Ganzheitliche und auf maschinellen Lernverfahren basierende Qualitätsüberwachung
-
Huong Giang Nguyen
Huong Giang Nguyen, M. Sc., ist Forschungsbereichsleiterin am Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik und verantwortet den Forschungsbereich Signal- und Leistungsvernetzung. Der Forschungsbereich forscht an Digitalisierungs- und Automatisierungslösungen für die Wertschöpfungsketten von Kabelsystemen, insbesondere in Bordnetzen und Schaltschränken. Der Forschungsschwerpunkt von Frau Nguyen ist die Deep-Learning-basierte optische Inspektion von Kabelsystemen und die Entwicklung von Ansätzen zur Integration von synthetischen Daten mit dem Ziel der Befähigung von datengetriebenen Lösungen in der Produktion.
,
Albert Scheck
Albert Scheck, M.Sc., ist Wissenschaftlicher Mitarbeiter am Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik und im Forschungsbereich Signal- und Leistungsvernetzung tätig. Der Forschungsschwerpunkt von Herrn Scheck ist die Machine-Learning-basierte optische Inspektion von Kabelsystemen für die Prozessautomatisierung der Qualitätsüberwachung.
Bernd Hofmann, M. Sc., ist Wissenschaftlicher Mitarbeiter am Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik und im Forschungsbereich Signal- und Leistungsvernetzung tätig. Der Forschungsschwerpunkt von Herrn Hofmann ist die Machine-Learningbasierte Auswertung von Zeitreihen für die Prozessüberwachung und Qualitätsprüfung.
Moritz Meiners, M. Sc., leitet bei Schäfer Werkzeug- und Sondermaschinenbau GmbH die Gruppe Digitalisierung und verantwortet im Rahmen des Förderprojekts “DeepCrimpact” die operative Projektleitung.
Stefan Neubauer, geb. 1963, leitet bei Schäfer Werkzeug- und Sondermaschinenbau GmbH die Gruppe Marktentwicklung und verantwortet im Rahmen des Förderprojekts „OptiCrimp“ die operative Projektleitung.
Dr.-Ing. Alexander Schäfer ist Geschäftsführer der Schäfer Werkzeug- und Sondermaschinenbau GmbH und leitet zusätzlich die Abteilung Forschung und Entwicklung. Die Firma Schäfer ist ein mittelständisches Familienunternehmen, dessen Kernkompetenz seit über 35 Jahren im Bereich von Werkzeugen und kundenspezifischen Sondermaschinen für die Kabel- und Kontaktverarbeitung liegt. Im Rahmen des Förderprojekts “DeepCrimpact” verantwortet die Firma Schäfer zudem die Rolle als Konsortialführer.
Prof. Dr.-Ing. Jörg Franke, geb. 1964, leitet seit 2009 den Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS) an der Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU).
Abstract
Die Kontakt- und Leitungsverarbeitung ist charakterisiert durch eine hohe Komponentenvielfalt, kurze Zykluszeiten und steigende Anforderungen hinsichtlich Qualität, Dokumentation und Rückverfolgbarkeit. Mit dem Ziel, diese Rahmenbedingungen zu erfüllen, wird in diesem Beitrag eine holistische und auf maschinellen Lernverfahren basierende Qualitätsüberwachung vorgestellt. Darüber hinaus liegt der Qualitätsüberwachung die intelligente Analyse von Crimpkraftkurven zugrunde. Die Auswertung von Bilddaten und Zeitreihen ermöglicht die Fehlererkennung und Anomaliedetektion an der Maschine, ohne dass es zu Einbußen in der Taktzeit kommt. Für die Visualisierung und Werkerakzeptanz der Qualitätsparameter und Prognosen der Modelle wird das Thema Erklärbarkeit in der vorgestellten Qualitätsüberwachung besonders betrachtet.
Abstract
Contact and wire processing is characterized by a high component variety, short cycle times, and increasing requirements regarding quality, documentation, and traceability. To fulfil these requirements, this paper presents a holistic approach based on machine learning for quality monitoring. The approach is based on an automatic optical inspection with 360-degree views of stripped and contacted wires. In addition, quality monitoring is realized based on the intelligent analysis of crimp force curves. The evaluation of image data and time series enables failure classification and anomaly detection at the crimping machine without sacrificing cycle time. For the visualization and worker acceptance of the quality parameters and predictions of the deep learning models, methods for explainability are integrated.
Funding statement: Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
About the authors
Huong Giang Nguyen, M. Sc., ist Forschungsbereichsleiterin am Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik und verantwortet den Forschungsbereich Signal- und Leistungsvernetzung. Der Forschungsbereich forscht an Digitalisierungs- und Automatisierungslösungen für die Wertschöpfungsketten von Kabelsystemen, insbesondere in Bordnetzen und Schaltschränken. Der Forschungsschwerpunkt von Frau Nguyen ist die Deep-Learning-basierte optische Inspektion von Kabelsystemen und die Entwicklung von Ansätzen zur Integration von synthetischen Daten mit dem Ziel der Befähigung von datengetriebenen Lösungen in der Produktion.
Albert Scheck, M.Sc., ist Wissenschaftlicher Mitarbeiter am Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik und im Forschungsbereich Signal- und Leistungsvernetzung tätig. Der Forschungsschwerpunkt von Herrn Scheck ist die Machine-Learning-basierte optische Inspektion von Kabelsystemen für die Prozessautomatisierung der Qualitätsüberwachung.
Bernd Hofmann, M. Sc., ist Wissenschaftlicher Mitarbeiter am Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik und im Forschungsbereich Signal- und Leistungsvernetzung tätig. Der Forschungsschwerpunkt von Herrn Hofmann ist die Machine-Learningbasierte Auswertung von Zeitreihen für die Prozessüberwachung und Qualitätsprüfung.
Moritz Meiners, M. Sc., leitet bei Schäfer Werkzeug- und Sondermaschinenbau GmbH die Gruppe Digitalisierung und verantwortet im Rahmen des Förderprojekts “DeepCrimpact” die operative Projektleitung.
Stefan Neubauer, geb. 1963, leitet bei Schäfer Werkzeug- und Sondermaschinenbau GmbH die Gruppe Marktentwicklung und verantwortet im Rahmen des Förderprojekts „OptiCrimp“ die operative Projektleitung.
Dr.-Ing. Alexander Schäfer ist Geschäftsführer der Schäfer Werkzeug- und Sondermaschinenbau GmbH und leitet zusätzlich die Abteilung Forschung und Entwicklung. Die Firma Schäfer ist ein mittelständisches Familienunternehmen, dessen Kernkompetenz seit über 35 Jahren im Bereich von Werkzeugen und kundenspezifischen Sondermaschinen für die Kabel- und Kontaktverarbeitung liegt. Im Rahmen des Förderprojekts “DeepCrimpact” verantwortet die Firma Schäfer zudem die Rolle als Konsortialführer.
Prof. Dr.-Ing. Jörg Franke, geb. 1964, leitet seit 2009 den Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS) an der Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU).
Danksagung
Das Forschungs- und Entwicklungsprojekt „DeepCrimpact“ wird vom Bundesministerium für Bildung und Forschung (BMBF) gefördert (Förderkennzeichen 01IS22027D) und vom Projektträger „Deutsches Zentrum für Luft- und Raumfahrt e. V.“ betreut.
Das Forschungs- und Entwicklungsprojekt „OptiCrimp“ wird vom Bundesministerium für Wirtschaft- und Klimaschutz gefördert (Förderkennzeichen KK5351201PR1) und vom Projektträger „AiF Projekt GmbH“ betreut.
Literatur
1 Meiners, M.; Kuhn, M.; Franke, J.: Manufacturing Process Curve Monitoring with Deep Learning. Manufacturing Letters 30 (2021), S. 15–18 DOI:10.1016/j.mfglet.2021.09.00610.1016/j.mfglet.2021.09.006Suche in Google Scholar
2 Nguyen, H. G.; Franke, J.: Deep Learning-based Optical Inspection of Rigid and Deformable Linear Objects in Wiring Harnesses. Procedia CIRP 104 (2021), S. 1765–1770 DOI:10.1016/j.procir.2021.11.29710.1016/j.procir.2021.11.297Suche in Google Scholar
3 Alom, M. Z. et al.: The History Began from AlexNet: A Comprehensive Survey on Deep Learning Approaches (3. März 2018). Online unter https://arxiv.org/pdf/1803.01164[Zugriff am 03.10.2022]Suche in Google Scholar
4 Gamboa, J. C. B.: Deep Learning for Time-Series Analysis (7. Jan. 2017). Online unter https://arxiv.org/pdf/1701.01887 [Zugriff am 03.10.2022]Suche in Google Scholar
5 Nguyen, H. G.; Kuhn, M.; Franke, J.: Manufacturing Automation for Automotive Wiring Harnesses. Procedia CIRP 97 (2021), S. 379–384 DOI:10.1016/j.procir.2020.05.25410.1016/j.procir.2020.05.254Suche in Google Scholar
6 Grander, E.: Komplexe Qualitätsüberwachung beim Crimpprozess: Einfach besser. productronic (2010) 6/7, S. 58–60Suche in Google Scholar
7 Heimel, D.: Deep Learning: Ende der manuellen Sichtprüfung? Online unter https://mav.industrie.de/peripherie/qualitaetssicherung/deep-learning-endeder-manuellen-sichtpruefung[Zugriff am 03.10.2022]Suche in Google Scholar
8 Nguyen, H. G.; Meiners, M.; Schmidt, L.; Franke, J.: Deep Learning-based Automated Optical Inspection System for Crimp Connections. In: Proceedings of the 10th International Electric Drives Production Conference (EDPC), 2020, S. 1–5 DOI:10.1109/EDPC51184.2020.938820310.1109/EDPC51184.2020.9388203Suche in Google Scholar
9 Meiners, M.; Mayr, A.; Kuhn, M.; Raab, B.; Franke, J.: Towards an Inline Quality Monitoring for Crimping Processes Utilizing Machine Learning Techniques. In: Proceedings of the 10th International Electric Drives Production Conference (EDPC), Ludwigsburg, Germany 2020, S. 1–6 DOI:10.1109/EDPC51184.2020.938820710.1109/EDPC51184.2020.9388207Suche in Google Scholar
10 Guerrero, R. C.; Lavernia, M. de Los A. A.; Marmolejo, S.: Prediction of Press-Fit Quality via Data Mining Techniques and Artificial Intelligence. IEEE Access 7 (2019), S. 159599–159607 DOI:10.1109/ACCESS.2019.295064210.1109/ACCESS.2019.2950642Suche in Google Scholar
© 2023 Walter de Gruyter GmbH, Berlin/Boston, Germany
Artikel in diesem Heft
- Inhalt
- Editorial
- Qualitätsmanagement im Wandel
- Fehlermanagement
- Datengetriebenes Fehlermanagement in der Produktion
- Qualitätsüberwachung
- Ganzheitliche und auf maschinellen Lernverfahren basierende Qualitätsüberwachung
- Fabrikplanung
- Fabrikumzüge im Rahmen von Reorganisationsprojekten
- Prozessoptimierung
- ISAK: Ein flexibler Ansatz zur Optimierung von Prozessen in KMU
- Supply-Chain-Simulation
- Catena-X – Online Steuerung und Simulation
- Agilität
- Gestaltung resilienter Produktionsnetzwerke mit Agilitätsbefähigern
- Anforderungsmanagement
- Resilient Requirements Engineering
- Diskontinuität
- Frühaufklärung produktionstechnischer Defizite
- Kundenbindung
- Neue Produkte erfordern neue Denkweisen zur Einführung
- Instandhaltung
- Systemdiagnose an haustechnischen Kompensator-Installationen
- Dämpfung
- Hochdämpfende Metall-Graphit-Verbundwerkstoffe in Werkzeugmaschinen
- Digitalisierung
- Erfolgsfaktoren digitaler Geschäftsmodelle für OEM in der Automobilindustrie
- KI und IoT – Treiber der Digitalen Transformation
- Künstliche Intelligenz
- Kontinuierliche Verbesserung eines KI-Systems
- Potenzialanalyse von KI-Anwendungen in der Produktion
- Cyber-Sicherheit
- Cyber-Security-Herausforderungen im Kontext von Engineering 4.0
- Maschinelles Lernen
- Befähigung von KMU zur Nutzung von Machine-Learning-Potenzialen
- Vorschau
- Vorschau
Artikel in diesem Heft
- Inhalt
- Editorial
- Qualitätsmanagement im Wandel
- Fehlermanagement
- Datengetriebenes Fehlermanagement in der Produktion
- Qualitätsüberwachung
- Ganzheitliche und auf maschinellen Lernverfahren basierende Qualitätsüberwachung
- Fabrikplanung
- Fabrikumzüge im Rahmen von Reorganisationsprojekten
- Prozessoptimierung
- ISAK: Ein flexibler Ansatz zur Optimierung von Prozessen in KMU
- Supply-Chain-Simulation
- Catena-X – Online Steuerung und Simulation
- Agilität
- Gestaltung resilienter Produktionsnetzwerke mit Agilitätsbefähigern
- Anforderungsmanagement
- Resilient Requirements Engineering
- Diskontinuität
- Frühaufklärung produktionstechnischer Defizite
- Kundenbindung
- Neue Produkte erfordern neue Denkweisen zur Einführung
- Instandhaltung
- Systemdiagnose an haustechnischen Kompensator-Installationen
- Dämpfung
- Hochdämpfende Metall-Graphit-Verbundwerkstoffe in Werkzeugmaschinen
- Digitalisierung
- Erfolgsfaktoren digitaler Geschäftsmodelle für OEM in der Automobilindustrie
- KI und IoT – Treiber der Digitalen Transformation
- Künstliche Intelligenz
- Kontinuierliche Verbesserung eines KI-Systems
- Potenzialanalyse von KI-Anwendungen in der Produktion
- Cyber-Sicherheit
- Cyber-Security-Herausforderungen im Kontext von Engineering 4.0
- Maschinelles Lernen
- Befähigung von KMU zur Nutzung von Machine-Learning-Potenzialen
- Vorschau
- Vorschau
