Machine Learning für smarte Sensoren (ML4SS)

Smarte Sensoren in der Montagelinie der Balluff GmbH
© Balluff GmbH/Albert Dorneich

Maschinelle Lernalgorithmen für eine intelligente Sensorik

Das Exploring Project ML4SS in Zusammenarbeit mit der Balluff GmbH beschäftigt sich mit Fragestellungen der Auswertung mit Hilfe maschineller Lernalgorithmen für integrierte Sensoren in einer Montagelinie. Als Vision sollen smarte Sensoren durch Ansätze der Künstlichen Intelligenz in der Lage sein, Änderungen sowie Anomalien in Produktionsprozessen erkennen zu können und für die Qualitätssicherung nutzbar zu machen.

Die Auswertung der Fehlercodes der Sensoren erfordert explizite Vorkenntnisse über mögliche Ursachen und Zusammenhänge in Produktionsprozessen. Eine Möglichkeit für die prognostizierende Qualitätssicherung ist die Nutzung von Produktionsdaten und Auswertung mittels maschineller Lernverfahren (ML). Eine erste Umsetzung dieser Fragestellung erfolgte mit Produktionsdaten einer Pilotanlage der Firma Balluff. Hierbei wurde untersucht:

  • welche ML-Architekturen sich für eine prognostizierende Qualitätssicherung durch smarte Sensoren eignen,
  • ob und mit welcher Architektur eine prozessübergreifende Qualitätsprognose möglich ist,
  • wie die erlangten Ergebnisse auf vorhandene bzw. zukünftige Hardware von Balluff übertragen werden können.

Projektablauf

Der durch das Unternehmen Balluff zur Verfügung gestellte Datensatz einer Pilotproduktionsanlage enthält 170.000 einzelne Bauteil-Vektoren mit jeweils 185 Merkmalen (185 Merkmale pro Vektor). Von diesen sind etwa 130.000 Bauteile als I.O. einzustufen, weitere rund 28.000 als n.I.O. (mit Fehlercodes als Label).

Neuronale Netze (NN) und Support Vector Machines (SVM) zur Vorhersage der Fehlercodes in der Produktionslinie wurden durch Optimierung ihrer Parameter an die Aufgabenstellung angepasst. Die SVM zeigten hierbei die besten Ergebnisse. Bei Betrachtung der gesammelten vorhandenen Daten am Ende des Gesamtprozesses wurde eine Entdeckungsrate von 97,2% bei der Klassifizierung von 5 Klassen und eine Entdeckungsrate von 93% für alle 15 Klassen erreicht. Als Ansatz zur Qualitätssicherung im gesamten Produktionsprozesses wurde ein kaskadierender Klassifizierer zur Früherkennung von Problemen implementiert.

Innovating automation – unser globales Versprechen. Dafür werden wir in unserer Sensorproduktion auch Machine Learning Methoden einsetzen

bestätigt Albert Dorneich, Technology Strategy Manager der Balluff GmbH in Neuhausen a.d.F.

Projektbeteiligte

  • Balluff GmbH

Gefördert durch

BW_Ministerium_MWAW

Unsere Partner

Logo des Stuttgarter Technologie- und Innovationscampus
Fraunhofer IPA Logo
Logo Fraunhofer IAO
Fraunhofer IBP Logo