In der modernen Industrie sind Qualitätsprüfungen ein entscheidender Faktor für den Erfolg eines Unternehmens, besonders im produzierenden Gewerbe. Fehlerhafte Produkte können nicht nur zu finanziellen Verlusten führen, sondern auch das Ansehen des Unternehmens schädigen. Trotz der hohen Bedeutung solcher Prüfungen sind viele Prozesse noch immer manuell geprägt, was auf die hohe Komplexität und die Notwendigkeit von spezifischem Expertenwissen zurückzuführen ist.
Fehlerdetektion ist zudem eine ermüdende Tätigkeit, die eine dauerhaft hohe Konzentration erfordert. Eine Unterstützung durch künstliche Intelligenz (KI) bietet hier eine wertvolle Möglichkeit, den menschlichen Prüfer zu entlasten und die Leistungsfähigkeit auch bei Ermüdung zu erhalten. In einem Digitalisierungsprojekt des Mittelstand-Digital Zentrums Hannover hat das IPH – Institut für Integrierte Produktion Hannover gGmbH gemeinsam mit der Delta Test GmbH einen Prototypen für die Klassifikation von Materialfehlern bei Rohrleitungen entwickelt.
Fehlerdetektion und -klassifikation bei Wirbelstrommessungen
Ein Aufgabengebiet des Materialprüfungsunternehmens Delta Test ist die Untersuchung von Rohren aus unterschiedlichen Legierungen mittels Wirbelstromanalysen. Hierbei wird eine Sonde durch das Rohr geführt, die über den Weg tausende Messpunkte aufnimmt. Anschließend werden die Messungen digitalisiert und durch Expert*innen am Computer begutachtet.
Das primäre Ziel dieser Prüfungen ist die Identifikation und Klassifikation von Materialfehlern innerhalb und außerhalb der Rohre. Zuerst muss die prüfende Person diese Unregelmäßigkeiten akkurat erkennen; erst danach können sie entsprechend ihrer Art und Schwere klassifiziert werden. Durch diesen Prozess wird gewährleistet, dass jede Abweichung von der Norm präzise erfasst und bewertet wird, um die Integrität des Materials sicherzustellen und die Sicherheit zu erhöhen.
KI-basierte Unterstützung bei der Qualitätsprüfung von Rohren
Im Digitalisierungsprojekt des Mittelstands-Digitalzentrums wurde ein KI-basiertes Modell entwickelt, das in der Lage ist, Materialfehler in Rohren zu detektieren und zu klassifizieren. Der Prozess gliedert sich in ein zweistufiges Modell. Im ersten Schritt wurde ein Modell basierend auf dem MiniRocket-Algorithmus entwickelt, das speziell für die schnelle und effiziente Fehlerdetektion antrainiert wurde. Nachdem die Fehler erfolgreich identifiziert waren, folgte die Klassifizierung als zweiter Schritt. Hierfür wurde der YOLO-Algorithmus verwendet, der es ermöglicht, die erkannten Fehler präzise den entsprechenden Klassen zuzuordnen.
Eine der größten Herausforderungen bei der Entwicklung des Modells war die Erkennung sehr kleiner Fehler, die tendenziell übersehen wurden. Durch die Beschränkung auf größere Fehler konnte das Modell jedoch eine Genauigkeit von 98 % erreichen, was zeigt, dass KI-Modelle eine sehr hohe Präzision bei der Fehlerklassifikation erreichen können, wenn sie korrekt eingesetzt und trainiert werden.
Konstant hohe Qualität dank KI in der Materialprüfung
Erfahren Sie mehr über KI in der Qualitätssicherung!
Sie möchten mehr über den Einsatz von KI in der Fehlerdetektion und Fehlerklassifikation im Bereich der Qualitätssicherung erfahren? Unser Lernnugget Qualitätssicherung mithilfe von KI bietet einen optimalen Einstieg in das Thema.
Um konkrete Anwendungsmöglichkeiten in Ihrem Unternehmen zu besprechen, kontaktieren Sie uns gern! Unsere Expert*Innen Paulina Merkel und Paolo Pappe stehen Ihnen unter merkel@mitunsdigital.de beziehungsweise pappe@mitunsdigital.de oder telefonisch unter 0511 279 76-446 beziehungsweise 0511 279 76-331 zur Verfügung.
