Fraunhofer-Institut für Techno- und Wirtschaftsmathematik ITWM
Fraunhofer-Institut für Techno- und Wirtschaftsmathematik ITWM
Metallbauteile sind bereit für die folgende Verarbeitung
© freepik / Fraunhofer ITWM
Mit »eQuality« entwickeln wir eine digitale Fehlerbibliothek, die Unternehmen aus der Produktion bei der Inspektion von Defekten unterstützt – mit Künstlicher Intelligenz und standardisierten Erfassen der Fehler. Rechts im Bild: Beispiele für verschiedene detektierte Fehler und Defekte auf Metalloberflächen.

Mit »eQuality« entwickeln wir eine digitale Fehlerbibliothek, die Unternehmen aus der Produktion bei der Inspektion von Defekten unterstützt – mit Künstlicher Intelligenz und standardisierten Erfassen der Fehler. Rechts im Bild: Beispiele für verschiedene detektierte Fehler auf Metalloberflächen.

© freepik / Fraunhofer ITWM

eQuality – Eine digitale Datenbibliothek für Defekte in der Oberflächeninspektion

Defekte in der Produktion automatisiert erkennen und in einer Datenbank sammeln

Im Projekt entwickeln wir »eQuality«, eine digitale Fehlerbibliothek, die Unternehmen aus der Produktion bei der Inspektion mit Künstlicher Intelligenz und beim standardisierten Erfassen von Defekten unterstützt. Es soll gleichzeitig virtuelle Prüfplanungsprozesse ermöglichen, die anwendungsrelevante Fehler erkennen und realistische Trainingsdatensätze für die KI generieren. Auch Grenzfälle werden dabei berücksichtigt.

Vom Haushaltsgegenstand über Bauteile für Fahrzeuge oder in der Luftfahrt bis hin zu Medizintechnik – bei der Herstellung von Produkten gilt es, selbst die kleinsten Defekte sicher, schnell und automatisiert zu entdecken. Der Fertigungsmarkt benötigt dazu flexible Inspektionslösungen, die

  • in ihren Digitalen Zwilling integriert werden können
  • durch Simulationen optimiert und verifiziert werden
  • immer wieder zum Einsatz kommen können

Solche automatisierten Inspektionssysteme sind teuer, brauchen viel Zeit und Know-how in der Entwicklung. Sie können meist nicht für alle Produkte gleich eingesetzt werden und lassen sich häufig nur schwer auf alle Prozesse übertragen.

Jedes Bauteil hat eigene typische Defekte mit bestimmten Parametern in »eQuality«, der digitalen Fehlerbibliothek, integriert werden können.
© Fraunhofer ITWM
Jedes Bauteil hat eigene typische Defekte mit bestimmten Parametern, die in »eQuality«, der digitalen Fehlerbibliothek, integriert werden können.

KI braucht zuverlässige Daten

Künstliche Intelligenz bietet für diese Inspektionssysteme eine vielversprechende Lösung, die bei richtiger Umsetzung Entwicklungszeit und -kosten reduziert und eine präzise und flexible Fehlersuche ermöglicht. Gleichzeitig ist es beim Einsatz von KI besonders wichtig, dass das Prüfsystem zuverlässig arbeitet, keine entscheidenden Defekte übersieht und in unerwarteten Situationen vorhersehbar reagiert. Dies ist noch entscheidender, wenn es sich um Produkte handelt, deren Ausfall im Extremfall Menschenleben gefährden (z. B. bei einer Flugzeugblisk oder in der Medizintechnik).

Um ein zuverlässiges, auf KI basierendes Inspektionssystem zu entwickeln, sind genau definierte Qualitätsstandards und eine große Anzahl physischer Fehlerproben notwendig, die dann zum Trainieren der KI-Inspektionsmodelle genutzt werden.

Diese Proben und Daten sind oft nicht vorhanden, denn in der Produktion sollen sie vermieden werden. Wenn es Normen gibt, sind sie meist mit Blick auf die manuelle, von Menschen durchgeführte Inspektion, festgelegt. Fehlerhafte Proben sind zudem häufig schwer zu beschaffen, gerade wenn es um spezialisierte Bauteile geht. Zudem gibt es keine Garantie dafür, dass alle Fehler ausreichend in Proben repräsentiert sind.

Künstlich erzeugte Bilddaten helfen beim Trainieren der KI

Wir wollen in unserer Forschung im Schwerpunkt der virtuellen Inspektionsplanung genau diese Herausforderungen rund um die Daten angehen. Unsere Lösung: fotorealistische Bildsynthese zum Erzeugen von Trainingsdaten. Um die entsprechenden Daten zu generieren, müssen Fehlerspezifikationen verfügbar sein – was ist überhaupt ein Fehler und was kann vorkommen, ist aber kein Fehler? Solche Fragen und passende Antworten bzw. Informationen dazu stellen wir in Form von Fehlermodellen bereit.

Fokus liegt zunächst auf Fehlern auf Metalloberflächen

Mit der Bibliothek »eQuality« stellen wir eine Online-Plattform zur Verfügung, über die Menschen aus der Praxis in Industrie und Forschung, Defekte entsprechend ihrer speziellen Produkte erzeugen und herunterladen können. Die Bibliothek soll im ersten Schritt eine Reihe von Fehlern abdecken, die für Metalloberflächen charakteristisch sind – wie Beulen, Kratzer, Risse, Kühlmittelrückstände, Metallspäne, Staubpartikel oder Flecken usw. und die entsprechenden Parameter aus diesem Schwerpunkt berücksichtigen.

Am Beispiel dieser Anwendungen kann ein erstes Produktionsfeld für die Bibliothek erschlossen werden und in weiterer Forschung dann diese Herangehensweise auch auf andere Fertigungsbereiche übertragen werden.
 

Meilensteine im eQuality-Projekt

Das Team Projekt eQuality hat sich drei Meilensteile zum Ziel gesetzt:

  1. Das Entwickeln der stochastischen Geometriemodelle, die in der Lage sind, die Defekte mit den für die Industrie relevanten Parametern zu erzeugen.
  2. Das Erforschen, wie sich der Einsatz dieser entwickelten Defektmodelle mit dem Erzeugen synthetischer Datensätze auf die Zuverlässigkeit der Inspektion auswirkt.
  3. Das öffentliche Bereitstellen der Bibliothek über eine Online-Plattform zum Erzeugen von Datensätzen.
Der Fokus bei »eQuality« liegt zunächst auf Fehlern auf Metalloberflächen.
© freepik
Der Fokus bei »eQuality« liegt zunächst auf Fehlern auf Metalloberflächen.

Projektförderung und Laufzeit

Das Projekt eQuality wird gefördert vom Ministerium für Wissenschaft und Gesundheit des Landes Rheinland-Pfalz und läuft bis Ende 2024.