Künstliche Intelligenz in der zerstörungsfreien Prüfung

14:35: Einsatz von KI in der sensorbasierten Überwachung von Schweiß- und additiven Fertigungsprozessen | T. Grünberger

Am LKR Ranshofen stehen zwei vollständig digitalisierte DED-Arc Anlagen zur additiven Fertigung metallischer Bauteile zur Verfügung. Sensorik beginnend mit dioden- und kamerabasierter Schmelzbadüberwachung bis hin zu akustischen Emissionen, ermöglichen den Einsatz von ML/KI für eine fortschrittliche Prozessanalyse und -Steuerung.
Die Präsentation gibt Beispiele für deskriptive, diagnostische und prädiktive Analyseaufgaben. ML/KI als datengesteuerte Methoden basieren auf der Qualität der zugrunde liegenden Daten, daher werden Strategien für die Datenbereinigung, Datenaufbereitung und Datenregistrierung vorgestellt, wobei letztere auf dem Entwurf ISO/ASTM DIS 52953 Additive Fertigung für Metalle – Allgemeine Grundsätze – Registrierung von Daten aus der Prozessüberwachung und für die Qualitätskontrolle basiert, der für PBF-LB entwickelt wurde. Der Schwerpunkt der Präsentation zur Datenaufbereitung liegt auf Feature Engineering auf der Grundlage physikalischer/mathematischer Erklärbarkeit. Erklärbare Merkmale, die als Prädiktoren für ML/KI-Modelle verwendet werden, ermöglichen erklärbare und transparente ML/KI-Modelle.
Um Schritte in Richtung einer Augmented KI zu ermöglichen, die Prozessexperten mit Fachwissen unter Verwendung von ML/KI-Techniken (Expert in the Loop) unterstützt, werden geeignete Visualisierungen der extrahierten Merkmale unter Verwendung von Punktwolken und neuartigen Volumenrendering-Methoden gezeigt. Anhand von Beispielen wird der Mehrwert der Visualisierung des digitalen Fußabdrucks für diagnostische und prädiktive Analyseaufgaben aufgezeigt. Dies kann für die Regelung des Prozesses im geschlossenen Regelkreis verwendet werden, wobei das Prinzip der kaskadierten Regelung von Produktionsprozessen zu berücksichtigen ist (z. B. In-situ-Prozessregelung als innerer Regelkreis – Regelung von Strang zu Strang oder von Teil zu Teil als mögliche nächste Regelkreise, die äußeren Regelkreise sind Qualitätsregelkreise mit Rückmeldung von internen Endtests und Eingangstests beim Endkunden). Regelungsstrategien von Naht zu Naht und von Bauteil zu Bauteil bieten einen Mehrwert für die Steigerung der Gesamtanlageneffektivität (OEE)
Für ML/AI-Modellierungsaufgaben stehen überwachte und unüberwachte Lernmethoden zur Verfügung. In einem ersten Schritt werden Methoden und Ergebnisse einer Korrelationsanalyse möglicher Prädiktoren als wichtiger und oft fehlender Schritt für die Entwicklung von ML/AI-Modellen vorgestellt.
Die Präsentation schließt mit Beispielen, die die Erkennung von Fehlern im DED-Arc-Prozess mittels unüberwachter Lerntechniken zeigen. K-Means wird als Strategie zur Erkennung von Clustern in den Daten vorgestellt, Autoencoder-Methoden werden zur Erkennung von Ausreißern und Fehlern präsentiert.
Eine Zusammenfassung und ein Ausblick befassen sich mit tatsächlichen Lücken und möglichen Verbesserungen für datengesteuerte Ansätze, Datenplausibilitätsprüfungen für Losgröße eins und Dimensionsreduktion der Eingabedaten im Vergleich zur Erklärbarkeit von Modellen, um nur zwei davon zu nennen.