künstliche Intelligenz in der Laser-Materialbearbeitung eingesetzt?

Zum Beispiel nutzt der Maschinenbauer Trumpf Künstliche Intelligenz, um Laser-Anlagen mittels Sprachbefehlen steuern zu können. Bei der mit einem Markierlaser ausgestatteten Anlage kann der Anlagenbediener sämtliche relevanten Steuerungsbefehle wie ‚Türe öffnen/schließen‘, ‚Starte den Markiervorgang‘ oder ‚Wie viele Produkte hast du heute markiert?‘ direkt in ein Mikrofon sprechen. Die Laseranlage antwortet ihm entsprechend und führt den Sprachbefehl aus. Näheres zur Maschine, erfahren Sie in unserem Beitrag 'Trumpf: KI zieht in die Lasermaterialbearbeitung ein'.

Wesentlich mehr Forscher und Hersteller beschäftigen sich allerdings mit KI-Systemen im Bereich der Qualitätssicherung - besonders für das Laserschweißen werden bereits einige KI-Anwendungen entwickelt. Meistens geht es um die Qualitätskontrolle bei den Schweißnähten. Auch das Fraunhofer-Institut für Lasertechnik (ILT) forscht in diesem Bereich. "Wir wollen mit unserer KI-Lösung unterschiedliche Qualitätskategorien beim Laserschweißen erkennen", berichtet Christian Knaak. Der wissenschaftliche Mitarbeiter des Fraunhofer ILT beschäftigt sich mit Zero Defect Manufacturing und im Rahmen dessen mit Deep Learning und sprach darüber bei der ersten 'AI for Laser Technology Conference' in Aachen. "Wir wollen Nahteinfall, Bindefehler und falsche Nahtbreiten erkennen“, so Knaak weiter. „Und wir wollen auch erkennen, wenn die Naht in Ordnung ist." Dazu werden die Messdaten aus Schweißvorgängen – in diesem Beispiel sind das Kamerabilder der Schweißnähte – ausgewertet und das System soll dann Aussagen über die Qualität der Nähte machen.

Was ist der Unterschied zwischen klassischem Maschinellem Lernen und Deep Learning?

Dazu gibt es zwei mögliche Ansätze: den klassischen Machine-Learning-Ansatz und das Deep Learning.

Beim Machine Learning spielt vor allem Wissen über das Anwendungsgebiet (sogenanntes Domänenwissen) eine wichtige Rolle. Mithilfe von Bildverarbeitungsalgorithmen werden Merkmale aus den Kamerabildern extrahiert und klassifiziert. "Wir haben fünf Klassen", erklärt Knaak. "Das sind typische Bilder von Schweißversuchen mit Beispielen für Bindefehler, Nahteinfall, erhöhte Nachtbreite, i.O. Nähte und keine Naht."

Wie funktioniert Künstliche Intelligenz?

Bild: Pixabay

Sie wollen wissen, wie Künstliche Intelligenz im Allgemeinen funktioniert und was Algorithmen und neuronale Netze überhaupt sind? Dann schauen Sie einfach auf unserer Seite 'Künstliche Intelligenz - verständlich erklärt' vorbei.

Die Merkmale dieser Bilder werden dann als 'Fingerabdruck' für die verschiedenen Nahtzustände verwendet, der von einem Algorithmus erkannt werden soll. Die Auswahl des passenden Algorithmus erfolgt, indem die Erkennungsraten verschiedener Algorithmen mithilfe eines Trainingsdatensatzes ermittelt werden. Der Algorithmus mit der besten Erkennungsrate kann dann für die Prozessdaten verwendet werden.

Beim Deep Learning ist weniger Domänenwissen erforderlich, dafür werden aber wesentlich mehr Daten benötigt. "Das Besondere an dieser Methode ist, dass die Aufgabe der Merkmalsextraktion, die beim klassischen Maschinellen Lernen von Bildverarbeitungsalgorithmen übernommen wurde, nun einem neuronalen Netz übergeben wird", erläutert Knaak.

Dieses neuronale Netz erkennt die Merkmale und verarbeitet die Daten in mehreren Schichten. So ist die Analyse sehr komplexer Bildmerkmale möglich. "Am Ende steht dasselbe Ergebnis wie beim klassischen Ansatz, wo man relativ viel Domänenwissen benötigt", berichtet Knaak. Beide Methoden eigenen sich also zur Analyse der Nahtqualität, nur die Voraussetzungen unterscheiden sich.

Wie wähle ich die passende Machine-Learning-Lösung aus?

Sowohl Deep-Learning-basierte als auch konventionelle Klassifizierungsansätze sind geeignet, um unterschiedliche Nahtimperfektionen beim Laserstrahlschweißen zu erkennen. Im Grunde lässt sich die Entscheidung aufgrund der vorhandenen Datenmenge treffen: "Wenn ich wenig Daten zur Verfügung habe, dann muss ich viel Domänenwissen reinstecken", so Knaak. "Wenn man viele Daten zur Verfügung hat, braucht man weniger Domänenwissen." Sprich bei wenigen Daten ist das klassische Maschinelle Lernen besser geeignet, bei vielen Daten das Deep Learning mithilfe eines neuronalen Netzes.

Neben der Auswahl des richtigen Ansatzes für ein KI-System, gibt es auch einige weitere Herausforderungen, denen man sich bei der Entwicklung stellen muss. Für Stephan Schwarz, der sich bei der Mercedes Benz AG mit Machine Learning beschäftigt liegt die Herausforderung vor allem in der Beschaffung und Qualität der Daten: "Wenn sie weltweit Produktionswerke mit verschiedenen Steuerungsgenerationen und verschiedenen Technologien haben, ist es eine große Challenge an die Daten ranzukommen," berichtet er bei der 'AI for Laser Technology Conference'. "Das ist eben der große Unterschied zum Laborbetrieb, wo sie einfach Testschweißungen auf einer Maschine machen und die Daten abziehen und analysieren können."

Um diese Herausforderung zu meistern, setzt Mercedes Benz auf Smart Data Processing, zur Verbindung von Daten- und Prozessexpertise. "Ein entscheidender Erfolgsfaktor ist die Zusammenarbeit der Experten auf beiden Seiten", betont Schwarz. Nur so können die Zusammenhänge zwischen Daten und Prozess verstanden werden und eine Analyse erfolgen, wie gute und schlechte Ergebnisse entstehen. Außerdem müssen die Experten gemeinsam entscheiden, welche Merkmale der Daten relevant sind und welche Parameter gegebenenfalls noch erzeugt werden müssen.

Auch Christian Kohlschein von der Hotsprings GmbH sieht in der Datenqualität und dem Expertenwissen einen Knackpunkt: "Künstliche Intelligenz braucht eine nachhaltige Datenbasis. Und ein Team, welches das Projekt gemeinsam umsetzt und in dem die einzelnen Mitglieder über das nötige Fachwissen aus den beteiligten Abteilungen verfügen." Auch die Mitarbeiter davon zu überzeugen, dass Künstliche Intelligenz am Ende wirklich etwas bringe, koste sehr viel Zeit, sei es am Ende aber auch wert.

Für Benjamin Kreck, CTO Intelligent Cloud bei Microsoft liegt die Herausforderung ebenfalls auf der Ebene der Mitarbeiter: "Die größte Herausforderung bei der Einführung von KI-Lösungen ist die kulturelle Transformation des Unternehmens. Schnellere Technologie und bessere Algorithmen allein können nichts bewegen."

Was benötige ich für ein erfolgreiches KI-Projekt?

"KI braucht eine nachhaltige Datenbasis. Und ein Team, welches das Projekt gemeinsam umsetzt und in dem die einzelnen Mitglieder über das nötige Fachwissen aus den beteiligten Abteilungen verfügen."
Christian Kohlschein, Hotsprings GmbH

 

"Machine Learning benötigt auch mal schlechte Prozessergebnisse. Wenn zu viele Ergebnisse gut sind, dann sagt der Algorithmus, dass alles gut ist. Aber dann bringt die KI-Lösung auch nichts."
Stephan Schwarz,  Mercedes Benz AG

 

"Die größte Herausforderung bei der Einführung von KI-Lösungen ist die kulturelle Transformation des Unternehmens. Schnellere Technologie und bessere Algorithmen allein können nichts bewegen."
Benjamin Kreck, Microsoft

 

"Bei der Auswahl von passenden Algorithmen für die Qualitätsanalyse ist das Domänenwissen der Mitarbeiter gefragt. Nur so findet man passende Klassifizierer und Algorithmen."
Christian Knaak, Fraunhofer-Institut für Lasertechnik

Warum lohnt es sich KI-Technologien einzusetzen?

Die Entwicklung einer KI-Lösung gestaltet sich demnach also nicht gerade einfach. Warum sollten sich Unternehmen dennoch die Mühe machen und die Entwicklung einer solchen angehen? Die Antwort hat unter anderem Stephan Schwarz: "Jegliche Prozesse und Technologien werden immer komplexer. Wenn man nun die Erwartungshaltung hinsichtlich der Verfügbarkeit und der Qualität von Prozessen betrachtet, ist diese Erwartungshaltung mit der Komplexität von menschlicher Hand fachlich immer schwieriger zusammenzubringen. Mit Machine Learning können solche seit langem bestehenden Grenzen überwunden werden."

Auch weitere Experten, die sich mit Künstlicher Intelligenz in der Lasertechnik beschäftigen stimmen dem zu: Mit den richtigen Machine-Learning- und KI-Lösungen lassen sich in Zukunft Hürden nehmen, die bisher zu hoch waren. Prozesse in der Industrie können damit einfacher und verlässlicher analysiert und gesteuert werden. Und das ist ein weiterer Schritt hin zu einer perfekt optimierten Produktion.

Sie wollen die Welt der Industrie verstehen?

Erfahren Sie alles zu Industrie 4.0, Smart Manufacturing und der weiten Welt der Technik.

  • exklusive Inhalte
  • professionelle Berichterstattung
  • kostenlose Freemium Mitgliedschaft

Newsletter gratis bestellen!