Künstliche Intelligenz

WISKA Hoppmann GmbH: Fehlerkategorisierung mit KI

In der Qualitätskontrolle ergeben sich vielseitige Herausforderungen, die mit Künstlicher Intelligenz gelöst werden können. Zusammen mit dem Mittelstand 4.0-Kompetenzzentrum Kiel (M4KK) entwickelt das Produktionsunternehmen WISKA Hoppmann GmbH einen Prototypen für eine KI-Lösung zur Produktionsfehlererkennung.

WISKA Hoppmann GmbH
210 Mitarbeitende
Produktion
Projekt

In der Qualitätskontrolle ergeben sich vielseitige Herausforderungen, die mit Künstlicher Intelligenz gelöst werden können. Zusammen mit dem Mittelstand 4.0-Kompetenzzentrum Kiel (M4KK) testete das Produktionsunternehmen WISKA Hoppmann GmbH die Möglichkeit, mittels Künstlicher Intelligenz Fehler nach ihrer Art zu kategorisieren.

Das Material, die Maschine und am Ende das fertige Produkt. Moderne Produktion kommt in vielen Bereichen schon lange ohne menschliche Einrgiffe aus. Neben der Rüstung müssen lediglich die Parameter an der Maschine von Mitarbeitenden kontrolliert und ggf. nachgesteuert werden. Denn auch eine Maschine arbeitet nicht durchgehend fehlerfrei. Der Ausschuss ist in der Regel minimal, doch genau um diese letzten Prozente geht es vielen Unternehmen, die nach digitalen Möglichkeiten Ausschau halten, um ihre Produktion noch effizienter und kostengünstiger zu gestalten.

Mit Künstlicher Intelligenz zur Perfektion?

Großer Hoffnungsträger ist hier vor allem die Künstliche Intelligenz. Durch die selbstlernenden Algorithmen eröffnen sich neue Möglichkeiten, die mit menschlichen Fähigkeiten nicht mehr zu leisten sind. So auch die Hoffnung von Mathias Witthoeft, Fertigungsleiter bei WISKA, der auf einer Veranstaltung des M4KK das Praxisbeispiel der Firma BAADER kennengelernt hatte, die mit einem Kamerasystem und Künstlicher Intelligenz Fisch filetieren.

„Auf die Frage hin, ob wir ähnliche Anwendungsbeispiele in unserem Betrieb haben, musste ich natürlich gleich an unsere Montageautomaten denken, die inzwischen vielfach mit Kameratest-Stationen ausgerüstet sind. Nur eben ohne Künstliche Intelligenz. Da war für uns ziemlich schnell klar, dass wir das auch haben wollen“, erklärt Herr Witthoeft. Nach einer Impulswerft mit dem M4KK, in der zunächst die Potenziale einer technischen Lösung untersucht wurden, startete WISKA das Projekt für einen Prototypen. Ziel war es, eine KI so zu trainieren, dass sie die Fehler nicht nur erkennt, sondern direkt mehreren Fehlerkategorien zuordnen kann.

Das Traditionsunternehmen WISKA Hoppmann GmbH ist Hersteller von Elektroinstallationsmaterial, Lichtprodukten und CCTV Videosystemen für Schiffbau, Industrie sowie Handwerk und produziert unter anderem Kabelverschraubungen. Das Umsetzungsprojekt mit dem M4KK beschäftigte sich mit einem Montageautomaten, der Kabelverschraubungen aus drei Teilen vollautomatisch zusammensetzt.

Herausforderung Datenmenge

Eine der großen Herausforderungen beim Einsatz von KI in kleinen und mittelständischen Unternehmen ist das Sammeln von Daten, anhand derer die KI trainiert werden kann. Denn in den seltensten Fällen sind große Mengen von Bildern für den speziellen Anwendungsfall des Herstellers im Internet oder in Datenhubs vorhanden. Das heißt: Das Sortieren von Automarken durch eine KI ist leicht umsetzbar, da es hierfür genug Daten gibt, vor allem im Internet. Wie aber die Kabelverschraubungen von WISKA aussehen sollen und welche Fehler auftreten können, dafür müssen entsprechende Bilder für das Training der KI produziert werden.

Da WISKA bereits ein Kamerasystem einsetzt, das jeden Tag unzählige Bilder produziert, schien die Grundlage bereits vorhanden zu sein. „Die Bilder sind sehr standardisiert, ein kleiner Bildausschnitt, eine nur leicht unterschiedliche Lage, immer die gleiche Perspektive. Daher dachten wir, dass wir genug Bilder haben“, erklärt Herr Witthoeft, „jedoch für die KI brauchen wir vor allem Fehlerbilder und durch unsere geringe Fehlerquote gibt es dafür zu wenig.“

Eine Lösung wäre, die Fehlerbilder für das Training der KI künstlich zu produzieren, um so genug Material zu haben. Für dieses Vorgehen ist jedoch ein hoher Ressourcen-Verbrauch notwendig, was für WISKA für dieses kleine Einstiegsprojekt nicht in Frage kam.

KI mit wenigen Daten trainieren

Das Training einer KI ist mit wenigen Daten möglich, unterliegt dann aber einigen Einschränkungen. Für das Projekt wurde zunächst ein Neuronales Netz erstellt, das das zu klassifizierende Bild als Eingabe erhält und die Klassifikation ausgeben soll. Zu Beginn kann dieses Netz natürlich noch nichts und es gibt einfach zufällige Klassen aus. Nun kommt das sogenannte "überwachte Lernen" ins Spiel. Dabei präsentiert man dem Netz Beispiele von Bildern zusammen mit der richtigen Klasse, die vorher von Menschen annotiert wurden. Annotieren bedeutet, dass der Mensch vorher festlegen muss, was Fehler A und was Fehler B ist. Anhand dieser Beispiele kann das Netz dann prüfen, ob es richtig oder falsch lag und falls es falsch lag, sich selbst anzupassen, damit es beim nächsten Mal die richtige Klasse ausgeben kann. Durch viele solcher Beispiele wird das Netz dann immer wieder angepasst bis es für möglichst alle Beispiel eine korrekte Ausgabe erzeugt. Das Ziel ist dabei, das Netz so zu trainieren, dass es am Ende auch unbekannte Bilder richtig klassifiziert. Daher ist es wichtig, möglichst viele Trainingsdaten zu haben.

Sind nur wenige annotierte Beispiele vorhanden, so ist es möglich, dass die KI zwar lernt die Bilder richtig zu unterscheiden, aber trotzdem nicht mit neuen, unbekannten Daten funktioniert. Das Neuronale Netz hat dann praktisch nur auswendig gelernt, welches Bild in welche Klasse gehört, aber nicht wieso bzw. nicht worin sich diese Klassen wirklich unterscheiden. Man spricht dann von einem Netz, das schlecht generalisiert. Je mehr Trainingsdaten vorhanden sind, desto schwerer wird es für das Netz einfach nur auswendig zu lernen und es wird gezwungen den tatsächlichen Zusammenhang zu erkennen.

Aus diesem Grund kann die bei WISKA eingesetzte KI zwar zwischen sechs Fehlertypen unterscheiden, dazulernen kann sie jedoch nicht. Dafür bräuchte sie mehr Daten. Taucht also ein neuer Fehlertyp in der Maschine auf, müsste der Algorithmus darauf wieder neu trainiert werden, um gute Ergebnisse zu produzieren. Das Training einer KI mit wenigen Daten ist also möglich, aber führt zu den oben beschriebenen Einschränkungen.

Zudem dürfen die Personalressourcen für das Training der KI nicht unterschätzt werden. Um die Trainingsdaten richtig zu annotieren, braucht es den Blick von erfahrenen Mitarbeitenden, die sehen können, um welchen Fehler es sich handelt. Daher ist das Outsourcing dieser Aufgabe an externe Arbeitskräfte in den meisten Fällen keine Option.

„Das Problem bei solchen Projekten für uns - dem Mittelstand - ist, dass die Erfahrung fehlt, wie aufwendig das ist. Zu Beginn des Projektes dachten wir, da ist eine KI, die findet die Fehler und spielt auch mit den Einstell-Parametern des Montageautomaten und versucht diesen Fehler selbständig zu reduzieren, quasi bis dieser nicht mehr auftaucht. Aber bei genauerer Betrachtung wäre ein solches Projekt viel zu überdimensioniert für uns“, erklärt Herr Witthoeft, freut sich aber, das Projekt mit dem M4KK gemacht zu haben, „das Format des M4KK ist gut. Wir wollten Erfahrungen sammeln und das haben wir getan. Wenn jetzt jemand kommt und uns eine KI-Lösung anbietet und dafür nur ein paar Daten braucht, dann kann ich jetzt genauer nachfragen. Wir wissen jetzt was KI leisten kann und welche Personalkapazitäten wir dafür brauchen.“

Analyse und Kategorisierung von Fehlertypen

Trotz des kleinen Umfanges des Projektes hat die Künstliche Intelligenz schon einen großen Nutzen für WISKA erbracht. „Die Lösung kann sechs Fehlertypen unterscheiden. Die Bilder werden im 30-Tage-Rhythmus abgespeichert, so dass man sehen kann, wie gut die Maschine gelaufen ist. Diese Fehlersuche ist eine große Erleichterung im Gegensatz zum alten System, das nur gut und schlecht unterscheiden kann“, sagt Alexander Schröder, der das Team direkt an den Montageautomaten leitet, „damit können wir die Fehler viel schneller finden und die Maschine einstellen.“

Obwohl die Weiterentwicklung des Projektes für WISKA noch zu überdimensioniert ist, fehlt es nicht an Fantasie, was in der Zukunft damit alles möglich sein könnte. „Die Zusortierung ist ein Ergebnis, das uns schon deutlich weiterbringt. Aber die automatische Steuerung der Maschine, die auch noch ihr Material selbst anfordert und dieses Szenario in Kombination mit ERP, das ist noch Zukunftsmusik, aber interessant“, sagt Herr Witthoeft.