Expertenbeitrag

 Britta Hilt

Britta Hilt

Geschäftsführung, IS Predict GmbH

KI-Datenanalyse KI vermeidet Fehlhübe im Karosseriebau

Autor / Redakteur: Britta Hilt und Richard Martens* / Stefan Guggenberger

Künstliche Intelligenz zieht in die Produktion ein. Doch was steckt dahinter? Bei einem internationalen Automobilhersteller werden dank KI-Datenanalyse fehlerhafte Verformungen an der Karosserie vermieden, bevor diese auftreten können.

Firmen zum Thema

Die Blechverformung der Autokarosserie erfordert höchste Qualität und Präzision. Liegt das Blech nur leicht falsch, entsteht ein Fehlhub und somit Ausschuss
Die Blechverformung der Autokarosserie erfordert höchste Qualität und Präzision. Liegt das Blech nur leicht falsch, entsteht ein Fehlhub und somit Ausschuss
(Bild: FredFroese)

In der Automobilindustrie werden die Produktionsmaschinen oft stark belastet. Beispielsweise erzeugt eine Karosseriepresse bei jedem Hub Verformungen im Metall, die natürlich mit entsprechender Kraft durchgeführt werden müssen. Unter dieser mechanischen Belastung leiden sowohl die Roboter, welche die Zu- und Wegführung des Materials durchführen, als auch die Schablonen, die die zukünftige Autotür oder den zukünftigen Kofferraumdeckel verformen.Verschleiß an den Anlagen hat jedoch Auswirkungen auf die Genauigkeit, und somit auf die Qualität der geformten Karosserieteile.

Bevor beispielsweise eine Autotür ihre finale Form hat, wird sie in der Karosseriepresse in sechs unterschiedliche Formen gepresst. Roboter, sogenannte Orientierstationen, legen passgenau das entsprechende Blech in die jeweilige Schablone. Die Kraft des Hubes verformt dann – sozusagen mit Leichtigkeit – das Metall. Die Roboter legen das Metall in den jeweils nächsten Bearbeitungsschritt, bis die Autotür ihr endgültiges Aussehen erreicht hat. Die Vibration der Hübe ist sehr deutlich zu spüren und hat Auswirkungen auf die mechanischen Bauteile wie beispielsweise die Orientierstation-Roboter. Diese müssen immer wieder nachjustiert werden, damit sie das Blech präzise auf die Schablonen legen. Liegt das Blech nur leicht falsch, entsteht ein Fehlhub und somit Ausschuss.

Auch die Schablonen selbst sind extremen mechanischen Belastungen ausgesetzt. Wenn die Schablonen – selbst kleinste - Schäden davontragen, hat dies Auswirkungen auf die Qualität des zu verformenden Bleches. Je später ein Fehler im Produktionsprozess entdeckt wird, desto kostspieliger wird bekanntermaßen dessen Behebung.

Was für den Maurer die Steine, sind für Data Scientists die Daten

Damit Künstliche Intelligenz zukünftige Fehlhübe erkennen kann, benötigt sie natürlich Daten. Daher liefern Sensoren Daten für Ströme (Schritt-Strom, Hub-Strom, Schwenk-Strom), Beschleunigung und Geschwindigkeit.

Außerdem liegen Daten vor, um die jeweiligen Schablonen zu identifizieren und auch Daten über die bisher entstandenen Probleme; also wann mussten welche Orientierstation-Roboter neu justiert werden, da sie nicht mehr präzise das Metall auf die Schablone positioniert haben. Oder wann mussten welche Schablonen repariert werden.

Diese Daten bildeten die Grundlage für selbstlernende Algorithmik: Die KI deckt verwobene Muster in diesen Daten auf, die hin zu einem Störfall führen. Sobald im operativen Betrieb diese Muster – oft nur in ähnlicher Form – auftreten, erzeugt die KI einen Alarm. So können in der nächsten, geplanten Stillstandsphase, beispielsweise wenn die Presse umgerüstet wird von der Produktion der Autotür zur Produktion des Kofferraumdeckels, gezielt die Orientierstation-Roboter justiert werden, bevor tatsächlicher Schaden entstanden ist. Auch können - während der Kofferraumdeckel gepresst wird – die Schablonen für die Autotür gezielt verbessert werden, bevor in der nächsten Nutzung die Schablonen Fehlformungen verursachen würden. Mit der KI-Datenanalyse werden also zukünftig Probleme verhindert, ohne dass der Betriebsablauf gestört wird.

Selbstlernende KI-Auswertungsalgorithmik

Doch wie genau gehen diese KI-Logiken vor? Die Daten werden automatisiert analysiert und auf Datenmuster hin zu den Ausfällen untersucht. Sogenannte Anomaliekennzahlen werden generiert. Dabei handelt es sich um komplexe Kennzahlen, die nicht auf festen Regeln basieren, sondern auf miteinander verwobenen Datenmustern, welche stabile Verhaltenstrends hin zu einem Ausfall bilden. Man kann es – grob – vergleichen mit einem EKG, das ein Bild vom Gesundheitszustand des Menschen darstellt. Auch die KI ermittelt den ‚Gesundheitszustand‘, jedoch für präzise Arbeit von Robotern oder Schablonen. Dank der guten KI-Prognosefähigkeiten können die ‚Gesundheitszustände‘ verlässlich vorhergesagt werden. Dadurch entsteht ein zuverlässiges Frühwarnsystem.

KI sagt Probleme an Karosseriepresse mit 99,x Prozent Genauigkeit voraus.
KI sagt Probleme an Karosseriepresse mit 99,x Prozent Genauigkeit voraus.
(Bild: IS Predict)

Für eine nachhaltige Qualitätsoptimierung ist es jedoch wichtig, dass die KI mitlernt; denn die Prozesse sind immer komplexer und variantenreicher, als das auf den ersten Blick erscheint. So hat die oben-beschriebene Karosseriepresse beispielsweise 42 Schablonensets, da 42 unterschiedliche Blechteile in ihre Form gepresst werden können. Jedes Set besteht aus sechs Schablonen. So kommen schnell über 250 verschiedene Kontexte zusammen. Was vermieden werden muss, ist, dass die KI für das Schablonenset ‚Kofferraumdeckel Automodell 4711‘ gut funktioniert, aber bei dem Schablonenset ‚Kofferraumdeckel Automodell 4712‘ nur Fehlalarme meldet. Also muss die KI-Algorithmik – wie wir Menschen auch – Veränderungen verstehen.

Ein Vorgehen für Künstliche Intelligenz-Projekte, das sich bewährt hat.
Ein Vorgehen für Künstliche Intelligenz-Projekte, das sich bewährt hat.
(Bild: IS Predict)

Wenn dieses Verständnis nur durch Data Scientists realisiert werden kann, welche die KI-Algorithmik jeweils wieder anpassen, dann funktioniert es zwar, hat aber zwei Nachteile: Einerseits hinkt die KI immer der veränderten Realität hinterher. Und andererseits müsste der Automobilhersteller immer wieder Data Scientists beauftragen. Selbst wenn das Budget problemlos verfügbar wäre, so würde dieses manuelle Verfahren an seine Grenzen stoßen, wenn der Automobilhersteller nicht nur eine Presse, sondern alle Pressen in allen Standorten weltweit mit der KI ausstatten wollte; denn Data Scientists werden auf dem Markt sehr nachgefragt und es gibt jetzt schon viele offenen Stellen.

Somit werden sich nur KI-Lösungen durchsetzen, die nicht ‚nur‘ mathematisch gute Ergebnisse liefern, sondern auch wirtschaftlich skalierbar sind. Hier kommt Selbstlernalgorithmik mit dynamischen und adaptiven Lernen zum Tragen.

* Britta Hilt ist geschäftsführende Gesellschafterin für die Bereiche Marketing und Vertrieb bei IS Predict. Richard Martens ist geschäftsführender Gesellschafter für Forschung und Entwicklung bei IS Predict.

(ID:47700942)