KI-basierte Geräuscherkennung Geräuscherkennung: Mit KI Fehler automatisch und zuverlässig erkennen

Anbieter zum Thema

MHP Software GmbH

Schneider Electric GmbH

PSI Software SE | Business Unit Discrete Manufacturing

becos gmbH

Die Bedeutung von KI für Unternehmen wächst stetig – auch in der Fertigung. Mit dem Software-as-a-Service-Angebot Sounce  steht nun eine KI-basierte Geräuscherkennung bereit, die das fertigungsnahe Qualitätsmanagement deutlich verbessern kann. Erste Erfolge zeigt ein Pilotprojekt bei Philips Medical Systems.

Das jüngst veröffentlichte „Industrie 4.0 Barometer 2024“ von MHP und der Ludwig-Maximilians-Universität (LMU) zeigt: Chinesische Unternehmen integrieren KI-basierte Lösungen in ihre Fertigungsprozesse teilweise mehr als doppelt so häufig wie der Wettbewerb. Die Einsatzgebiete sind dabei vielfältig – mit leichten Schwerpunkten im Qualitätsmanagement (14 Prozent) und bei der Verbesserung der Ressourcen-Effizienz (12 Prozent).

Ergänzend verweisen 60 Prozent der befragten Unternehmen darauf, dass sie die Auswirkungen von künstlicher Intelligenz auf die künftige Gestaltung von Fertigungsprozessen für grundlegend ­(6 Prozent), sehr hoch (22 Prozent) oder zumindest hoch (32 Prozent) halten. Damit ist klar: Unternehmen erkennen heute mehrheitlich die Bedeutung KI-basierter Tools. Für sie kommt es nun darauf an, passende Anwendungsbereiche und Lösungen zu finden.

KI-basierte automatisierte Geräuscherkennung mit Sounce

Eine dieser Lösungen ist Sounce. Mit dem KI-basierten SaaS-Angebot von MHP können Unternehmen akustische Anomalien in Bauteilen, Produkten und Maschinen erkennen und dadurch Montageprozesse, End-of-Line-Stationen oder Entwicklungsprüfstände optimieren. Ein fünfstufiger Ablauf sichert dabei die Zuverlässigkeit des Systems:

• 1. Zuhören und Erfassen:

  Zunächst werden alle relevanten Stationen beziehungsweise Prüfstände mit der notwendigen, minimalinvasiven Akustik-Sensorik ausgestattet. Diese erfasst die Geräusche und wandelt sie in Daten für das im System hinterlegte Spektrogramm um.

• 2. Bewerten:

  Aufbauend auf diesen Daten dokumentiert der Ingenieur beziehungsweise die Ingenieurin über die zugehörige Software die entscheidenden Qualitätskriterien der Geräuscherkennung und schafft so die Basis für das Training der künstlichen Intelligenz.

• 3. Trainieren:

  Die nun vorhandenen Daten nutzt der cloud-basierte Deep-Learning-Algorithmus, um die erwünschten Erkennungsmuster zu trainieren.

• 4. Überwachen und Erkennen:

  Sounce kann jetzt mit der kontinuierlichen Überwachung via Geräuschkontrolle beginnen. Anwenderinnen und Anwender können die Geräusche dazu auch visualisieren, bewerten und vergleichen.

• 5. Verifizieren:

  Mit der Überwachung beginnt gleichzeitig ein kontinuierlicher Verbesserungsprozess, da Mitarbeitende jederzeit Rückmeldung zum Erfolg der Geräuscherkennung geben können und so dem Algorithmus helfen, sich langfristig anhand des Feedbacks zu verbessern.

Ein besonderer Pluspunkt: Der lernfähige Deep-Learning-Algorithmus unterstützt ein breites Spektrum an Anwendungsszenarien. Die Fehlererkennung mittels Geräuschanomalien ermöglicht Unternehmen zudem eine frühzeitige Identifikation von Fehlern in Entwicklungs- oder Fertigungsprozessen. Letzteres war auch der Grund für Philips Medical Systems, ein Pilotprojekt mit Sounce im Hamburger Stammwerk zu starten.

Verbessertes Qualitätsmanagement für die Medizintechnik von Philips

Als Tochterunternehmen des niederländischen Technologiekonzerns produziert Philips Medical Systems unter anderem hochwertige Röntgenröhren für radiologische Praxen und Krankenhäuser. Das Unternehmen legt großen Wert auf eine exzellente Produktqualität – und investiert dafür in innovative Ansätze. An dieser Stelle kam Sounce ins Spiel.

Doch zunächst zum Hintergrund: Die Qualitätssicherung in der Fertigung stellt schon heute zuverlässig sicher, dass ausgelieferte Röntgenröhren technisch einwandfrei funktionieren. Bisweilen kommt es dennoch zu Reklamationen von Ärztinnen und Ärzten, üblicherweise deshalb, weil einige Röhren in der Praxis einen zu hohen Lärmpegel aufweisen.

Die Ursachen dafür sind teilweise bekannt, ließen sich mit dem bisher eingesetzten End-of-Line-Akustiktest aber erst am Ende des Produktionsprozesses erkennen: Jede Röntgenröhre besitzt beispielsweise eine Drehanode. Schon bei kleineren Mängeln kann diese im Praxisbetrieb zu einer zu hohen Betriebslautstärke führen. Nicht immer lässt sich der Grund aber so einfach ermitteln – was Philips bereits vor längerer Zeit erkannte. Allerdings mangelte es dem Unternehmen bis dahin an einer leichtgängigen Technologie, die es zur gezielten Ursachenforschung einsetzen konnte. Zusätzlich wünschte sich der Medizintechnikhersteller eine Lösung, mit der er schon frühzeitig, also bereits während des Produktionsprozesses, fehlerhafte Anoden erkennen und aussortieren kann, um so unnötige Produktionskosten zu vermeiden.

In zwei Schritten zum evidenzbasierten Prüfstand mit Geräuscherkennung

Um dies zu erreichen, führte Philips gemeinsam mit MHP testweise die SaaS-Lösung Sounce ein. Die Software liefert beim Auswuchten und anderen, akustisch überwachbaren Vorgängen deutlich bessere Ergebnisse als das menschliche Ohr, sofern der Algorithmus entsprechend trainiert wird. Zugleich ermöglicht das Tool filigranere Analysen und Vorhersagen als viele der gängigen Verfahren, etwa Dezibel-Messungen. Kurzum: Für Philips Medical Systems bot die Lösung eine Reihe attraktiver Ansatzpunkte für eine optimierte Fertigung. Das gemeinsame Projektteam stattete daher die für den Testlauf relevante Station mit der notwendigen, akustischen Sensorik aus. 

Anschließend begannen die Experten, Daten zu erheben und die KI zu trainieren. Dabei brachte es dieser bei, bestimmte Frequenzmuster als frühe Indikatoren für spätere Fehler zu erkennen – insbesondere erhöhte Betriebslautstärken. Dies erwies sich schon nach kürzester Zeit als sehr erfolgreich. Bereits innerhalb der Testphase erzielt das System deutlich genauere, vor allem aber viel frühzeitigere Ergebnisse als die bisherigen Verfahren – und bietet daher für die Zukunft enorme Einsparpotenziale. Zusätzlich konnte das Team über die Frequenzanalyse weitere Gründe für eine erhöhte Betriebslautstärke eruieren.

Philips ist mit dem aktuellen Zwischenstand sehr zufrieden und möchte Sounce auf absehbare Zeit auch in den Produktivbetrieb überführen. Das Unternehmen ist dabei zuversichtlich, die perspektivisch angestrebten, deutlich geringeren Reklamationsquoten, eine höhere Kundenzufriedenheit und sinkende Nachbearbeitungskosten zu erreichen.

Der Autor Dr. Johannes Märkle arbeitet im Product Development ICS bei MHP. Autor Ludwig Pannach ist Manager Product (PRD) bei MHP.