Prozessüberwachung durch bildverarbeitende KI
-
Florian Mitschke
Florian Mitschke, M. Sc., studierte Maschinenbau an der Technischen Hochschule Mittelhessen. Er ist seit 2022 Wissenschaftlicher Mitarbeiter in der Forschungsgruppe „Center für industrielle Produktivität“ am Institut für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) der Technischen Universität Darmstadt.
und
Joachim Metternich
Prof. Dr.-Ing. Joachim Metternich ist Institutsleiter des Instituts für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) an der Technischen Universität Darmstadt und leitet die Forschungsgruppen „Center für industrielle Produktivität“ und „Management industrieller Produktion“.
Die Studierendengruppe, bestehend aus Johannes Hofmann M. Sc., Franz-Josef Manfred Jaklin M. Sc., Diego Ignacio Miranda Silva M. Sc. und Ciarán-Victor Nikolaus Veitenheimer M. Sc., hat im Rahmen eines Studienprojekts wesentlich an der Implementierung und Evaluation des vorgestellten Systems mitgewirkt.
Abstract
The proceeding automation of industrial manufacturing processes has reduced human presence on modern shop floors. Since industrial processes are still afflicted with malfunctioning, autonomous monitoring solutions are demanded. This article presents a forming use case in which AI-based image recognition is used to monitor process behaviour and prompt stops when needed. The knowledge base utilized by the AI is obtained by examining descriptive examples of abnormal process behaviour.
Abstract
Die zunehmende Automatisierung der industriellen Produktion führt zu einer steigenden Anzahl von Prozessen, die zumindest zeitweise ohne menschliche Eingriffe ablaufen. Dabei sind automatisierte Prozesse keineswegs frei von Störungen und müssen überwacht werden. Dieser Beitrag stellt anhand eines Beispiels aus der Umformtechnik vor, wie durch KI-basierte Bildverarbeitung Prozesse überwacht werden können. Dabei lernt die Künstliche Intelligenz (KI) anhand von Beispielen die Charakteristika von Fehlern im Prozess und veranlasst bei deren Auftreten einen Prozessstopp.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory-Board wissenschaftlich begutachteten Fachaufsatz (Peer Review).
About the authors
Florian Mitschke, M. Sc., studierte Maschinenbau an der Technischen Hochschule Mittelhessen. Er ist seit 2022 Wissenschaftlicher Mitarbeiter in der Forschungsgruppe „Center für industrielle Produktivität“ am Institut für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) der Technischen Universität Darmstadt.
Prof. Dr.-Ing. Joachim Metternich ist Institutsleiter des Instituts für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) an der Technischen Universität Darmstadt und leitet die Forschungsgruppen „Center für industrielle Produktivität“ und „Management industrieller Produktion“.
Die Studierendengruppe, bestehend aus Johannes Hofmann M. Sc., Franz-Josef Manfred Jaklin M. Sc., Diego Ignacio Miranda Silva M. Sc. und Ciarán-Victor Nikolaus Veitenheimer M. Sc., hat im Rahmen eines Studienprojekts wesentlich an der Implementierung und Evaluation des vorgestellten Systems mitgewirkt.
Literatur
1 Bughin, J.; Hazan, E.; Lund, S.; Dahlström, P.; Wiesinger, A.; Subramaniam, A: Skill Shift Automation and the Future of the WorkforceSuche in Google Scholar
2 Bogue, R.: Sensors for Condition Monitoring: A Review of Technologies and Applications. Sensor Review 33 (2013) 4, S. 295–299 10.1108/sr-05-2013-675Suche in Google Scholar
3 Sarker, I. H.: Machine Learning: Algorithms, Real-World Applications and Research Directions. SN Computer Science 2 (2021) 3, S. 160 10.1007/s42979-021-00592-xSuche in Google Scholar PubMed PubMed Central
4 Zheng, H.; Paiva, A.: Assessing Machine Learning Approaches to Address IoT Sensor Drift. Virtual Conference KDD’21, August 14th-18th, 2021Suche in Google Scholar
5 Capelli, L. et al.: A Structured Approach to Machine Learning Condition Monitoring. Smart Monitoring of Rotating Machinery for Industry 4.0, 2022, S. 33–54 10.1007/978-3-030-79519-1_3Suche in Google Scholar
6 Ostermann, F.: Anwendungstechnologie Aluminium. 3. Aufl., Springer- Verlag, Berlin, Heidelberg 2014 10.1007/978-3-662-43807-7Suche in Google Scholar
7 Pimenov, D. Y.; Kumar Gupta, M.; da Silva, L. R. R.; Kiran, M.; Khanna, N.; Krolczyk, G. M.: Application of Measurement Systems in Tool Condition Monitoring of Milling: A Review of Measurement Science Approach. Measuremen 199 (2022), S. 111503 10.1016/j.measurement.2022.111503Suche in Google Scholar
8 Lapuschkin, S.; Wäldchen, S.; Binder, A.; Montavon, G.; Samek, W.; Müller, K.-R.: Unmasking Clever Hans Predictors and Assessing What Machines Really Learn. Nature Communications 10 (2019) 1, S. 1–8 10.1038/s41467-019-08987-4Suche in Google Scholar PubMed PubMed Central
9 Howard, A. G.; Zhu, M.; Chen, B. et al.: MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications (2017). Online unrwe https://arxiv.org/abs/1704.04861 10.48550/arXiv.1704.04861Suche in Google Scholar
© 2024 Walter de Gruyter GmbH, Berlin/Boston
Artikel in diesem Heft
- Frontmatter
- Editorial
- KI und Automatisierung Hand in Hand
- Automatisierung
- Mehranlagenbedienung durch mehr Automatisierung?
- Entwicklung eines automatischen Open-Source-Werkzeugwechslers
- Materialversorgung effizient automatisieren
- Kreislaufwirtschaft
- Kaskadiertes Entscheidungsmodell für die werterhaltende Kreislaufwirtschaft
- Blockchain-Technologie
- Produktionssteuerungsumgebungen und ihre (technischen) Probleme
- Anlaufsteuerung
- Intelligente Anlaufsteuerung für die Batteriezellenproduktion
- Mobile Robotik
- Bausteinkasten zur Einführung flexibler mobiler Robotik
- Akustische Basissignale für mobile Logistik-Roboter
- Qualitätsüberwachung
- Verschleißdetektion in schnelllaufenden Umformprozessen mittels photometrischen Stereos
- Prozessanalyse
- Fertigungsprozessanalyse eines mittels Innenhochdruck-Umformung hergestellten Bauteils
- Antriebskonzept
- Höhere Achsdynamik durch Mehrkoordinatenantriebe in Werkzeugmaschinen
- Intralogistik
- Process Mining in der Intralogistik
- Digitalisierung
- Umsetzungsbeispiele der Software-definierten Produktion
- Künstliche Intelligenz
- Prozessüberwachung durch bildverarbeitende KI
- AI Meets Distributed Manufacturing: Wie KI die Verbreitung digitaler Fertigung fördert
- Vorschau
- Vorschau
Artikel in diesem Heft
- Frontmatter
- Editorial
- KI und Automatisierung Hand in Hand
- Automatisierung
- Mehranlagenbedienung durch mehr Automatisierung?
- Entwicklung eines automatischen Open-Source-Werkzeugwechslers
- Materialversorgung effizient automatisieren
- Kreislaufwirtschaft
- Kaskadiertes Entscheidungsmodell für die werterhaltende Kreislaufwirtschaft
- Blockchain-Technologie
- Produktionssteuerungsumgebungen und ihre (technischen) Probleme
- Anlaufsteuerung
- Intelligente Anlaufsteuerung für die Batteriezellenproduktion
- Mobile Robotik
- Bausteinkasten zur Einführung flexibler mobiler Robotik
- Akustische Basissignale für mobile Logistik-Roboter
- Qualitätsüberwachung
- Verschleißdetektion in schnelllaufenden Umformprozessen mittels photometrischen Stereos
- Prozessanalyse
- Fertigungsprozessanalyse eines mittels Innenhochdruck-Umformung hergestellten Bauteils
- Antriebskonzept
- Höhere Achsdynamik durch Mehrkoordinatenantriebe in Werkzeugmaschinen
- Intralogistik
- Process Mining in der Intralogistik
- Digitalisierung
- Umsetzungsbeispiele der Software-definierten Produktion
- Künstliche Intelligenz
- Prozessüberwachung durch bildverarbeitende KI
- AI Meets Distributed Manufacturing: Wie KI die Verbreitung digitaler Fertigung fördert
- Vorschau
- Vorschau
