Industrielle Bildverarbeitung: Edge-KI zur Fehlererkennung in Echtzeit einsetzen

AWS IoT Greengrass und Amazon SageMaker stellen einen Ansatz zur Bereitstellung von Machine-Learning-Modellen am industriellen Edge dar. Der übergeordnete Trend geht jedoch weit über das Ökosystem eines einzelnen Anbieters hinaus. Hersteller aus der Automobilindustrie, der Halbleiterbranche, der Lebensmittelverarbeitung und der Prozessindustrie setzen zunehmend auf Edge-KI und Bildverarbeitungstechnologien, um die Qualitätsprüfung und Fehlererkennung zu verbessern.

Warum sich die Erkennung von Fertigungsfehlern zum Edge verlagert

Hersteller streben weiterhin eine höhere Produktqualität, niedrigere Betriebskosten und eine größere Produktionseffizienz an. Da Produktionslinien schneller und stärker automatisiert werden, haben herkömmliche Prüfverfahren Schwierigkeiten, mit den Anforderungen des modernen Produktionsdurchsatzes Schritt zu halten. Die manuelle Prüfung bleibt in vielen Branchen wertvoll, führt jedoch häufig zu Schwankungen, ermüdungsbedingten Fehlern und Einschränkungen bei der Skalierbarkeit.

Gleichzeitig erzeugen Industrieanlagen heute enorme Mengen an Betriebsdaten über Sensoren, Kameras, Steuerungen und vernetzte Geräte. Diese Datenquellen schaffen Möglichkeiten für fortschrittliche Analysen und Machine-Learning-Anwendungen, die Qualitätsprobleme erkennen können, lange bevor Produkte die Kunden erreichen.

Eine der bedeutendsten Entwicklungen der vergangenen Jahre ist die Bereitstellung von Machine-Learning-Modellen direkt am industriellen Edge. Statt jedes Bild zur Analyse an eine entfernte Cloud-Plattform zu senden, können Hersteller die Fehlererkennung lokal auf Industriecomputern, eingebetteten Prozessoren und Edge-Gateways durchführen, die in der Nähe der Produktionsanlagen installiert sind.

Dieser Ansatz reduziert die Latenz deutlich und verbessert gleichzeitig die Reaktionsfähigkeit des Systems. Produktionsanlagen können erkannte Fehler sofort verarbeiten, nicht konforme Produkte aussortieren, Alarme auslösen oder Korrekturmaßnahmen einleiten, ohne auf die Verarbeitung in der Cloud zu warten.

Cloud-Plattformen bleiben für das Trainieren, Verwalten und Verbessern von Machine-Learning-Modellen unverzichtbar. Edge Computing ermöglicht es Fabriken jedoch, Echtzeit-Inferenz dort auszuführen, wo die Daten entstehen. Diese Kombination aus Cloud-Intelligenz und Edge-Ausführung hat sich zu einer leistungsstarken Architektur für die industrielle Automatisierung entwickelt.

Zu den führenden Technologien, die diese Architektur unterstützen, gehören Amazon SageMaker und AWS IoT Greengrass. Zusammen bieten diese Plattformen ein Framework zum Erstellen, Bereitstellen, Überwachen und kontinuierlichen Verbessern von Machine-Learning-Modellen, die in Anwendungen zur Erkennung von Fertigungsfehlern eingesetzt werden.

Abbildung 1. Automatisierte Bildverarbeitungssysteme ermöglichen eine schnelle Qualitätsprüfung in modernen Fertigungsumgebungen.

Die Herausforderung der industriellen Fehlererkennung verstehen

Die Fehlererkennung erscheint auf den ersten Blick unkompliziert. Eine Kamera nimmt ein Bild auf, die Software bewertet das Produkt, und das System entscheidet, ob das Produkt die Prüfung besteht. In der Praxis stellen industrielle Prüfungsumgebungen jedoch zahlreiche technische Herausforderungen dar.

Produkte bewegen sich mit unterschiedlichen Geschwindigkeiten. Die Lichtverhältnisse ändern sich im Laufe des Tages. Oberflächenmaterialien können Licht unterschiedlich reflektieren. Produktionstoleranzen können zu geringfügigen Abweichungen zwischen akzeptablen Produkten führen. Staub, Vibrationen, Temperaturschwankungen und Umgebungsbedingungen können die Bilderfassung zusätzlich erschweren.

Hersteller müssen daher Prüfsysteme entwickeln, die normale Produktionsschwankungen von tatsächlichen Fehlern unterscheiden können.

Zu den häufigsten Fertigungsfehlern gehören:

• Kratzer auf der Oberfläche
• Risse und Brüche
• Fehlende Komponenten
• Montagefehler
• Fehlerhafte Schweißnähte
• Lackfehler
• Blasen und Hohlräume
• Maßabweichungen
• Verpackungsfehler
• Fehler bei der Etikettierung

In Branchen wie der Automobilproduktion, der Halbleiterfertigung, der Pharmaindustrie, der Lebensmittelverarbeitung, der Elektronikmontage und der Energieerzeugung wirkt sich die Fehlererkennung unmittelbar auf die Rentabilität und die Kundenzufriedenheit aus.

Ein übersehener Fehler kann zu Garantieansprüchen, Sicherheitsvorfällen, Produktrückrufen, behördlichen Strafen oder einer Schädigung des Markenrufs führen. Umgekehrt können übermäßig strenge Prüfkriterien die Ausschussrate erhöhen und die Produktionseffizienz verringern.

Maschinelles Lernen hilft, diese Herausforderungen zu bewältigen, indem es Muster aus großen Datensätzen lernt, anstatt sich ausschließlich auf manuell programmierte Prüfregeln zu stützen.

Maschinelles Sehen hat sich über die traditionelle regelbasierte Prüfung hinaus weiterentwickelt

Herkömmliche Bildverarbeitungssysteme stützen sich stark auf deterministische Bildverarbeitungsalgorithmen. Ingenieure definieren Schwellenwerte, Parameter für die Kantenerkennung, geometrische Messungen und Regeln zur Merkmalsextraktion manuell.

Diese Ansätze bleiben für viele Anwendungen wirksam. Sie werden jedoch zunehmend schwieriger zu warten, wenn Produkte erhebliche Variationen aufweisen oder Fehler in unvorhersehbaren Formen auftreten.

Moderne Modelle des maschinellen Lernens verfolgen einen grundlegend anderen Ansatz.

Anstatt jede Prüfregel manuell zu definieren, trainieren Ingenieure Modelle mit Tausenden oder sogar Millionen von Beispielbildern. Das System lernt die Merkmale, die akzeptable von fehlerhaften Produkten unterscheiden.

Dadurch können Systeme des maschinellen Lernens subtile Muster erkennen, die herkömmliche Bildverarbeitungsalgorithmen möglicherweise nur schwer identifizieren können.

In industriellen Prüfsystemen kommen häufig verschiedene Ansätze des maschinellen Lernens zum Einsatz.

Bildklassifizierung

Klassifizierungsmodelle bestimmen, ob ein Bild zu einer bestimmten Kategorie gehört.

Ein Modell könnte Produkte beispielsweise wie folgt klassifizieren:

• Bestanden
• Nicht bestanden
• Beschädigt
• Unvollständig
• Falsch ausgerichtet

Die Klassifizierung ist häufig das einfachste Bereitstellungsmodell und dient als effektiver Ausgangspunkt für viele Fertigungsanwendungen.

Objekterkennung

Objekterkennung erweitert die Klassifikation, indem sie sowohl das Vorhandensein als auch den Ort eines Fehlers identifiziert.

Statt lediglich zu melden, dass ein Fehler vorhanden ist, identifiziert das Modell, wo der Fehler im Bild auftritt.

Diese Fähigkeit ermöglicht es Instandhaltungsteams und Qualitätsingenieuren, Prozessprobleme und deren Ursachen besser zu verstehen.

Semantische Segmentierung

Die semantische Segmentierung ermöglicht eine Analyse auf Pixelebene.

Jedes Pixel erhält eine Klassifikationsbezeichnung, sodass das System die genauen Grenzen eines Fehlers identifizieren kann.

Segmentierungsmodelle sind besonders nützlich, wenn Hersteller detaillierte Informationen über Rissabmessungen, Korrosionsbereiche, Beschichtungsfehler oder Materialabweichungen benötigen.

Fortschrittliche Segmentierungstechniken können Initiativen zur vorausschauenden Qualitätssicherung unterstützen, bei denen Muster der Fehlerausbreitung Teil umfassenderer Maßnahmen zur Prozessoptimierung werden.

Warum Edge AI in der industriellen Automatisierung wichtig ist

Viele Industrieanlagen unterliegen nach wie vor strengen Zuverlässigkeitsanforderungen. Produktionslinien laufen häufig über längere Zeiträume kontinuierlich und können nicht vollständig auf eine Cloud-Verbindung angewiesen sein.

Die Übertragung jedes Prüfbildes an einen entfernten Server bringt mehrere Einschränkungen mit sich:

• Netzwerklatenz
• Bandbreitenverbrauch
• Kosten der Cloud-Verarbeitung
• Bedenken hinsichtlich der Cybersicherheit
• Verbindungsrisiken

Betrachten wir eine Abfüllanlage, die Tausende Behälter pro Minute produziert. Hochauflösende Kameras können jede Stunde Gigabytes an Bilddaten erzeugen.

Die Übertragung jedes Bildes in die Cloud wird teuer und ist unnötig.

Stattdessen ermöglicht die Edge-basierte Inferenz lokale Entscheidungen, während nur relevante Informationen an zentrale Systeme übertragen werden.

Diese Architektur entspricht weitgehend modernen Strategien der industriellen Automatisierung, bei denen Systeme der Betriebstechnik (OT) zunehmend in die IT-Infrastruktur integriert werden.

Industrielle Edge AI kann zahlreiche Automatisierungsumgebungen unterstützen, darunter:

• Produktionslinien mit SPS-Steuerung
• Prozessanlagen auf DCS-Basis
• SCADA-Überwachungssysteme
• Netzwerke zur Turbinenüberwachung
• Verpackungsmaschinen
• Robotermontagezellen
• Automatisierungssysteme für Lager

Viele Anlagen nutzen bereits Automatisierungsplattformen großer Industrieanbieter. Edge-AI-Lösungen können neben Systemen wie Allen-Bradley ControlLogix, Siemens SIMATIC S7, ABB 800xA, Honeywell Experion PKS, Emerson DeltaV und Yokogawa CENTUM VP betrieben werden.

In diesen Umgebungen werden Bildverarbeitungssysteme zu einer weiteren Quelle betrieblicher Erkenntnisse, die die übergeordneten Produktionsziele unterstützt.

Die Rolle von Amazon SageMaker beim industriellen Machine Learning

Amazon SageMaker stellt eine cloudbasierte Umgebung zum Erstellen, Trainieren, Optimieren, Bereitstellen und Verwalten von Machine-Learning-Modellen bereit.

Einer der wichtigsten Vorteile besteht darin, dass viele Aufgaben vereinfacht werden, die traditionell mit der Entwicklung von Machine-Learning-Anwendungen verbunden sind.

Datenwissenschaftler und Ingenieure können sich auf die Modellleistung konzentrieren, statt die Infrastruktur verwalten zu müssen.

In einer Fertigungsumgebung kann SageMaker den gesamten Lebenszyklus des maschinellen Lernens unterstützen.

Datenerfassung und -aufbereitung

Die Grundlage jedes erfolgreichen Projekts zur Fehlererkennung ist ein hochwertiger Datensatz.

Hersteller installieren typischerweise Industriekameras an strategischen Prüfstellen entlang der Produktionslinien. Diese Kameras erfassen Bilder sowohl fehlerfreier als auch fehlerhafter Produkte.

Die erfassten Bilder müssen anschließend gekennzeichnet und organisiert werden.

Eine genaue Kennzeichnung wirkt sich direkt auf die Modellleistung aus. Schlecht gekennzeichnete Datensätze führen bei der Bereitstellung häufig zu falsch positiven und falsch negativen Ergebnissen.

Für Anwendungen zur Fehlererkennung erstellen Ingenieure häufig Annotationen, die Folgendes kennzeichnen:

• Fehlertyp
• Fehlerort
• Schweregrad des Fehlers
• Produktkategorie
• Informationen zur Produktionscharge

Mit wachsenden Datensätzen können Hersteller die Modellgenauigkeit kontinuierlich verbessern, indem sie zusätzliche Produktionsszenarien einbeziehen.

Modelltraining und -optimierung

Das Training von Machine-Learning-Modellen erfordert erhebliche Rechenressourcen.

Hier bietet die Cloud-Infrastruktur erhebliche Vorteile.

Anstatt in dedizierte KI-Server vor Ort zu investieren, können Hersteller skalierbare Cloud-Ressourcen nutzen, um Modelle effizienter zu trainieren.

SageMaker unterstützt mehrere Frameworks und Modellarchitekturen, die häufig in industriellen Anwendungen der maschinellen Bildverarbeitung eingesetzt werden.

Zu den beliebten Architekturen neuronaler Netze gehören:

• ResNet
• U-Net
• YOLO
• EfficientNet
• Faster R-CNN
• Mask R-CNN

Jede Architektur bietet unterschiedliche Kompromisse zwischen Genauigkeit, Rechenaufwand und Inferenzgeschwindigkeit.

Industrieingenieure bewerten häufig mehrere Architekturen, bevor sie das optimale Modell für die Bereitstellung in der Produktion auswählen.

Hardwarebewusste Modellbereitstellung

Eine der größten Herausforderungen bei industriellen KI-Projekten besteht darin, in der Cloud trainierte Modelle auf ressourcenbeschränkte Edge-Hardware zu übertragen.

Ein Modell, das auf einer Cloud-GPU außergewöhnlich gut funktioniert, kann bei der Bereitstellung auf einem industriellen Gateway oder einem eingebetteten Prozessor Schwierigkeiten haben.

SageMaker stellt Tools bereit, mit denen sich Modelle für bestimmte Hardwareplattformen optimieren lassen.

Dieser Optimierungsprozess verringert den Speicherbedarf, verbessert die Inferenzgeschwindigkeit und minimiert den Energieverbrauch bei weiterhin akzeptabler Genauigkeit.

Solche Fähigkeiten werden besonders in groß angelegten Fertigungsumgebungen wichtig, in denen Hunderte oder Tausende von Edge-Geräten gleichzeitig betrieben werden können.

In Teil 2 untersuchen wir, wie AWS IoT Greengrass diese Modelle am industriellen Edge bereitstellt und verwaltet, Workflows zur Fehlererkennung von der Cloud bis zum Edge erkunden, praxisnahe Implementierungsarchitekturen besprechen und reale Anwendungsfälle aus der Fertigung betrachten, die SPS, SCADA-Systeme, DCS-Plattformen und Programme zur vorausschauenden Qualitätssicherung umfassen.

Machine-Learning-Modelle mit AWS IoT Greengrass in die Produktion bringen

Das Training eines Modells des maschinellen Lernens ist nur ein Teil des Weges. Letztendlich benötigen Hersteller eine praktische Möglichkeit, diese Modelle in Produktionsstätten bereitzustellen, zu verwalten, zu überwachen und zu aktualisieren. Hier wird AWS IoT Greengrass zu einer entscheidenden Komponente der Architektur.

AWS IoT Greengrass dient als Edge-Laufzeitumgebung, in der Software, Modelle des maschinellen Lernens und Automatisierungsanwendungen direkt auf Industriegeräten ausgeführt werden können. Anstatt auf eine kontinuierliche Cloud-Verbindung angewiesen zu sein, ermöglicht Greengrass die lokale Ausführung von Inferenz-Workloads und hält gleichzeitig die Synchronisierung mit zentralen Cloud-Diensten aufrecht.

Für Produktionsstätten bietet diese Architektur ein ausgewogenes Verhältnis zwischen der Skalierbarkeit der Cloud und der Reaktionsfähigkeit vor Ort.

Produktionsanlagen können auch bei vorübergehenden Netzwerkunterbrechungen weiter betrieben werden. Entscheidungen bei der Qualitätsprüfung bleiben in Echtzeit verfügbar, und Betriebsdaten können mit Cloud-Systemen synchronisiert werden, sobald die Verbindung wiederhergestellt ist.

Diese Fähigkeit ist besonders in großen Industrieumgebungen wertvoll, in denen Produktionslinien über mehrere Gebäude, abgelegene Anlagen oder geografisch verteilte Produktionsstandorte hinweg betrieben werden können.

Abbildung 2. AWS IoT Greengrass ermöglicht die Inferenz maschinellen Lernens direkt auf industriellen Edge-Geräten und gewährleistet gleichzeitig die Cloud-Integration.

Aufbau einer Pipeline zur Erkennung von Industriefertigungsfehlern von der Cloud bis zum Edge

Erfolgreiche Systeme zur Fehlererkennung benötigen mehr als ein trainiertes neuronales Netzwerk. Hersteller müssen einen vollständigen Lebenszyklus etablieren, der Datenerfassung, Modellentwicklung, Bereitstellung, Überwachung und kontinuierliche Verbesserung umfasst.

Eine moderne Inspektionsarchitektur von der Cloud bis zum Edge umfasst typischerweise mehrere Phasen.

Phase 1: Bilderfassung

Der Prozess beginnt mit der Bilderfassung.

Industriekameras erfassen Produkte, während diese sich durch Produktionsanlagen, Förderanlagen, robotergestützte Arbeitsstationen oder Montagezellen bewegen. Die Kameraauswahl hängt von den Anwendungsanforderungen ab und kann Folgendes umfassen:

• Flächenkameras
• Zeilenkameras
• 3D-Vision-Kameras
• Wärmebildsysteme
• Hyperspektrale Bildgebungssensoren

Eine geeignete Beleuchtungsplanung ist ebenso wichtig. Selbst fortschrittliche Modelle des maschinellen Lernens haben Schwierigkeiten, wenn die Bildqualität uneinheitlich ist.

Erfolgreiche Bereitstellungen umfassen häufig kontrollierte Beleuchtungsumgebungen, die Schatten, Reflexionen und Schwankungen des Umgebungslichts minimieren.

Phase 2: Datenkennzeichnung und Annotation

Sobald die Bilder erfasst sind, erstellen Ingenieure Trainingsdatensätze.

Die Bilder müssen sowohl normale als auch fehlerhafte Betriebsbedingungen genau abbilden. Viele Organisationen unterschätzen diese Phase zunächst. Tatsächlich bestimmt die Qualität des Datensatzes den Projekterfolg häufig stärker als die Auswahl des Modells.

Hersteller sollten Proben aus mehreren Produktionsschichten, unter verschiedenen Anlagenbedingungen, aus unterschiedlichen Rohstoffchargen und aus verschiedenen Umgebungsbedingungen erfassen.

Diese Vielfalt trägt dazu bei, die Robustheit des Modells nach der Bereitstellung sicherzustellen.

Phase 3: Modelltraining in SageMaker

Das Training erfolgt in Amazon SageMaker mithilfe von Cloud-Computing-Ressourcen.

Ingenieure bewerten mehrere Architekturen und optimieren Hyperparameter, um die Leistung zu verbessern.

Zu den typischen Optimierungszielen gehören:

• Höhere Erkennungsgenauigkeit
• Weniger falsch-positive Ergebnisse
• Weniger falsch-negative Ergebnisse
• Schnellere Inferenz
• Geringerer Speicherverbrauch

Produktionsumgebungen priorisieren häufig Zuverlässigkeit gegenüber geringfügigen Genauigkeitsverbesserungen. Ein Modell mit etwas geringerer Genauigkeit, aber äußerst vorhersehbarem Verhalten kann unter realen Produktionsbedingungen ein theoretisch überlegenes Modell übertreffen.

Phase 4: Edge-Bereitstellung

Nach der Validierung verpackt SageMaker das Modell für die Bereitstellung.

Greengrass verteilt das Modell an Edge-Hardware, auf der die lokale Inferenz erfolgt.

Je nach Anwendung können folgende Bereitstellungsziele infrage kommen:

• Industrielle PCs
• Eingebettete KI-Gateways
• Edge-Steuerungen auf ARM-Basis
• GPU-fähige Edge-Server
• Industrielle Computer, die in Bildverarbeitungssysteme integriert sind

Die Inferenz wird lokal ausgeführt und liefert Prüfergebnisse innerhalb von Millisekunden.

Phase 5: Kontinuierliche Verbesserung

Der vielleicht leistungsstärkste Aspekt dieser Architektur ist die Feedbackschleife.

Edge-Geräte können ausgewählte Bilder und Betriebskennzahlen in die Cloud hochladen. Ingenieure prüfen schwierige Fälle, kennzeichnen neue Daten, trainieren Modelle erneut und stellen aktualisierte Versionen bereit.

Dadurch entsteht ein sich kontinuierlich verbesserndes Prüfsystem, das sich an veränderte Produktionsbedingungen anpasst.

Integration der industriellen Automatisierung über die Bildverarbeitung hinaus

Fehlererkennungssysteme bieten den größten Nutzen, wenn sie in die bestehende Automatisierungsinfrastruktur integriert sind.

Eine eigenständige Kamera, die lediglich Fehler erkennt, bietet nur begrenzten betrieblichen Nutzen. Moderne Hersteller verbinden Prüfsysteme zunehmend direkt mit den Produktionssteuerungen.

Beispielsweise kann ein Prüfergebnis automatisch Folgendes auslösen:

• Mechanismen zur Produktausschleusung
• Robotergestützte Sortiersysteme
• Alarmbenachrichtigungen
• Verlangsamungen der Produktionslinie
• Wartungsaufträge
• Qualitätsberichtssysteme

Viele Einrichtungen erreichen diese Integration über industrielle Kommunikationsprotokolle wie EtherNet/IP, PROFINET, Modbus TCP, OPC UA und MQTT.

Das Bildverarbeitungssystem wird zu einem weiteren intelligenten Knoten innerhalb des übergeordneten Automatisierungsökosystems.

Organisationen, die moderne SPS-Plattformen betreiben, integrieren Prüfergebnisse häufig direkt in die Steuerungslogik. Systeme auf Basis von Allen-Bradley ControlLogix-, Siemens SIMATIC S7-, ABB AC 800M-, Schneider Modicon- oder Mitsubishi MELSEC-Steuerungen können Fehlerdaten verarbeiten und automatisierte Reaktionen auslösen.

Einrichtungen, die Steuerungs-Upgrades oder Erweiterungsprojekte prüfen, bewerten häufig die verfügbare Hardware in der Kategorie PLC- und PAC-Systeme, um zukünftige industrielle KI-Initiativen zu unterstützen.

Fehlererkennung in Hochgeschwindigkeits-Produktionsumgebungen

Nicht jede Produktionsumgebung stellt dieselben Anforderungen.

Prüfstrategien müssen auf Produktionsgeschwindigkeit, Produktkomplexität und Geschäftsziele abgestimmt sein.

Elektronikproduktion

Bei der Elektronikproduktion treten häufig äußerst kleine Fehler auf, die menschliche Bediener nur schwer zuverlässig erkennen können.

Systeme des maschinellen Lernens können Folgendes prüfen:

• Lötstellen
• Leiterbahnen auf Leiterplatten
• Positionierung von Steckverbindern
• Ausrichtung von Komponenten
• Oberflächenverunreinigung

Da die Produktionsvolumina hoch sind, können selbst kleine Verbesserungen der Erkennungsgenauigkeit erhebliche Kosteneinsparungen bewirken.

Automobilproduktion

Automobilwerke setzen Bildverarbeitungssysteme häufig in der Karosseriemontage, Lackierung, Antriebsstrangproduktion und Endmontage ein.

Prüfsysteme können Folgendes erkennen:

• Lackfehler
• Probleme mit der Schweißqualität
• Fehlende Befestigungselemente
• Fehlausrichtung von Komponenten
• Oberflächenfehler

Die Verarbeitung direkt am Netzwerkrand wird besonders wichtig, da Produktionslinien mit hohen Geschwindigkeiten arbeiten und keine übermäßigen Latenzzeiten tolerieren.

Lebensmittel- und Getränkeverarbeitung

Lebensmittelhersteller setzen häufig Bildverarbeitung ein, um Verpackungsfehler, Etikettierungsprobleme, Kontaminationsrisiken und Abweichungen bei der Füllmenge zu erkennen.

Schnelle Entscheidungen vor Ort tragen dazu bei, dass fehlerhafte Produkte nicht in nachgelagerte Verpackungs- und Vertriebsprozesse gelangen.

Pharmazeutische Produktion

Regulierte Branchen benötigen äußerst zuverlässige Prüfsysteme.

Modelle des maschinellen Lernens können Validierungsaktivitäten unterstützen, indem sie Verpackungsfehler, Etikettierungsfehler, Verunreinigungen von Vials und Produktabweichungen erkennen und dabei detaillierte Audit-Trails führen.

Edge-KI und vorausschauendes Qualitätsmanagement

Viele Organisationen setzen Bildverarbeitungssysteme zunächst ausschließlich für Gut-/Schlecht-Prüfungen ein. Mit der Zeit entdecken Hersteller jedoch häufig ein weitaus größeres Potenzial.

Fehlerdaten enthalten wertvolle Informationen über die Prozessleistung.

Durch die Analyse von Trends beim Auftreten von Fehlern können Hersteller sich abzeichnende Produktionsprobleme erkennen, bevor sich das Qualitätsniveau deutlich verschlechtert.

Dieses Konzept wird manchmal als vorausschauende Qualität bezeichnet.

So können zunehmende Kratzfehler auf Werkzeugverschleiß hindeuten. Eine wachsende Zahl von Maßabweichungen kann auf eine Kalibrierungsdrift schließen lassen. Probleme mit der Oberflächenbeschaffenheit können auf Schwierigkeiten bei vorgeschalteten Verarbeitungsanlagen hinweisen.

In Verbindung mit industriellen Überwachungssystemen werden Daten zur Fehlererkennung zu einer zusätzlichen Quelle für betriebliche Erkenntnisse.

Organisationen, die für die Zuverlässigkeit von Rotationsmaschinen verantwortlich sind, kombinieren häufig Qualitätsüberwachung mit Schwingungsanalyse und Plattformen zur Zustandsüberwachung von Anlagen. In diesen Umgebungen ergänzen Lösungen zur Überwachung des Maschinenzustands, wie sie im Portfolio Maschinenüberwachung zu finden sind, häufig umfassendere Initiativen zur vorausschauenden Instandhaltung.

Hardwareaspekte für industrielle Edge-KI-Einsätze

Die Auswahl der richtigen Hardwareplattform bleibt eine der wichtigsten Designentscheidungen in jedem Edge-KI-Projekt.

Die ideale Hardware hängt von mehreren Faktoren ab:

• Bildauflösung
• Prüfgeschwindigkeit
• Modellkomplexität
• Verfügbarkeit von Stromversorgung
• Umgebungsbedingungen
• Anforderungen an die Skalierbarkeit

Industrieanlagen setzen zunehmend Prozessoren ein, die dedizierte neuronale Verarbeitungseinheiten (NPUs), Grafikbeschleuniger und KI-Inferenz-Engines enthalten.

Diese Funktionen verbessern die Leistung des maschinellen Lernens erheblich und senken gleichzeitig den Energieverbrauch.

Plattformen wie der NXP i.MX 8M Plus veranschaulichen, wie sich Embedded-Hardware weiterentwickelt, um speziell industrielle KI-Workloads zu unterstützen.

Mit der zunehmenden Einführung von KI wird die Hardwareoptimierung immer wichtiger, da Hersteller Leistung, Lebensdauerunterstützung, Cybersicherheit und Gesamtbetriebskosten miteinander in Einklang bringen müssen.

Cybersicherheitsaspekte vernetzter Prüfsysteme

Jedes vernetzte Industriegerät birgt potenzielle Cybersicherheitsrisiken.

Bildverarbeitungssysteme bilden keine Ausnahme.

Organisationen, die cloudverbundene Prüfarchitekturen implementieren, sollten klare Cybersicherheitsrichtlinien festlegen, die Folgendes abdecken:

• Identitätsmanagement
• Geräteauthentifizierung
• Verschlüsselte Kommunikation
• Netzwerksegmentierung
• Software-Patching
• Zugriffssteuerungsrichtlinien

Viele Hersteller wenden diese Prinzipien bereits in ihren OT-Umgebungen an, einschließlich SPS-Netzwerken, SCADA-Systemen, verteilten Leitsystemen und industriellen Datenarchiven.

Die Infrastruktur für maschinelles Lernen sollte demselben Cybersicherheits-Framework folgen.

Verbindung von Fehlererkennungssystemen mit SCADA, MES und den Betriebsabläufen im gesamten Werk

Viele Hersteller setzen Bildverarbeitungssysteme zunächst als eigenständige Prüfstationen ein. Dieser Ansatz kann zwar die Qualitätskontrolle verbessern, doch der eigentliche Wert industrieller KI entsteht, wenn Prüfdaten Teil eines größeren betrieblichen Ökosystems werden.

Moderne Produktionsanlagen verbinden Qualitätssysteme zunehmend mit SCADA-Plattformen (Supervisory Control and Data Acquisition), Manufacturing-Execution-Systemen (MES), unternehmensweiten Reporting-Tools und Betriebsdatenarchiven. Diese Integration wandelt die Fehlererkennung von einer reaktiven Qualitätsfunktion in eine proaktive Plattform für operative Intelligenz um.

Wenn ein Bildverarbeitungssystem einen Fehler erkennt, können die Informationen in Echtzeit im gesamten Werk verteilt werden. Produktionsleiter können Qualitätstrends über SCADA-Dashboards überwachen, Wartungsteams können automatisierte Benachrichtigungen erhalten, und Prozessingenieure können Fehler mit Maschinenparametern, Umgebungsbedingungen oder Änderungen der Rohmaterialien in Beziehung setzen.

So kann beispielsweise ein Verpackungsbetrieb feststellen, dass Fehler bei der Etikettenplatzierung zunehmen, sobald die Fördergeschwindigkeit einen bestimmten Schwellenwert überschreitet. Ein Automobilhersteller könnte einen Zusammenhang zwischen Schweißfehlern und einer Drift der Roboterkalibrierung erkennen. Ein Pharmaunternehmen könnte Verpackungsabweichungen mit bestimmten Geräteeinstellungen oder Produktionschargen in Verbindung bringen.

Ohne Integration bleiben diese Erkenntnisse häufig in isolierten Prüfsystemen verborgen.

Viele Unternehmen verwenden OPC UA als primäre Kommunikationsschicht zwischen Bildverarbeitungssystemen und übergeordneten Industriesoftwarelösungen. Auch MQTT wird zunehmend beliebter, da es eine schlanke Architektur bietet und sich für Anwendungen im Industrial Internet of Things (IIoT) eignet.

Da Hersteller weiterhin Initiativen im Rahmen von Industrie 4.0 verfolgen, entwickeln sich Fehlererkennungssysteme zu strategischen Datenquellen, die unternehmensweite Entscheidungsprozesse unterstützen.

Cloud-KI versus Edge-KI: Warum sich die meisten Fabriken für einen hybriden Ansatz entscheiden

Industrieunternehmen fragen häufig, ob Machine-Learning-Anwendungen vollständig in der Cloud oder vollständig am Edge ausgeführt werden sollten. In der Realität verwenden die meisten erfolgreichen Implementierungen eine hybride Architektur, die die Stärken beider Umgebungen verbindet.

Cloud-Plattformen eignen sich hervorragend für das Training von Modellen, die Speicherung großer Datenmengen, die zentrale Verwaltung und langfristige Analysen. Das Training von Deep-Learning-Modellen erfordert häufig erhebliche Rechenressourcen, deren direkte Bereitstellung auf Fabrikanlagen unpraktisch wäre.

Edge-Systeme hingegen bieten die für industrielle Abläufe erforderliche Reaktionsfähigkeit. Prüfentscheidungen müssen oft innerhalb von Millisekunden getroffen werden. Produktionslinien können nicht auf die Kommunikation mit der Cloud warten, bevor festgestellt wird, ob ein Produkt die Prüfung besteht.

Betrachten wir beispielsweise eine Elektronikmontagelinie, die jede Stunde Tausende von Leiterplatten produziert. Hochauflösende Inspektionskameras können während einer einzigen Produktionsschicht Terabytes an Bilddaten erzeugen. Die Übertragung jedes einzelnen Bildes an eine entfernte Cloud-Plattform würde den Bandbreitenbedarf erhöhen und unnötige Latenzen verursachen.

Durch die lokale Verarbeitung von Bildern müssen nur relevante Informationen an die Cloud übertragen werden. Dadurch wird der Kommunikationsaufwand erheblich reduziert, während die Echtzeitleistung erhalten bleibt.

Eine typische hybride Architektur folgt einem unkomplizierten Ablauf:

• Die Cloud-Infrastruktur trainiert und validiert Modelle.
• SageMaker optimiert Modelle für die Bereitstellung.
• AWS IoT Greengrass verteilt Modelle an Edge-Geräte.
• Edge-Geräte führen lokale Inferenz aus.
• Ausgewählte Prüfergebnisse werden in die Cloud zurückübertragen.
• Ingenieurinnen und Ingenieure trainieren und verbessern Modelle mithilfe neuer Daten.

Diese Rückkopplungsschleife ermöglicht eine kontinuierliche Verbesserung, ohne die Produktionsleistung zu beeinträchtigen.

Das hybride Modell unterstützt außerdem standortübergreifende Fertigungsabläufe, bei denen zentrale Engineering-Teams Machine-Learning-Ressourcen über zahlreiche Anlagen hinweg verwalten.

Praxisnahe Fertigungsanwendungen der kantenbasierten Fehlererkennung

Obwohl maschinelles Sehen seit Jahrzehnten existiert, haben jüngste Fortschritte beim maschinellen Lernen das Spektrum der Prüfanwendungen erweitert, die Hersteller automatisieren können.

Prüfung von Fahrzeugkarosserien

Automobilhersteller müssen strenge Anforderungen an das Erscheinungsbild und die Abmessungen einhalten. Selbst geringfügige Lackfehler oder Oberflächenunregelmäßigkeiten können kostspielige Nacharbeiten erforderlich machen.

Systeme für maschinelles Lernen können subtile Lackfehler, Kratzer, Dellen und Beschichtungsunregelmäßigkeiten erkennen, die bei herkömmlichen Prüfverfahren möglicherweise übersehen werden.

Durch die Inferenz direkt am Netzwerkrand können Hersteller fehlerhafte Komponenten aussortieren, bevor sie zu nachgelagerten Montageprozessen gelangen.

Halbleiterfertigung

Die Halbleiterfertigung stellt einige der anspruchsvollsten Prüfanforderungen der modernen Industrie. In Mikrometern gemessene Defekte können die Produktleistung und den Ertrag beeinträchtigen.

Fortschrittliche Modelle für maschinelles Lernen helfen dabei, Waferverunreinigungen, Lithografiedefekte und Prozessanomalien zu erkennen, die mit herkömmlichen Bildverarbeitungsalgorithmen möglicherweise nur schwer feststellbar sind.

Da Halbleiterfertigungsanlagen enorme Mengen an Bilddaten erzeugen, trägt die Verarbeitung am Rand dazu bei, die Netzwerküberlastung zu verringern und gleichzeitig den Prüf-Durchsatz aufrechtzuerhalten.

Überprüfung von Lebensmittelverpackungen

Hersteller von Lebensmitteln und Getränken stehen zunehmend unter Druck, die Verpackungsqualität, Rückverfolgbarkeit und Einhaltung gesetzlicher Vorschriften sicherzustellen.

Systeme für maschinelles Lernen können Folgendes überprüfen:

• Etikettengenauigkeit
• Verfallsdaten
• Unversehrtheit der Versiegelung
• Verpackungsabmessungen
• Füllstände
• Produktausrichtung

Diese Prüfungen erfolgen kontinuierlich bei Produktionsgeschwindigkeiten, die manuelle Bediener unmöglich dauerhaft aufrechterhalten könnten.

Batterieproduktion

Das rasante Wachstum der Elektrofahrzeugproduktion hat die Nachfrage nach fortschrittlichen Technologien zur Batterieprüfung erhöht.

Hersteller setzen maschinelles Sehen und maschinelles Lernen ein, um Elektrodendefekte, Beschichtungsunregelmäßigkeiten, Verunreinigungen und Montageprobleme während der gesamten Batterieproduktion zu erkennen.

Da Batteriedefekte sowohl die Leistung als auch die Sicherheit beeinträchtigen können, bleibt die Prüfgenauigkeit ein kritisches Betriebsziel.

Bessere Datensätze für industrielles maschinelles Lernen erstellen

Viele Organisationen konzentrieren sich stark auf die Modellauswahl und übersehen dabei die Bedeutung der Datensatzentwicklung. Tatsächlich hat die Qualität der Trainingsdaten oft einen größeren Einfluss auf den Projekterfolg als die konkrete verwendete Architektur des neuronalen Netzes.

Ein maschinelles Lernmodell kann nur aus den Informationen lernen, die in seinem Trainingsdatensatz verfügbar sind. Wenn kritische Fehlerszenarien fehlen, kann das Modell Schwierigkeiten haben, wenn diese Bedingungen in der Produktion auftreten.

Erfolgreiche Industriedatensätze umfassen typischerweise:

• Proben aus der normalen Produktion
• Seltene Fehlerzustände
• Mehrere Beleuchtungsumgebungen
• Unterschiedliche Produktionsschichten
• Saisonale Schwankungen
• Verschleißzustände der Ausrüstung
• Schwankungen bei den Rohmaterialien
• Prozessänderungen im Zusammenhang mit der Wartung

Hersteller sollten Datensätze auch nach der Bereitstellung kontinuierlich erweitern.

Ein Vorteil des SageMaker- und Greengrass-Ökosystems ist seine Fähigkeit, einen Rückkopplungsmechanismus zwischen Produktionsbetrieb und Teams für die Modellentwicklung zu schaffen. Schwierige Prüffälle können überprüft, neu gekennzeichnet und in künftige Trainingszyklen integriert werden.

Dieser Prozess verbessert die Modellleistung schrittweise und reduziert gleichzeitig falsch-positive und falsch-negative Ergebnisse.

Organisationen, die maschinelles Lernen als fortlaufende betriebliche Fähigkeit und nicht als einmaliges Projekt betrachten, erzielen in der Regel die besten langfristigen Ergebnisse.

Industrielle KI wird zu einem Standardwerkzeug für die Qualitätssicherung

Maschinelles Lernen, Edge Computing und industrielle Automatisierung wachsen rasch zusammen. Was einst als experimentelle Technologie galt, wird zu einem praktischen Werkzeug, um die Qualität zu verbessern, Abfall zu reduzieren und die betriebliche Effizienz zu steigern.

Da die Rechenhardware leistungsfähiger und Frameworks für maschinelles Lernen einfacher bereitzustellen werden, können Hersteller jeder Größe fortschrittliche Fehlererkennungssysteme nutzen.

Plattformen wie Amazon SageMaker und AWS IoT Greengrass stellen die notwendige Infrastruktur bereit, um maschinelles Lernen aus Forschungsumgebungen in reale Produktionsanlagen zu überführen.

Die erfolgreichsten Implementierungen werden nicht einfach nur fehlerhafte Produkte identifizieren. Sie werden Herstellern helfen zu verstehen, warum Fehler auftreten, Qualitätsprobleme vorherzusagen, bevor sie sich verschärfen, und Produktionsprozesse kontinuierlich zu optimieren.

In den kommenden Jahren wird maschinelles Sehen am Netzwerkrand an Produktionslinien wahrscheinlich ebenso verbreitet sein wie heute SPS, HMIs, industrielle Netzwerke und SCADA-Systeme. Anlagen, die jetzt mit dem Aufbau dieser Fähigkeiten beginnen, werden besser aufgestellt sein, um die Qualität zu steigern, den Ertrag zu maximieren und in zunehmend datengetriebenen Fertigungsmärkten wettbewerbsfähig zu bleiben.

Die Zukunft der industriellen Fehlererkennung

Die industrielle Fehlererkennung entwickelt sich kontinuierlich von der einfachen Bildanalyse hin zu intelligenten, adaptiven Qualitätssystemen weiter.

Fortschritte beim maschinellen Lernen, Edge Computing, der industriellen Vernetzung und der Cloud-Infrastruktur ermöglichen es Herstellern, Produkte schneller und präziser als je zuvor zu prüfen.

Technologien wie Amazon SageMaker und AWS IoT Greengrass helfen dabei, die Lücke zwischen der cloudbasierten Modellentwicklung und dem Einsatz in realen Fabriken zu schließen. Gemeinsam stellen sie Herstellern Werkzeuge zur Verfügung, mit denen sie skalierbare Inspektionssysteme entwickeln können, die aus Betriebsdaten lernen und sich im Laufe der Zeit kontinuierlich verbessern.

Da Industrieunternehmen Initiativen zur digitalen Transformation vorantreiben, wird die Fehlererkennung zunehmend Teil umfassenderer Smart-Manufacturing-Strategien, die maschinelles Sehen, vorausschauende Wartung, Prozessoptimierung und betriebliche Analysen miteinander verbinden.

Das Ergebnis ist nicht nur eine bessere Qualitätskontrolle. Es entsteht eine intelligentere Produktionsumgebung, in der datenbasierte Entscheidungen direkt am Einsatzort getroffen werden – in unmittelbarer Nähe zu den Anlagen, Produkten und Prozessen, die Wertschöpfung generieren.