KIKA-IPK
KI-kognitionsunterstützendes Assistenzsystem zur Inprozesskontrolle in der Fertigung: selbstlernende Bildmerkmalskorrelation mit Prozesseigenschaften zur ressourceneffizienten Prozess- und Materialkonfiguration
Kurzbeschreibung:
Das Ziel ist die Entwicklung eines KI-kognitionsunterstützenden Assistenzsystems zur Inprozesskontrolle (KIKA-IPK), welches durch selbstlernende Bildmerkmalskorrelationen mit Prozesseigenschaften eine ressourceneffizientere Prozess- und Materialkonfiguration ermöglicht. Hierbei wird das Erfahrungswissen des Maschinenbedieners zur Verbindung visueller Qualitätsmerkmale einerseits und Prozesseigenschaften andererseits durch maschinelle Lernverfahren modelliert. Als Projektergebnis wird ein Assistenzsystem angestrebt, das durch die Abbildung optischer Qualitätsmerkmale des Produkts und seiner Prozessgrößen in einem KI-Modell während der Fertigung eine ressourceneffizientere Zielkonfiguration der Prozessparameter ermöglicht. Für den maschinellen Lernvorgang werden von den Anwendungspartnern optische Bildmerkmale, wie bspw. Oberflächentextur, Schweißbad, Tröpfchen und Meniskus und dazugehörigen Prozessdaten für die adressierten additiven Fertigungsverfahren über eine Cloud-Schnittstelle zur Verfügung gestellt. Das KI-Modell wird für zwei Anwendungsszenarien, das additive Auftragschweißen von Metallen und Drop-on-Demand Verfahren für den personalisierten Medikamentendruck, unter fertigungsnahen Bedingungen demonstriert.
Der Lösungsansatz erlaubt es, systematisch die derzeit erforderlichen kognitiven menschlichen Fähigkeiten in der Reaktion auf Abweichungen in der additiven Fertigung zu erkennen, aus dem antrainierten Erfahrungswissen der Akteure mit den Prozesseigenschaften zu korrelieren und adäquate Maßnahmen in Echtzeit über die Maschinensteuerung einzuleiten, auf die maschinelle Fähigkeiten der KI zu übertragen. Der Innovationsaspekt des vorgestellten Lösungsansatzes, der über den Stand der Technik hinausgeht, besteht daher in der maschinellen Erkennung neuer Qualitätsmerkmale, die Korrelation auf relevante Prozesseigenschaften mit entsprechenden Prozessstellgrößen und die angemessene Intensitätsanpassung dieser Stellgrößen über die Prozesssignale.
Ansprechpartner
| Sekretariat | PTZ5 |
|---|---|
| Raum | PTZ 440 |
| Adresse | Pascalstr. 8-9 10587 Berlin |
Problemstellung
Methoden des maschinellen Lernens haben im Bereich der industriellen Bildverarbeitung zur Produktcharakterisierung signifikante Vorteile hinsichtlich Skalierbarkeit und Zuverlässigkeit eröffnet. In industriellen Anwendungen stehen den Vorteilen Herausforderungen, wie die mangelnde Rückvollziehbarkeit auf Prozesszusammenhänge und der Bedarf an Echtzeitdatenverarbeitung großer Datenmengen, gegenüber. In der Praxis behindern die Kosten der Datenaufnahme, fehlende Trainingsdaten und der Mangel an KI-Fachkräften mit Prozesskompetenz die Anwendung von KI-Methoden. Das Potenzial besteht in der Entwicklung eines „Mensch-KI-Hybrider“ Ansatzes. Dieser soll dazu gebracht werden, aus dem Erfahrungswissen der Akteure entlang der Wertschöpfungsprozesse zu lernen, um beispielsweise selbständig Produktmerkmale mit Prozesseigenschaften zu erkennen, zu verknüpfen und zu bewerten sowie Maßnahmen zur Regelung mit dem Zweck einer gesteigerten Ressourceneffizienz zu ermöglichen.
Ziel und angestrebte Projektergebnisse
Ziel ist die Entwicklung von skalierbaren KI-Cloud-Diensten, die durch einfaches „Plug-and-Play“ vom Prozesswissen der Akteure lernt, um eine bildgestützte Produktcharakterisierung, eine Kompensation von Qualitätsabweichungen und eine autonome Prozessanpassungen auf neue Produktmerkmale zu ermöglichen.
Als Projektergebnis wird ein skalierbares Assistenzsystem angestrebt, das durch die Abbildung optischer Qualitätsmerkmale des Produkts und seiner Prozessgrößen in einem KI-Modell während der Fertigung eine Inprozesskontrolle, -steuerung und -regelung dienstebasiert ermöglicht. Für den maschinellen Lernvorgang werden von den Anwendungspartnern optische Bildmerkmale, wie bspw. Oberflächentextur, Schweißbad, Tröpfchen und Meniskus, sowie dazugehörige Prozessdaten für die adressierten additiven Fertigungsverfahren über eine Cloud-Schnittstelle zur Verfügung gestellt. Das KI-Modell wird für zwei Anwendungsszenarien, das additive Auftragschweißen von Metallen und DoD-Verfahren für den personalisierten Medikamentendruck, unter fertigungsnahen Bedingungen demonstriert.
Vorgehensweise
Im Rahmen des FuE-Vorhabens wird das KIKA-IPK Verfahren entwickelt, das es ermöglicht, aus visuellen Produktmerkmalen auf Prozesskenngrößen, die kaum messbar sind, zurückzuschließen. Hierdurch ist es möglich, den Prozess gezielt so zu regeln, dass Qualitätsabweichungen während der Fertigung kompensiert und auf neue Produktmerkmale effizient angepasst werden. Dazu sind die Bild-, Prozess- und Material-Datenströme sowie das Nutzerfeedback während der Fertigung über die Schnittstelle des „KI-kognitionsunterstützenden Assistenzsystems“ (KIKA) zu analysieren und die Ergebnisse den Akteuren sowie der Maschinensteuerung in Echtzeit zu übermitteln. Die KI-Dienste werden in zwei Szenarien für die additive Fertigung, 3D Metalldrucken mit Stahl und den personalisierten Medikamentendruck integriert und das Ressourceneffizienzpotenzial in der industriellen Anwendung demonstriert.
Methodik
Im Rahmen des FuE-Vorhabens werden Verfahren entwickelt, die es ermöglichen, aus visuellen Produktmerkmalen auf Prozesskenngrößen zurückzuschließen, die kaum messbar sind. Hierdurch wird es möglich, den Prozess gezielt so zu regeln, dass Qualitätsabweichungen während der Fertigung kompensiert und auf neue Produktmerkmale effizient Angepasst werden. Dazu werden die Bild-, Prozess- und Material-Datenströme sowie das Nutzerfeedback während der Fertigung über die Schnittstelle des „KI-kognitionsunterstützenden Assistenzsystems“ (KIKA) analysiert und die Ergebnisse nachvollziehbar den Akteuren sowie der Maschinensteuerung in Echtzeit übermittelt. Die KI-Dienste werden in zwei Szenarien für die additive Fertigung, 3D‑Metalldrucken mit Stahl und den personalisierten Medikamentendruck integriert und das Ressourceneffizienzpotential in der industriellen Anwendung demonstriert.
Anwendungspotenzial
Nach Abschluss des Vorhabens werden die entwickelten KI-Dienste bis zur Produktreife gebracht und über die PSI-Cloud Kunden angeboten. Durch die hohe Skalierbakeit des gewählten Ansatzes können vor allem in der Kleinserienfertigung und individualsierten Massenfertigung neue Märkte mit der KIKA-IPK-Technologie erschlossen und so die Wettbewerbsfähigkeit bei den Produzenten nachhaltig gesteigert werden.
Spezifische Projektziele der TU Berlin
Die Motivation der gesetzten Ziele ist, die menschlichen Fähigkeiten zur Bewertung der visuellen Qualitätsmerkmale von Produkten, Zustandserkennung von Prozesseigenschaften und die Zuordnung von Qualitätsabweichungen auf Prozessparameter auf maschinelle Fähigkeiten zu übertragen. Das Ziel wird einerseits durch die wissenschaftliche Erschließung der Lücke für eine „selbstlernende Korrelation“ zwischen optischen Qualitätsmerkmalen von Produkten und Prozesseigenschaften und anderseits durch die Integration des Nutzerfeedback zum aktiven Antrainieren der ML-Modelle erreicht. Hierfür werden die KIKA- Assistenzwerkzeuge für die Anwendungsfälle konzipiert und die erforderlichen ML-Modelle entwickelt.
Forschungsprogramm
Partner
| Projektpartner | Aufgaben | |
|---|---|---|
| PSI Metals GmbH | KI-Cloud-Dienste, Schnittstellen und Plattform → Entwicklung von Schnittstellen, Leistungsevaluierung der KI-Cloud-Dienste und Potentialevaluierung für die metallische Fertigung. | Berlin |
| TU- Berlin | KIKA-IPK Assistenzsystem → Entwicklung eines Mensch-KI-Hybrid-(ML-)Verfahrens zur zur selbstlernenden Bildmerkmalskorrelation mit Prozesseigenschaften für autonome Inprozesskontrolle und Prozesssteuerung. | Berlin |
| Gestalt Robotics GmbH | KI-Dienste zur Inprozesskontrolle (IPK) → Umsetzung von ML-Verfahren zur Produktcharakterisierung durch künstliche Generierung von Echtzeitprozesswissen aus Bildinformationen. | Berlin |
| GEFERTEC GmbH | Produktcharakterisierung beim 3D-Metalldruck → Demonstration der Inprozesskontrolle, Entwicklung von Strategien zur Anpassung an neue Produktmerkmale und Potentialevaluierung für den 3D-Metalldruck. | Berlin |
| RELIMETRICS GmbH | KI-Dienste zur Inprozessregelung (IPR) → Umsetzung von (ML)-Verfahren zur produktmerkmalgestützte Prozessregelung durch künstliche Generierung von Echtzeitprozesswissen aus Bildinformationen. | Berlin |
| BioFluidix GmbH | Produktmerkmalgesteuerte Druckkopfregelung → Demonstration der Inprozessregelung zur Echtzeitkompensation von Qualitätsabweichungen beim Druckvorgang und Leistungsevaluierung. | Freiburg |
| DiHeSys GmbH | Personalisierter Medikamentendruck → Demonstration des KIKA-IPK Assistenzsystems zur autonomen IPK und IPR sowie Potentialevaluierung in der personalisierten Medizin. | Schwäbisch Gmünd |