Anomaliedetektion zur Echtzeit-Fehlererkennung

Der zunehmende Fachkräftemangel, maßgeblich durch demografische Entwicklungen bedingt, sowie ein hoher Wettbewerbsdruck treiben die Automatisierung industrieller Prozesse voran. Besonders in der Endmontage, wo Aufgaben durch Varianzen in der Bauteilgeometrie oder Einbaulage, komplexe Materialeigenschaften und hohe Variantenvielfalt bislang schwer automatisierbar waren, rücken datengetriebene, KI-basierte Ansätze zunehmend in den Fokus. Neuartige Ansätze zur Fehlererkennung ermöglichen die Überwachung von klassischen sowie KI-gesteuerten Prozessen und erhöhen so die Zuverlässigkeit in der industriellen Automatisierung.

KI-Ansätze ermöglichen es Robotern durch Training mit zuvor erfassten Daten komplexe Handhabungsprozesse zu erlernen, wodurch aufwändige Modellierung bei der Integration überflüssig wird. Während sich KI-Algorithmen besonders gut für komplexe industrielle Anwendungen eignen, ist die mangelnde Zuverlässigkeit ein Haupthemmnisgrund für Unternehmen. Das probabilistische Verhalten von KI-Ansätzen bedeutet, dass diese kein vorhersagbares, deterministisches Verhalten aufweisen. Da diese Ansätze lediglich auf den zuvor erhobenen Trainingsdaten getestet sind, stellen insbesondere unbekannte Situationen (engl. Out-of-Distribution) eine Herausforderung dar. Um die industriellen Anforderungen nach hoher Zuverlässigkeit und Kosteneffizienz einzuhalten, können Prozesse mit neuartigen ebenfalls KI-basierten Methoden überwacht werden, um solche unbekannten Zustände und Fehler während des automatisierten Prozesses zu erkennen. KI-basierte Ansätze zur Prozessüberwachung bieten Unternehmen nicht nur die Möglichkeit, für den Einsatz in klassischen automatisierten Prozessen, sondern erlauben auch, gezielt von den Fortschritten in der KI-gestützten Robotik zu profitieren – indem Abweichungen und Fehler im Prozess zuverlässig erkannt und Mitarbeitende gezielt zur Behebung miteinbezogen werden können. Zusätzlich kann so Ausschuss und aufwändige Nacharbeit reduziert werden, was die Qualität verbessert und die Produktionskosten der Unternehmen senkt.

Anomaliedetektion eignet sich besonders für die Erkennung unbekannter Zustände und Fehler. Hierfür werden aktuelle Daten mit einem bekannten Muster oder einer Referenz abgeglichen, Auffälligkeiten identifiziert und darauf reagiert. Da nicht jeder Fehler angelernt werden muss, sondern lediglich der nominelle (erwartete) Prozessablauf, ist Anomaliedetektion besonders dateneffizient und auch in komplexe Umgebungen einfach integrierbar. Diese Ansätze können bislang unbekannte Fehler erkennen, besitzen eine hohe Dateneffizienz, dadurch dass lediglich Prozessdaten aus dem nominellen (erwarteten) Prozessablauf verwendet werden und sind einfach integrierbar ohne komplexe Modellierung. Im Bereich des maschinellen Lernens haben sich Autoencoder-Architekturen in der Bilderkennung bewährt. Diese bestehen aus einem Encoder und einer gespiegelten Version des Encoders als Decoder. Eingangsdaten werden im Encoder in eine niedrig dimensionale latente Repräsentation (engl. Latent Space) komprimiert. Der Decoder rekonstruiert die Daten entsprechend, sodass die Dimension der Eingangsdaten wiederhergestellt wird. Nach dem Training mit fehlerfreien Prozessdaten kann das Modell zur Laufzeit für Anomalie- und Fehlererkennung verwendet werden: Weichen neue Eingangsdaten in der Rekonstruktion deutlich von den Eingangsdaten ab, wird über eine schwellwert-basierte Gütefunktion die Anomalie erkannt. Durch die Verwendung verschiedener Sensoren, wie Kraft-/Drehmomentdaten, Gelenkwinkel- und Gelenkwinkelgeschwindigkeiten, können unterschiedliche Anwendungen überwacht werden.

Anomaliedetektion für Fehlererkennung in robotischer Montage

Im Rahmen einer robotischen Steckaufgabe in der Verkabelung von Elektroherden wurde ein entsprechendes Verfahren erprobt. Für die Steckaufgabe wurde ein kollaborativer Leichtbauroboter (engl. Collaborative Robot, Cobot) der Firma Franka Emika verwendet, der durch ein KI-Modell, das aus menschlichen Demonstrationen lernt (engl. Imitation Learning), gesteuert wird. Die aufgenommenen Demonstrationen bilden den Trainingsdatensatz und enthalten sowohl Bild- als auch Roboterdaten (Gelenkwinkel, Kraft- und Drehmomentdaten). Die Trainingsdaten werden für das Anlernen der Robotersteuerung sowie anschließend ebenfalls für die KI-Prozessüberwachung verwendet, sodass hier kein zusätzlicher Integrationsaufwand entsteht. Die Zeitreihendaten mit Kraft- und Drehmoment sowie Gelenkwinkeln des Roboters werden in einzelne Zeitfenster aufgeteilt, die anschließend für das KI-Training verwendet werden. Im Training wird auf Basis der Prozessdaten ein Modell gelernt, dass die einzelnen Zeitfenster rekonstruiert und so den nominellen, fehlerfreien Ablauf der Aufgabe repräsentiert. Anschließend wird zur Laufzeit eine Gütefunktion zwischen der Rekonstruktion eines jeden Zeitfensters mit den gemessenen Sensorwerten ausgewertet. Liegt diese über einem zuvor definierten Schwellwert wird es als Fehler gekennzeichnet.

Das Verhältnis von richtig- und falsch positiven Klassifizierungen bewertet die Zuverlässigkeit und ist optimal bei 100 Prozent. In den Experimenten konnten mit der KI-Prozessüberwachung bereits unterschiedliche Fehlerfälle während der Elektromontage in Echtzeit erkannt werden. Z.B. ein verkanteter, fehlender oder falscher Stecker wurden mit über 98 Prozent zuverlässig erkannt, wobei ungeplanter menschlicher Kontakt mit nahezu 100 Prozent erkannt wurde. Dadurch kann geschultes Personal rechtzeitig informiert und miteinbezogen werden. Der Fehler kann somit zum Zeitpunkt des Auftretens bemerkt und potenzielle Nacharbeit sowie schwerwiegende Folgeschäden vermieden werden. Aktuell wird die Übertragbarkeit dieser Technologie auf Industrieroboter sowie unterschiedliche robotische Montageprozesse (z.B. Verschraubung, Schleifen) untersucht. Zusätzlich werden die einfache Inbetriebnahme und effiziente Ausführung zur Laufzeit mit industriell verfügbarer Hardware angepasst, um den industriellen Anforderungen zu entsprechen.

Die zunehmende Automatisierung in der industriellen Produktion ist ein entscheidender Faktor für kosteneffiziente Fertigung und den Erhalt der Wettbewerbsfähigkeit. Durch eine hohe Variantenvielfalt, Kontakt und Varianzen kommt es häufig zu Fehlern in der Automatisierung komplexer Prozesse wie der Endmontage. Durch KI-gestützte Prozessüberwachung können diese erkannt werden und die Zuverlässigkeit sowie Autonomie robotischer Systeme verbessern.