Data Efficient Automated Learning

Maschinelles Lernen (ML) für mehr Effizienz in der industriellen Qualitätssicherung

Im industriellen Kontext wird ML immer wichtiger – insbesondere in der Qualitätssicherung. Diese ist für Unternehmen oft mit viel Aufwand verbunden, vor allem wenn strenge Fehlertoleranzvorgaben, die im Bereich kleiner 0,1 Prozent liegen können, eingehalten werden müssen. In solchen Fällen generiert jede Falschprognose des Analysesystems hohen zeitlichen und personellen Zusatzaufwand.

Passende ML-Methoden könnten diesen Aufwand signifikant reduzieren. Gerade im Industrie- und Produktionsumfeld sind aber aktuell ML-basierte Prozessoptimierungen oder Entscheidungsunterstützungen nur schwer einsetzbar. Denn die meist schon gut eingelaufenen Prozesse produzieren mit ihrer bereits geringen Fehlerquote eher einseitiges und zu wenig Datenmaterial.

Deshalb forscht die Arbeitsgruppe für Supply Chain Services in ihrer Gruppe »Data Efficient Automated Learning – DEAL« an den Einsatzmöglichkeiten von Maschinellem Lernen in Industrie und Produktion. Methoden des Deep Learnings, mit denen trotz unausgeglichener Datensätze qualitativ hochwertige Modelle trainiert werden können, werden weiterentwickelt.

Dass dieser Ansatz funktioniert, wurde in einer Machbarkeitsstudie zur Qualitätssicherung für einen Kunden aus der Automotive-Branche bestätigt. Das vor Ort verwendete Prüfsystem von Schweißpunkten, das seine Analysen über klassische Bildverarbeitungsmethoden durchführt, identifizierte weitaus mehr Fehler als tatsächlich vorlagen. Die Gruppe DEAL nutzte klassische Deep-Learning-Herangehensweisen zur Entscheidungsverbesserung. Für die Entwicklung des Algorithmus spielte die passende Evaluationsstrategie eine wesentliche Rolle. Damit konnten die geforderten Leistungskennzahlen für die Performanz in Qualität und Berechnungszeit erreicht werden.