Fraunhofer-Gesellschaft
Das Fraunhofer-Institut für digitale Medientechnologie IDMT, Ilmenau, stellt auf der Control 2023 ein Verfahren zur akustischen Qualitätssicherung basierend auf Schallanalyse und künstlicher Intelligenz vor, welches eine gewinnbringende Ergänzung zu optischen Prüfverfahren liefern kann, wenn diese an ihre Grenzen stoßen.
Qualität sichern, Prozesse stabilisieren, Künstliche Intelligenz verstehen
Das KI-basierte akustische Monitoring (amo) kann einen großen Mehrwert bei der Prozessüberwachung, in der Inline- und End-of-Line-Qualitätskontrolle von Produkten sowie für Predictive Maintenance-Anwendungen liefern. In der Produktion können Probleme hinsichtlich unerwarteter Maschinenstillstandszeiten, Herstellung schlechter oder zerstörter Produkte sowie geringe Automatisierungsquoten durch den Einsatz von amo gelöst werden.
Ziele des akustischen Monitorings sind es, die Produktion des Anwenders zu optimieren, Prozesse zu stabilisieren, die Inanspruchnahme von Regress zu vermeiden sowie Fehlproduktionen zu reduzieren.
KI hört und klassifiziert Fehler richtig
Der erfolgreiche Einsatz des innovativen Prüfverfahrens konnte bereits in der Inline- Qualitätskontrolle von Schweißnähten bewiesen werden. Derzeit wird an Ansätzen zur Überwachung unterschiedlicher Fertigungsverfahren, u. a. aus den Bereichen Schweißen und Zerspanen geforscht. Expertenwissen zu geeigneten Sensor-Setups, Sensordatenfusion, die Verarbeitung von Sensordaten ohne Verbindung zu einer externen Cloud sowie energie-effiziente KI-Modelle spielen in allen Forschungsansätzen eine maßgebliche Rolle.
Prinzipdemonstrator zur akustischen Ereignisdetektion (AED)
Demonstriert wird das neuartige akustische Monitoring am Control Messestand an einem Air-Hockey-Tisch. Es kommen drei Pucks zum Einsatz, die aus verschiedenen Materialien gefertigt sind und unterschiedliche »Pling«-Geräusche verursachen, sobald sie an die Bande des Spielgeräts treffen. Während des Spielens treten diese akustischen Signale häufig und unregelmäßig auf und können mittels maschineller Lernverfahren analysiert und klassifiziert werden, und das sogar in akustisch anspruchsvollen Umgebungen.