Fehlerhafte Verformungen erkennen Künstliche Intelligenz vermeidet Fehlhübe im Karosseriebau

Autor / Redakteur: Britta Hilt und Richard Martens / M.A. Frauke Finus

Künstliche Intelligenz (KI) zieht Schritt für Schritt in die Produktionshallen ein. Doch was steckt wirklich dahinter? Im Folgenden wird aufgezeigt, wie KI bei einem internationalen Automobilhersteller fehlerhafte Verformungen an der Karosserie vermeidet.

Firmen zum Thema

Die Blechverformung der Autokarosserie erfordert höchste Qualität und Präzision.
Die Blechverformung der Autokarosserie erfordert höchste Qualität und Präzision.
(Bild: Fred Froese)

In der Automobilindustrie werden die Produktionsmaschinen oft stark belastet. Beispielsweise erzeugt eine Karosseriepresse bei jedem Hub Verformungen im Metall. Unter dieser mechanischen Belastung leiden sowohl die Roboter, die die Zu-/Wegführung des Materials durchführen, als auch die Schablonen, die das Metall 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 das Metall. Die Roboter legen das Metall in den jeweils nächsten Bearbeitungsschritt, bis die Autotür ihr endgültiges Aussehen erreicht hat. Die Vibration der Hübe 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.

Bildergalerie

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.

Daten bilden Grundlage für selbstlernende Algorithmik

Damit künstliche Intelligenz zukünftige Fehlhübe erkennen kann, benötigt sie natürlich Daten. Daher liefern Sensoren Daten für Ströme, Beschleunigung, Geschwindigkeit, et cetera. Außerdem liegen Daten vor über die bisher entstandenen Probleme; also wann mussten welche Orientierstation-Roboter neu justiert wurden. Oder wann mussten welche Schablonen repariert werden.

Diese Daten bilden 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, also zum Beispiel wenn die Presse umgerüstet wird, gezielt die Orientierstation-Roboter justiert werden, bevor tatsächlicher Schaden entstanden ist. Auch können die nicht genutzten Schablonen gezielt verbessert werden, bevor in der nächsten Nutzung die Schablonen Fehlformungen verursachen würden. Es werden also Dank KI-Datenanalyse zukünftig Probleme verhindert, ohne dass der Betriebsablauf gestört wird.

Doch wie genau gehen diese KI-Auswertungsalgorithmen vor? Die Daten werden automatisiert analysiert und auf Datenmuster hin zu den Ausfällen untersucht. Sogenannte Anomaliekennzahlen werden generiert. Dies sind komplexe Kennzahlen, die nicht auf festen Regeln basieren, sondern auf miteinander verwobenen Datenmustern, welche stabile Verhaltenstrends hin zu einem Ausfall bilden. Dadurch entsteht ein zuverlässiges Frühwarnsystem.

Prozesse werden immer komplexer und variantenreicher

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 bringt. Also muss die KI-Algorithmik – wie wir Menschen auch – Veränderungen verstehen. Wenn dieses Verständnis nur durch Data Scientists realisiert werden kann, die 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 Scienctists 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 bringen, sondern auch wirtschaftlich skalierbar sind. Hier kommt Selbstlernalgorithmik mit dynamischen und adaptiven Lernen zum Tragen.

(ID:47714225)