Durch Industrie 4.0, die Digitalisierung der Fertigung, entstehen in der Praxis für Prozesse eine Menge von Daten. Selbst einfache Produktionsschritte können mehrere tausend Daten pro Sekunde generieren. Zur Verarbeitung und Auswertung dieser Daten werden immer häufiger Verfahren aus dem Machine Learning eingesetzt. Diese KI-Modelle können große Datenmengen in kürzester Zeit auswerten, Verhaltensmuster und Gesetzmäßigkeiten analysieren und Anomalien identifizieren.

Im Rahmen ihrer Projektarbeit im Master-Studiengang Informatik entwickelten Christian Waldmann und Jonas Schiller für die Robert Bosch GmbH ein solches Deep Learning Modell. Dieses Modell – entwickelt nach dem Konzept eines Autoencoders – wertet Daten von Sensoren aus einem Fertigungsprozess aus und erkennt daran Anomalien eines Bauteils. Dabei soll das Modell möglichst universell anwendbar sein, d.h. wenig abhängig vom spezifischen Industrieprozess, was Machine Learning ermöglicht. Die theoretischen Kenntnisse zu Mustererkennung und maschinellem Lernen haben sich die Studierenden zuvor im gleichnamigen Wahlpflichtmodul angeeignet. Die Robert Bosch GmbH stellte für das Projekt anonymisierte Daten eines Fertigungsprozesses bereit. Anhand dieser Daten wurde das Modell trainiert, komplexe Daten aussagekräftig darzustellen und Abweichungen eines Datenmusters von der Mehrheit der Daten zu erkennen. Darauf basierend stellt das Modell für ein Bauteil einen „Anomaly Score“ bereit. Dieser sagt aus, in welchem Grad das Bauteil von den Vorgaben abweicht. Erkannte Anomalien lassen frühzeitig auf fehlerhafte Einstellungen oder gegebenenfalls eine Abnutzung der Werkzeuge an einer Fertigungszelle schließen.

Das Projektergebnis wird künftig noch mit anderen Deep Learning-Modellen verglichen und Prozessexperten der Robert Bosch GmbH werden die berechneten Anomaly Scores bewerten.

Das Projekt wurde begleitet von Prof. Dr. Ulrich Göhner von der Fakultät Informatik als Projektleiter und den Projektbetreuern Sebnem Gül-Ficici und Matthias Burkhardt vom FZA Allgäu.