Expertenwissen für Algorithmen nutzbar machen: KI-gestützte Qualitätskontrolle der Laserbeschriftung II

KI-Anwendungsprojekt mit Technoform Bautec Kunststoffprodukte GmbH

Im letzten Blogbeitrag stellten wir den Anwendungsfall und die zentralen Fragestellungen zur Integration des umfangreichen Anlagen-, Qualitätsmanagement- und Instandhaltungswissen in ein hybrides KI-System zur automatisierten Fehlerdiagnose im Projekt vor. Heute möchten wir über das methodische Vorgehen zur Erstellung eines hybriden KI-Modells berichten. In einem ersten Schritt wurden hierzu wesentliche technische Funktionen (z.B. Profiltransport und -führung, Laserbeschriftung) der betrachteten Anlage beschrieben. Ergebnis dieses ersten Analyseschritts ist ein gerichteter Graph, der die übergeordnete Funktion des „Herstellens einer Laserbeschriftung auf einem Kunststoffprofil“ in klar definierte, abgegrenzte Teilfunktionen dekomponiert.

In Anlehnung an die methodische Fehlermöglichkeits- und Einflussanalyse (FMEA) wurden im zuvor erstellten gerichteten Graphen mögliche Fehlerursachen auf Komponentenebene sowie entstehende Folgefehler bis hin zur Anlagenebene beschrieben und miteinander verknüpft. Damit ergibt sich ein nachvollziehbares Bild, wie Fehlerursachen (z.B. ein zu großes Spiel der Profilführung) kausal über assoziierte Folgefehler mit der Beschriftungsqualität (z.B. fehlerhafte Anordnung des Schriftzuges) zusammenhängen. Durch das methodische Vorgehen gelang es 18 mögliche Fehlerursachen durch kausale Beziehungen mit den vier aus der Bildverarbeitung bestimmbaren Qualitätsmerkmalen zu verknüpfen.

Im Rahmen der folgenden Arbeitstreffen wurden die identifizierten Fehlerursachen und die beobachtbaren Symptome zur Bestimmung von insgesamt 30 kausalen Regeln zur Fehlerursachendiagnose und acht Regeln zur Ableitung von Handlungs- und Instandsetzungsinformationen genutzt. Damit konnten gegenüber einem Grey-Box-Modell-Ansatz ca. 98 % der Modellparameter durch die Integration von Expertenwissen eingespart werden.

Zur Beschreibung kausaler Zusammenhänge nutzt das KI-Modell Symbole (Aussagen), die durch aussagelogische Junktoren (z.B. „und“, „oder“, „impliziert“) verknüpft werden. Die Eingangsinformationen der Bilderkennung (linke Seite in der Abbildung) werden durch die kausalen Regeln in konkrete Handlungsanweisungen (rechte Seite in der Abbildung) übersetzt. Die Parameter des Modells sind in den aussagelogischen Schlussfolgerungen („Wenn-Dann-Regeln“) des Modells (magentafarbene Kreise in der Abbildung) kodiert. Da zum aktuellen Zeitpunkt noch keine umfangreichen Trainingsdaten für ein maschinelles Erlernen dieser Modellparameter vorlagen, wurden auf Basis der Expertise des Qualitätsmanagements und der Anlagenbediener sinnvolle Annahmen getroffen. Sobald Daten für ein Training bereitstehen, können die Modellparameter durch überwachtes Lernen trainiert und feinjustiert werden.