AutoQual-I

Transfer Learning für automatisierte Qualitätsinspektion

Ausgangssituation

Unternehmen, die eine große Vielfalt an Produkten mittels einer enormen Bandbreite von Produktionsverfahren und -prozessen herstellen, sehen eine besondere Herausforderung in dem aktuellen Trend nach flexibler Produktion in kleinen Losgrößen und mit laufend wechselndem bzw. erweitertem Typenprogramm: die generell extrem hohen Qualitätsanforderungen müssen auch in diesem Umfeld jederzeit wirtschaftlich optimal erfüllt werden. Verschärft wird die Herausforderung noch zusätzlich durch die globale Verteilung der Produktion in einem regional variierenden Umfeld von Qualitätsstandards bzw. - Bedingungen. Herkömmliche Qualitätssicherungssysteme stoßen dabei an ihre Grenzen, da sie nur die unmittelbaren task-spezifischen Daten für das jeweilige Inspektionsproblem verwenden.

Ziele und anvisierte technologische Entwicklungen

Das vorgeschlagene Forschungsprojekt adressiert dieses Problem mittels auf Deep Transfer Learning beruhenden Methoden , um Qualitätswissen von einem Bauteil A auf ein ähnliches Bauteil B übertragen zu können. Ziel dabei ist, auf diese Weise bisher ungenutzte Daten unterschiedlicher Modalitäten aus unterschiedlichen Prüfsystemen nutzbar zu machen, um letztendlich die Modelle für die Qualitätsinspektion zu optimieren. Um die Universalität des Ansatzes sicher zu stellen, werden bei der  Entwicklung des Frameworks unterschiedliche Datenmodalitäten (optisch, akustisch etc.). Aus verschiedenen Use Cases zugrunde gelegt. Insbesondere sollen diese Methoden anhand von akustischen und optischen Qualitätsinspektionsaufgaben basierend auf diversen, in diesem Kontext neuartigen NDT Verfahren (u.a. Schallemssionsprüfung, Laser- Ultraschall, Optische Kohärenztomographie) erforscht werden. Im Anschluss sollen diese Methoden für Varianten in der Produktion von Sintermetallteilen, Reibbelägen und Gleitlagern für den Zuliefer- Markt, insbesondere anhand geringer Losgrößen, evaluiert werden.

Projektergebnis

Als zentrales Ergebnis soll ein als „Fog Computing Cloud“ konzipiertes Software Framework samt datengetriebener Methodik und Workflows  für die Integration in die industrielle Umgebung erforscht werden, das es erlaubt, die Daten - und Wissensbasis für eine Qualitätsinspektionsinstanz durch ungenutzte Qualitätsdaten von Produktvarianten zu erweitern, um so die Prüfgenauigkeit, Robustheit und Objektivierbarkeit zu erhöhen. Dieses Projekt zeigt exemplarisch anhand der Thematik automatisiert er, zerstörungsfreier Qualitätsinspektion auf, wie aktuelle daten- getriebene Modellierungstechnologien der Künstlichen Intelligenz mithilfe von Transfer Learning auf die Bedürfnisse der produzierenden Industrie übertragen und Synergien nutzbar gemacht werden können. Auf diese Weise liefert dieses Projekt wichtige konzeptionelle und technische Grundlagen für den anstehenden Transformationsprozess der Digitalisierung und Flexibilisierung.

Projektdauer

02. 2018 Projektstart (Dauer 36 Monate)

Fördergeber

Das Projekt wird im Rahmenprogramm Produktion der Zukunft gefördert.

Wieser Volkmar

Senior Research Project Manager Data Science
Telefon: +43 50 343 844