Durchblick in der Produktion

KI-basierte Prozessüberwachung in der Blechumformung

Die Umformtechnik gehört zu den effizientesten Fertigungstechnologien und eignet sich, hohe Stückzahlen über hohe Werkzeugstandzeiten hinweg bei engen Toleranzen zu fertigen, von der Karosserie eines Fahrzeugs bis hin zu alltäglichen Metallbauteilen wie Steckerkontakten. Der gesellschaftliche Wandel hin zu Nachhaltigkeit, Ressourceneffizienz und Globalisierung wirkt sich auf die Dynamik und Komplexität von Produktlebenszyklen und Produktion aus [1, 2, 3]. Dabei wird die Rendite produzierender Unternehmen unmittelbar von der Ressourceneffizienz ihrer Prozesse gesteuert, was zu einem hohen Kosten- und Innovationsdruck führt [4].

In den letzten Jahrzehnten sind zwei Entwicklungen zu beobachten: Zum einen erfordern der Leichtbau und die Maximierung der Materialausnutzung im Sinne der Nachhaltigkeit, gepaart mit steigenden Kundenanforderungen, immer mehr Funktionsintegration und damit anspruchsvollere Material- und Geometrieanforderungen. Infolgedessen werden Prozesse immer komplexer und sensitiver gegenüber Veränderungen im Prozess [5]. Zum anderen steigt durch die Globalisierung der Kostendruck. Lieferketten orientieren sich an tagesaktuellen Marktpreisen und nehmen dadurch an Varianz und die Produktion infolgedessen an Flexibilität zu [6]. Diese Trends führen zu steigenden Unsicherheiten im Prozess, die in kurz-, mittel- und langfristige Unsicherheiten unterteilt werden können [7]. Fehler und Interdependenzen in Umformprozessen wirken sich auf die Werkstückqualität aus, veranschaulicht in Bild 1.

Bild 1

Unsicherheiten führen zu Schwankungen der Werkstückqualität

Die hohen Durchsatzraten müssen mit strikten Qualitätsanforderungen in Einklang gebracht werden. Limitierende Faktoren sind neben der maximal fertigbaren Hubzahl bzw. Werkstücke pro Minute auch die durch Unsicherheiten und Betriebsabläufe bedingten Stillstände, wie Inbetriebnahme, Rüstprozesse oder Werkzeugwartung [8, 27]. Eine KI-basierte Prozessüberwachung verspricht Effizienzsteigerungen, indem Sensorsignale interpretiert, Prozesszuständen zugeordnet und Fehler frühzeitig erkannt werden. Entsprechende maschinelle Lernansätze sind hierfür bereits erfolgreich etabliert [9, 11, 26]. Kubik et al. [10] zeigen, wie künstliche Neuronale Netze den Werkzeugverschleiß auf Basis von Kraftsignalen vorhersagen können. Farioli et al. [11] führen auf, wie globale und lokale Sensorsignale (Kraft und Akustik) mehrstufiger Umformprozesse kombiniert werden können, um Grenzwerte für einen verschleißbeschleunigenden Betrieb abzuleiten und Versagenszeitpunkte einzugrenzen. Molitor et al. [12] zeigen eine datengetriebene Methodik zur Prozessoptimierung in mehrstufigen Stanz- und Umformprozessen durch den gezielten Einsatz maschineller Lernverfahren. Mittels Merkmalsextraktion aus Kraft- und Beschleunigungssignalen sowie Korrelationsanalysen werden produktivitätslimitierende Faktoren identifiziert. Ein eindimensionales Convolutional Neural Network (CNN) ermöglicht die Klassifikation von Zeitreihen, um Veränderungen im Prozessablauf zu detektieren. Zur Erklärbarkeit der Modellentscheidungen wird Class Activation Mapping (CAM) eingesetzt, um relevante Signalbereiche zu visualisieren und so Ursache-Wirkungs-Zusammenhänge zwischen Prozessparametern, Reibung und Werkzeugverschleiß transparent zu machen. So wird demonstriert, dass die abgeleiteten Optimierungsmaßnahmen zu einer messbaren Prozessstabilisierung führen. Die Prozessüberwachung von Kräften, Beschleunigungen oder Wirbelströmen erfolgt überwiegend indirekt und basierend auf elektromechanischen Prinzipien. Diese Sensorsignale können nicht ohne Expertenwissen Prozesszuständen zugeordnet werden. Mittels Hüllkurven und anderer Analyseverfahren ist ein Vergleich zum Prozess im eingefahrenen Zustand möglich und damit nur eine indirekte und relative Messung des Werkzeugzustands und der Produktqualität. Außerdem muss die Integration elektromechanischer Sensorik bei der Konstruktion individuell berücksichtigt werden und erfordert einen Eingriff in die Struktur des Werkzeugs. Ist eine elektromechanisch basierte Prozessüberwachung erfolgreich realisiert, fehlt weiterhin der Zusammenhang zwischen Signalcharakteristiken und Werkstückqualität.

In diesem Beitrag soll gezeigt werden, wie durch die Kombination kostengünstiger Industriekameras mit einem geeigneten KI-basierten Ansatz zur Datenanalyse Abweichungen vom Gutteilfenster sowohl am Werkzeug als auch am Werkstück effizient identifiziert und lokalisiert werden können. Dadurch ergibt sich gegenüber elektromechanischen Sensoren der Vorteil interpretierbarer Daten und infolgedessen eine Verbesserung der Erklärbarkeit von Modellentscheidungen, welche im Anschluss an die Datenanalyse den Anlagenbedienern beispielsweise einen Prozessstopp oder einen Zeithorizont bis zur nächsten Werkzeugwartung empfehlen.

Die optische Prozessüberwachung kann diese Nachteile ausgleichen: Sie arbeitet kontaktlos, erfasst Prozess- oder Produktmerkmale direkt und ermöglicht eine für den Menschen einfach interpretierbare Datenlage. Jedoch ist der Einsatz optischer Prozessüberwachung mit einer Reihe von Hindernissen verbunden. Der begrenzte Bauraum und Schmierstoff oder Verschmutzung in den Werkzeugen verursachen eine erschwerte optische Zugänglichkeit. Weiterhin stellen große Bilddatenmengen hohe Anforderungen an die Verarbeitungsgeschwindigkeit. Darüber hinaus übersteigt die Implementierung häufig das betriebswirtschaftlich akzeptable Kosten-Nutzen-Verhältnis, da eine optische Prozessüberwachung meist speziell für einen Anwendungsfall entwickelt wird. Des Weiteren sind industrielle Bildverarbeitungssysteme sensitiv gegenüber Veränderungen in der Ausrichtung oder Beleuchtung. Je statischer und definierter die Umgebung für die optische Überwachung ist, desto erfolgversprechender ist der Einsatz optischer Sensorik. Deshalb hat die optische Erfassung bislang ihren Weg in die On-Shop-Floor-End-Of-Line-Erfassung gefunden, allerdings nur in wenigen Anwendungsfällen auch in die In-Prozessüberwachung [13].

In diesem Beitrag wird das Potenzial kostengünstiger Industriekameras in Kombination mit einem KI-basierten Ansatz zur Datenanalyse aufgezeigt. Zunächst werden wichtige technologische Fortschritte vorgestellt, sowohl in der Hardware-Entwicklung als auch bei KI-Algorithmen, mit denen Herausforderungen der Bildverarbeitung überwunden werden können. Abschließend wird das Potenzial anhand eines Anwendungsbeispiels demonstriert, bei dem Abweichungen vom Gutteilfenster sowohl am Werkzeug als auch am Werkstück effizient identifiziert und lokalisiert werden. Dabei erfolgt ein Vergleich mit elektromechanischer Sensorik.

Die genannten Limitationen können durch Nutzung maßgeblicher Technologiesprünge der letzten Jahre aufgebrochen werden. Etwaige Sprünge erleichtern die optische Prozessüberwachung und werden im nächsten Abschnitt skizziert. Im Anschluss werden die Herausforderungen bei der Datenverarbeitung diskutiert und am Beispiel einer Verschleißüberwachung beim Stanzen die Prozessüberwachung mittels elektromechanischer Kraftsensorik einem kamerabasierten Ansatz gegenübergestellt.

Technologiesprünge in der optischen Datenerfassung

Der Moore’schen Prognose folgend erfreut sich der Markt der Konsumelektronik immer höherer Rechenleistungen und der Verarbeitbarkeit immer größerer Datenmengen [14]. Dadurch befeuert, hat die Automatisierungstechnik in den Fertigungsrouten der Halbleitertechnologie enorm an Geschwindigkeit und Präzision gewonnen, wodurch Complementary Metal-Oxide-Semiconductor-Bildsensoren (CMOS) bei steigender Auflösung immer kleinere Bauräume und sinkende Stückkosten verzeichnen [15, 16]. Zu beachten ist hierbei allerdings, dass mit sinkender Pixelgröße das Signalrauschen steigt.

Die Entwicklung performanter neuronaler Netze ermöglicht, kombiniert mit leistungsfähiger Hardware wie GPUs (Graphics Processing Units), eine umfassende präzise Merkmalsextraktion aus optischen Daten [14]. Im industriellen Kontext wird so die etablierte asynchrone Qualitätskontrolle hin zu höheren Integrationsgraden in eine 100 prozentige In-Prozess-Erfassung transformiert. Bild 2 zeigt nach Kolbe [14] die steigende Genauigkeit semantisch segmentierender, also pixelweise klassifizierender, neuronaler Netze für einen Datensatz eines Leistungsvergleichstests. Die Metrik Mean-Intersection-over-Union (mIoU) bildet die Schnittmenge über der vereinigenden Menge zwischen prädizierten und tatsächlichen Bildsegmenten ab. Ein höherer mIoU-Wert bedeutet eine bessere Performanz des neuronalen Netzes.

Bild 2

Entwicklungstrends, die den Einsatz optischer Prozessüberwachungen begünstigen (Die Daten sind aus [14, 15, 16] entnommen)

Semantisch segmentierenden Ansätzen kommt eine hohe Relevanz in der industriellen optischen Erfassung von Verschleiß-zuständen von Werkzeugen zu [17].

Ein weiterer Wegbereiter ist die signifikante Speicherentwicklung in Bezug auf Kosten pro Speichereinheit und Datentransferraten.

Die optische Prozessüberwachung hat bereits ihre Anwendung in umformtechnischen Prozessen gefunden. Mittels hochintegrierter CMOS-Sensoren kann in einem Tiefziehprozess zu ausgewählten Prozesszeitpunkten der Materialfluss des Werkstücks erfasst werden [18]. Al-Baradoni [19] zeigt ein Konzept zur Erfassung von Verformungen in Stanzwerkzeugen basierend auf CMOS-Sensoren.

Molitor et al. [20] untersuchen die KI-gestützte optische Prozessüberwachung für das Werkzeugverschleiß-Management in Stanzprozessen durch die bildbasierte Klassifikation der Werkstückqualität mittels Convolutional-Neural-Networks (CNNs). Schlegel et al. [17] nutzen überwachtes Lernen für die pixelweise Segmentierung der Verschleißmerkmale auf Bildern von Stanzwerkzeugen mittels vollfaltender neuronaler Netze. Damit wird gezeigt, dass bildbasierte KI-Modelle eine zielführende Alternative zu konventioneller Sensortechnik darstellen und kontaktlose, lokalisierte und interpretierbare Verschleißerkennung ermöglichen. Die Herausforderung liegt jedoch in der robusten Modellleistung unter variierenden Umgebungsbedingungen, der Notwendigkeit großer annotierter Datensätze und der Echtzeitverarbeitung für industrielle Anwendungen. Ristea et al. [21] stellen einen Attention-Mechanismus vor, durch dessen Integration in KI-Modelle die Erfassung von Anomalien genauer und lokal präziser werden kann, und quantifizieren diese Verbesserung. Neben ersten Ansätzen zur Anomaliedetektion in [22] wird in [23] gezeigt, dass durch die Kombination des Mechanismus mit dem Prinzip der Normalizing-Flows [24] eine Robustheit der Anomaliedetektion gegenüber Beleuchtungsvariationen erreicht werden kann. Die Optimierung von Bauteileigenschaften mit extrahiertem Prozesswissen mittels bildbasierter Inline-Prozessregelung von Biegewinkeln. Molitor et al. [25] zeigen bereits vielversprechende Anwendungsbeispiele.

Trotz des technologischen Fortschritts bleibt die praktische Umsetzung dieser Lösungsansätze komplex. Besonders anspruchsvoll ist die Anpassung und Implementierung der Sensorik in das reale Prozessumfeld, das vielfältige Anforderungen an die Kamerasysteme stellt. Das optische Sensorsystem muss robust gegenüber rauen Umgebungsbedingungen, Schwankungen von Lichtveränderungen oder Verschmutzung und reaktionsfähig durch eine latenzarme Datenverarbeitung sein. Die Leistungsfähigkeit ergibt sich somit aus der Verzahnung von ingenieurtechnischem Know-how zur Bilddatenerfassung mit Datenanalyse und Modellierung, um die Vorteile der Sensorintegration in Prozesse effektiv nutzen zu können.

In-situ-Inspektion von Verschleißeffekten beim Scherschneiden

Scherschneiden stellt einen der am häufigsten eingesetzten Prozesse in der Blechverarbeitung dar. Dabei ist Werkzeugverschleiß ein limitierender Faktor für die Produktivität. Unternehmen stellen sich hier im laufenden Betrieb oftmals die Frage: Wie ist der aktuelle Verschleißzustand des Werkzeugs und ab welchem Verschleiß ist die Produktqualität außerhalb der Toleranz?

Datenerfassung

Für die Bilddatenerfassung werden zwei Basler-Industriekameras vom Typ a2A2590-22gmPRO je mit einem Ringlicht verwendet. Gleichzeitig wird die Stempelkraft über den Hub mit einem piezoelektrischen Kraftmessring der Fa. Kistler erfasst. Der aufgezeichnete Datensatz besteht jeweils für ein unverschlissenes und auch für ein verschlissenes Stanzwerkzeug aus 500 hubweise erstellten Datenpaketen mit einem Bild des Werkzeugs, des Blechbands und einer Zeitreihe des Kraftsignals. Damit kann der konventionelle, kraftbasierte Ansatz mit dem optischen Ansatz verglichen werden, wie in Bild 3 schematisch dargestellt.

Bild 3

In-situbeim Verschleißerfassung Scherschneiden mit Kraft- und Bilddaten

Datenanalyse

Anhand der Kraftdaten kann zwischen den Verschleißstadien unterschieden werden (Bild 3). Allerdings ist durch eine Analyse der Kraftdaten keine direkte Aussage über den Verschleiß oder die Produktqualität möglich, da die Stempelkraft von weiteren Faktoren wie dem Material abhängen kann. Für eine Rückführung auf den Verschleißzustand müsste für verschiedenste Materialkombinationen jeweils der kritische Verschleiß-punkt bestimmt werden.

Die optische Überwachung der Werkzeug- und Werkstückeigenschaften ermöglicht eine hubweise In-situ-Erfassung des Verschleißzustands direkt im Werkzeug. Weiterhin kann ermittelt werden, ab welchem Verschleißgrad die Bauteilqualität aus der Toleranz fällt. So können Wartungszyklen gezielt optimiert werden. Zusätzlich helfen die intuitiv interpretierbaren Bilddaten dabei, ein Verständnis für die Verschleißentwicklung aufzubauen.

Die Analyse der Bilddaten kann durch manuelle Merkmalsextraktion wie der Grathöhe oder automatisiert mittels maschineller Lernansätze erfolgen.

Entscheidend für die Wahl des Ansatzes ist nicht alleine die Performanz des Modells, sondern es sind die Betriebswirtschaftlichkeit im Produktionsalltag und die Robustheit des Ansatzes gegenüber den geringen Veränderungen im Kamerabild.

Eine Möglichkeit der automatisierten Merkmalsextraktion ist eine Anomaliedetektion. Im Folgenden wird eine Encoder-Decoder-Architektur – orientiert an [23] – verwendet. Hierbei lernt das KI-Modell (Werkzeugzustandsmodell) auf Basis von Bilddaten eines unverschlissenen Stempels, Veränderungen und damit Verschleiß zu lokalisieren.

Mit den Bilddaten des ausgestanzten Blechstreifens lernt ein weiteres KI-Modell (Blechausschnitt-Modell), wie die Schnittqualität im Soll-Zustand aussieht, und auch Eigenschaften, wie z. B. eine Veränderung des Glattschnittanteils oder der Gratbildung, die durch ein verschlissenes Werkzeug entsteht, zu lokalisieren. Beide Modelle sind damit in der Lage, das Gutteilfenster des Prozesses abzubilden.

Die Architektur besteht aus einem Encoder-Teil mit CNNs zur Merkmalsextraktion, mehreren Attention-Bausteinen [21] und Hintereinanderschaltungen sogenannter Normalizing-Flows [24], welche die Wahrscheinlichkeitsverteilungen des zugrundeliegenden Datensatzes lernen.

Ein Decoder entfaltet die mehrdimensionalen Vektoren zu der Ausgangsbildgröße. Dabei werden die Pixel im Bild mit dem Abstand des Anomaliewertes zum Erwartungswert der durch das KI-Modell gelernten Wahrscheinlichkeitsdichteverteilung farblich skaliert.

Über die Charakteristik der Farbanteile und -verteilung kann bewertet werden, wann der Stempel ausgetauscht werden soll. In Bild 4 sind in der oberen Reihe Werkzeugbilder und in der unteren Reihe Bilder des ausgestanzten Bands, nach Analyse durch das entsprechende KI-Modell, dargestellt. Auf der linken Seite wurde das nicht verschlissene Werkzeug verwendet, auf der rechten Seite das verschlissene Werkzeug. Die analysierten Bilder entstammen dem Testdatensatz.

Bild 4

Gegenüberstellung der KI-Analyse von Werkzeug- und Werkstückbildern

Die Farbskala zeigt den Grad der Anomalie, den das Modell einem Bildsegment zuordnet. Dabei stehen rötliche Farben für hohe, bläuliche für niedrige Anomaliewerte. Die Gegenüberstellung der Modellanalysen zeigt deutliche Differenzen durch signifikant erhöhte Anomaliewerte an verschleißabhängigen Bildsegmenten. Dafür sind in den Diagrammen auf der rechten Seite von Bild 4 die Häufigkeiten der Höhen der Anomaliewerte aufgetragen. Die Modellvorhersagen der verschlissenen Bilder zeigen eine Verteilung in Richtung höherer Anomaliewerte. Im Vergleich dazu liefert der elektromechanische Sensor in Bild 3 lediglich indirekte Informationen über die Schnittqualität. Bild 5 zeigt, dass sowohl der elektromechanische Sensor als auch die optische Überwachung Informationen zur Unterscheidung des unverschlissenen vom verschlissenen Werkzeugzustand bereitstellen. Hierfür ist auf der linken Seite eine Hauptkomponentenanalyse für zwei Hauptkomponenten des Kraftsignals und auf der rechten Seite der Mittelwert der aus dem KI-Modell prädizierten Anomaliehöhe pro Bild des Werkzeugs dargestellt.

Bild 5

Gegenüberstellung abstrahierter Verschleißinformationen von unverschlissenen und verschlissenen Stanzwerkzeugen mit Stanzkraftsignalen (links) und Werkzeugbildern (rechts)

Für die Umsetzung der optischen Prozessüberwachung im Anwendungsfall genügt die optische Zugänglichkeit der relevanten Flächen, ohne eine exakte Kamerapositionierung zu erfordern. Der Ansatz kombiniert die Vorteile einer kontaktlosen, flexibel einsetzbaren und interpretierbaren Überwachung mit der Möglichkeit einer pixelgenauen Anomalielokalisierung.

In Publikationen wie [23] werden Methoden zur Quantifizierung der Leistungsfähigkeit des Ansatzes analysiert. Demnach erreichen diese Modelle Sicherheiten in binären Klassifikationen (Area- Under-the-Curve-Score (AUC)) von bis zu AUC = 99,30 %. Allerdings sind in der industriellen Produktion neben der Sensitivität der Anomaliedetektion weitere Faktoren entscheidend. Fehlentscheidungen des KI-Modells, da Verschmutzung und Verschleiß nicht differenziert werden oder aufgrund von Umgebungsveränderungen Maschinenstillstände verursachen, was eine zentrale Limitation darstellt. Zudem erfordert die Integration optischer Sensorik eine hohe Robustheit gegenüber Schmiermitteln, Verschmutzung und Schwingungen sowie eine geeignete Bauraumanpassung. Die Verarbeitung großer Datenmengen sowie die kontinuierliche Modellpflege und das Nachtraining stellen weitere Herausforderungen an die informationstechnische Infrastruktur der Unternehmen. Zudem liefert die Methode keine absolute Qualitätsbewertung, sondern erkennt lediglich Abweichungen vom Referenzzustand, wodurch zusätzliches Prozesswissen zur Festlegung der Grenzwerte erforderlich ist.

Befähigt durch die genannten Technologiesprünge birgt die optische Prozessüberwachung jedoch ein erhebliches Zukunftspotential. In der industriellen Praxis wird sich häufig an der aktuellen Bauteilqualität orientiert, um den vorliegenden Prozesszustand zu bewerten. Indirekte Messprinzipien sowie Anomaliedetektion können keine eindeutigen Beziehungen zwischen Sensorsignalen und Prozessmerkmalen herstellen. Eine lückenlose Erfassung der Bauteilqualität ermöglicht die Ableitung belastbarer Zusammenhänge zwischen Prozessparametern und Produktmerkmalen. Zur Sicherstellung maximaler Produktivität ist eine kontinuierliche In-Prozess-Überwachung erforderlich, wobei die optische Erfassung insbesondere bei schnelllaufenden Umformprozessen entscheidende Vorteile bietet. Die Fusion optischer und indirekter Sensorsignale bietet dabei großes Potenzial, um das Prozesswissen aus den erfassten Daten abzuleiten. Die gesteigerte Erklärbarkeit und Interpretierbarkeit, die aus optischen Daten resultiert, fördert dabei die Akzeptanz KI-basierter Prozessüberwachung.

Zusammenfassung und Ausblick

Der optischen Prozessüberwachung kommt durch die vielfältigen Anwendungsfälle, wie der Qualitätskontrolle oder Verschlei-ßerfassung großes Potenzial zu. Durch technische Fortschritte in der Halbleiterindustrie, Kameratechnik und KI-basierten Auswertungslogiken, rückt die optische Prozessüberwachung weiter in den Fokus von Unternehmen, die beabsichtigen, ihren Wettbewerbsvorteil durch einfach zugängliches und interpretierbares Prozesswissen auszubauen. Im betrachteten Anwendungsfall wurden die aufgezeigten Technologiesprünge genutzt, um mit kostengünstigen Industriekameras sowie einer unüberwachten, KI-basierten segmentierenden Anomaliedetektion sowohl werkzeug- als auch werkstückseitig Verschleiß-effekte zu erfassen und zu bewerten. Gegenüber überwachten Lernansätzen kann damit eine wirtschaftliche Anwendung und Anpassung an die jeweilige Einbausituation des Kamerasystems erfolgen.

Im Rahmen des Forschungsprojektes „StAmping Insights“ wird die Entwicklung eines anwendungsadaptiven Kamerasystems bis hin zur kamerabasierten Prozessregelung entwickelt.