Künstliche Intelligenz (KI) kann die Qualität von Ultraschallschweißverbindungen künftig direkt während der Produktion bewerten, ohne dass sensible Unternehmensdaten den Betrieb verlassen. Dies zeigt das vom BMFTR geförderte Forschungsprojekt FLUSH. Die Projektpartner Katulu GmbH, SUCO Robert Scheuffele GmbH & Co. KG und das Kunststoff-Zentrum SKZ entwickelten dafür ein föderiertes Lernsystem, das bereits erfolgreich unter realen Produktionsbedingungen eingesetzt wurde.
Qualitätssicherung beim Ultraschallschweißen auf neuem Level
Mit dem Projekt FLUSH (Federated Learning im Ultraschallschweißprozess zur Qualitätssicherung) wurde eine neuartige Lösung zur automatisierten Bewertung von Ultraschallschweißprozessen entwickelt. Die Qualität von Schweißverbindungen lässt sich bislang meist nur durch aufwendige und teilweise zerstörende Prüfverfahren bestimmen.
Gleichzeitig fallen in modernen Ultraschallschweißanlagen große Mengen an Prozess- und Sensordaten an, die bisher nur begrenzt genutzt werden. Ziel des Projekts war es daher, diese Daten mithilfe Künstlicher Intelligenz für eine automatische Inline-Bewertung jeder einzelnen Schweißung nutzbar zu machen.
Leistungsfähige KI bei voller Datensicherheit
Kern des Ansatzes ist der Einsatz von föderiertem Lernen. Dabei werden KI-Modelle dezentral auf den Daten einzelner Unternehmen trainiert und lediglich Modellparameter ausgetauscht, nicht jedoch die zugrunde liegenden Produktionsdaten. Auf diese Weise bleibt das prozessrelevante Know-how vollständig bei den jeweiligen Unternehmen, während gleichzeitig ein gemeinsames, leistungsfähigeres Modell entsteht. Dieses Prinzip – Maschinen lernen voneinander, ohne Daten preiszugeben – wurde im Projekt erstmals erfolgreich auf den Ultraschallschweißprozess übertragen.
Hohe Vorhersagegenauigkeit trotz dezentralem Lernen
Die technische Umsetzung erfolgte über eine Edge-basierte Infrastruktur, die Prozess- und Zeitreihendaten direkt an den Schweißanlagen erfasst und für das Modelltraining bereitstellt. Insbesondere die Nutzung hochauflösender Zeitreihendaten erwies sich als entscheidend für die Modellgüte. Das lokal trainierte KI-Modell kann die Schweißnahtfestigkeit mit einer Genauigkeit von über 90 % vorhersagen.
Das föderierte Modell erreicht eine Genauigkeit, die nur etwa 5% niedriger ist. Dies zeigt, dass eine hohe prädiktive Leistung erreicht werden kann, ohne sensible Produktionsdaten auszutauschen, während sich das Modell weiter verbessern kann, wenn mehr Daten verfügbar werden. Von der Forschung zur Produktion.
Ein weiterer Meilenstein des Projekts war die Entwicklung und Integration eines Demonstrators, der die KI-basierte Qualitätsbewertung in Echtzeit in die Produktionsumgebung überträgt. Die Lösung wurde bei SUCO implementiert und zeigt die Vorhersage der Festigkeit der Schweißungen direkt in einer intuitiven Benutzeroberfläche an. Der Demonstrator arbeitet vollständig lokal auf einem Edge Device, benötigt keine Internetverbindung und lässt sich nahtlos in bestehende Fertigungsprozesse integrieren.
„Besonders erfreulich ist, dass die Vorhersagegenauigkeit des föderiert trainierten Modells nur geringfügig hinter der eines lokal trainierten Modells zurückbleibt. Damit konnten wir zeigen, dass Datensouveränität und leistungsfähige KI-Modelle kein Widerspruch sein müssen“, sagt Mingo Kübert, Scientist Digitalisierung am SKZ.
Kompetenzen gebündelt
Das Projekt wurde in enger Zusammenarbeit von Industrie und Forschung umgesetzt. Katulu entwickelte das Federated-Learning-System, die KI-Modelle sowie den Demonstrator. SUCO stellte als Anwendungspartner reale Produktionsbedingungen und Daten aus der Fertigung bereit.
Das SKZ verantwortete die wissenschaftlich-technische Begleitung und die Datenanalyse. Darüber hinaus brachten weitere Industriepartner ihre Anforderungen und Praxiserfahrungen in die Entwicklung ein.
Datensouveräne KI für den Mittelstand
Mit den erzielten Ergebnissen liefert FLUSH einen wichtigen Beitrag zur Digitalisierung der Kunststoffverarbeitung. Insbesondere für kleine und mittlere Unternehmen (KMU) eröffnet der Ansatz neue Möglichkeiten, KI-gestützte Qualitätssicherung wirtschaftlich umzusetzen, ohne dabei sensible Daten offenlegen zu müssen. Gleichzeitig zeigt das Projekt, dass kooperative Modelle der Datennutzung ein zukunftsfähiger Weg für industrielle Anwendungen sind.
Für einen breiten industriellen Einsatz sind weitere Daten und Optimierungen erforderlich. Die im Projekt entwickelte Lösung schafft jedoch eine wichtige Grundlage für zukünftige Anwendungen. Perspektivisch könnten zusätzliche Sensordaten, beispielsweise aus thermografischen Untersuchungen, die Vorhersagequalität weiter erhöhen und den Weg zu einer 100-Prozent- Qualitätsüberwachung ebnen.
< Zurück zu Automatisierung, KI, Robotik
< Zurück zu Engineering, Industrial ...
< Zurück zu Elektronik, Komponenten
> Hier ist einer der Orte, an denen der Emittent der Veröffentlichung gebranded wird.
> Tippen Sie auf die Schaltflächen oder Logos, um zu den Profilen oder Seiten des Emittenten weitergeleitet zu werden.
