Qualitäts kontrolle

Qualitätskontrolle bezeichnet die Menge an Maßnahmen, welche sich mit der Sicherstellung von Qualitätsanforderungen beschäftigen. Qualitätsanforderungen beziehen sich entweder auf das zu erzeugende Produkt (Produktqualität) oder auf den Herstellungsprozess (Prozessqualität). Nur wenn auch der Herstellungsprozess definierte Qualitätsanforderungen erfüllt, kann eine entsprechende Produktqualität erwartet werden. Während des Produktionsprozesses muss das Produkt wie auch die Prozessqualität laufend überwacht werden, um Ausschuss (fehlerhafte Produkte) und Nachbesserungen möglichst zu vermeiden. Dafür werden laufend Qualitätsdaten von Prozessen und erzeugten Produkten gesammelt und analysiert. Aktivitäten zur Qualitätskontrolle können durch unterschiedliche KI-Methoden unterstützt bzw. automatisiert werden mit dem Ziel die Qualitätskontrolle flächendeckend und kontinuierlich durchzuführen.

Konkrete Beispiele für den Einsatz von KI zur automatisierten Qualitätskontrolle sind die Detektion von Produktionsfehlern in Leiterplatten sowie das Erstellen von dynamischen Prüfplänen. Leiterplatten können mittels Computer Vision und Deep Learning Verfahren analysiert werden um Produktionsfehler automatisiert zu erkennen. In der mechanischen Fertigung können die Prüfintervalle von Qualitätsprüfungen basierend auf der Historie von Prüfergebnissen, Prozess- und Qualitätsdaten angepasst werden.

Beispiele

Problemstellung

In unserem Fall werden Bilder von diversen Stahloberflächenfehlern analysiert um fehlerhafte Materialen vor der Verarbeitung auszuscheiden. Wir unterscheiden sechs Oberflächenfehlerarten, welche erkannt werden sollten um einen optimalen Produktionsprozess zu garantieren. Darunter befinden sich Walzzunderrückstände (rolled-in scale), Kratzer (scratches), löchrige Oberflächen (pitted surfaces), Flecken (patches), Einschlüsse (inclusions) und Rissbildungen (crazing).

Zielsetzung / Herangehensweise / Lösung

Das Ziel dieses Prototypen ist es innerhalb weniger Millisekunden eine akkurate Entscheidung bezüglich des Vorliegens eines Oberflächenfehlers zu treffen. Da nur wenige Daten zur Verfügung stehen wird der Datensatz anhand von klassischen Datenaugmentationsverfahren wie auch durch ein Generative Adversarial Network erweitert, um die Genauigkeit des Deep Learning Klassifizierers zu erhöhen. Zu guter Letzt wird der Entscheidungsprozess des Deep Learning Klassifizierers mit einer Gradcam visualisiert um verstehen zu können anhand welcher Mermale das Neuronale Netzwerk ein Bild klassifiziert.

Nutzen

Anhand eines optimierten Machine Learning Algorithmus können schadhafte Oberflächen automatisch und in Echtzeit detektiert und klassifiziert werden. Im Vergleich zu einem Operator, welcher stichprobenartig die Qualität der Materialen überprüft, stellt dieser KI-Prototyp eine lückenlose Kontrolle aller Materialien dar. Die Reaktionszeit der Software befindet sich im Millisekundenbereich und ist somit um ein Vielfaches schneller als jene des Operators. Dadurch bringt diese Art von Software eine Kostenreduktion mit sich und garantiert geringere Stehzeiten in den nachfolgenden Produktionsschritten. Bei Adaptierung des Modells können ähnliche Probleme auf dieselbe Art und Weise gelöst werden.

Als Ausschuss (engl. „Scrap“) bezeichnet man Bauteile, die den Fertigungsprozess nicht vollständig absolvieren oder aufgrund verschiedenster Gründe verschrottet werden. Die dadurch entstehenden Kosten – wie z.B. das verwendete Material – gehören zu den Hauptkostentreiber jeder Fertigungsstraße. Je früher man in der Lage ist Scrap-Teile zu erkennen und aus der Fertigungslinie zu entfernen, desto kostengünstiger und effizienter wird der Fertigungsprozess. KI-basierte Modelle – welche in der Ausschusserkennung verwendet werden – sind häufig binäre Klassifikatoren, welche auf Basis der Daten eine Vorhersage über den Zustand der Bauteile liefern. Grundlage für diese Modelle stellen historische Daten der Fertigungsstraße dar, auf welche diverse Algorithmen trainiert werden. Da im Vergleich zu den OK-Bauteilen, NOK-Bauteile eine Seltenheit darstellen, müssen wir diese Klassen-Unausgeglichenheit mit speziell entwickelten Metriken begegnen.

kontakt

Dr. Volkmar Wieser

Das Projekt AB292 wird im Rahmen von Interreg Österreich-Bayern 2014-2020 gefördert.