ML-Modelle zur Qualitätskontrolle
Daten werden heutzutage in Unternehmen in großen Mengen gesammelt, um Geschehnisse im Nachhinein analysieren zu können. Doch in der Zeit bis Verbesserungen aus den Erkenntnissen abgeleitet wurden und diese umgesetzt sind, leidet die Effizienz des Unternehmens. Aus diesem Grund sind schnelle Analysemethoden nötig, wo Vorhersagen von Ergebnissen mittels aktuellen Daten, welche eigens entwickelte Modelle durchlaufen, getroffen werden können. Diese Advanced Analytics mittels Machine Learning (ML) sind der Grundstein für bessere und schnellere Entscheidungen sowie einer höheren Effizienz.
Use-Cases
Qualitätskontrolle von Schweißelektroden in Echtzeit mittles ML
- Hohe Komplexität des Produktionsprozesses mit vielen Einflussfaktoren
- Unterschiedlichste Qualitätsprobleme bei den Elektroden
- Hohe Ausschuss- und somit Abfallrate
- Entwicklung eines ML-Modells zur Qualitätskontrolle der Elektroden
- Entwicklung eines Softwaretools zur Implementierung des Modells
- Implementierung des Prototypen in der Industrie
- Rechner sowie Sensoren und Kameras (Jetson Nano, HR Graustufenkamera, B&R Sensorik)
- Softwaretools und Bibliotheken (Python IDE, Tensorflow/Keras, OpenCV, Mapp Vision)
- Bau, Programmierung und Testung des Prototypen, welcher die Fehler erkennt
ML-Modelle zur Qualitätskontrolle beim Fräs- und Sägeprozess
- Notwendigkeit fehlerhafte Oberflächen früh im Produktionsprozess zu erkennen
- Sensor- und Steuerungsdaten der Maschine einlesen
- Entwicklung eines ML Modells zur Vorhersage der Oberflächengüte von gesägten Metallbauteilen
- Entwicklung eines ML Modells zur Qualitätsklassifizierung von gefrästen Bauteilen
- NodeRED, SPLUNK, KNIME
- Behringer Bandsäge LPS60-T, EMCO Fräsmaschine Concept Mill 105
- MarSurf PS 10 C2 mobiles Oberflächentastgerät
Ansatz um ML-Modelle interpretierbar zu machen
- Steigende Anzahl an Anwendungen von ML im industriellen Kontext
- Fehlende Transparenz und Interpretierbarkeit von ML-Modellen sowie deren Vorhersagen
- Herangehensweise zur Interpretierung von ML-Modellen für Bilderklassifikation
- Nutzung der Herangehensweise für die Interpretation der optischen Qualitätskontrolle mittels ML im industriellen Kontext
- Local Interpretable Model-agnostic Explanations (LIME) Methode
- Shapley Additive Explanations (SHAP) Methode
- TensorFlow für die Convolutional Neural Networking-Modellierung