Akustische Diagnostik – Fehlerdetektion | Signalbeurteilung | Qualitätssicherung

Künstliche Intelligenz

© iStock: NicoElNino

Von jeher haben Mess- und Prüfgeräte nicht nur das Ziel, Daten und Werte, sondern auch deren Interpretation und Bedeutung anzuzeigen. Im Zuge von Industrie 4.0 entstehen immer vielfältigere und komplexere Prüfaufgaben. Durch neue Messverfahren und unterschiedlichste Sensoren fallen immer größere Datenmengen an, die oft nicht leicht interpretierbar sind. Künstliche Intelligenz (KI) ist in der Lage, komplexen Messwerten eine Bedeutung zuzuordnen und Gesamtsituationen einzuschätzen.

Das IKTS bietet ein umfangreiches Leistungsspektrum an modernsten Methoden der künstlichen Intelligenz zur automatischen Bewertung technischer und nichttechnischer Prozesse. Mit Hilfe von Verfahren zur Signalanalyse, Musterkennung und zum Maschinenlernen können Sensorsignale automatisch interpretiert und in deren Bedeutung erkannt werden, z. B. »Prüfling gut« oder »Bauteil besitzt noch 20 Prozent Restlebensdauer«. Im Zeitalter von Industrie 4.0 übernimmt der Mensch nicht mehr die Aufgabe, Messgeräteanzeigen zu interpretieren. Vielmehr interagiert er mit KI-Systemen und überwacht diese. KI-basierte Mess- und Prüfsysteme erlernen vor der Inbetriebnahme aus Beispielen den prinzipiellen Zusammenhang zwischen Sensorsignalen und deren Bedeutung für ihre individuelle Prüfaufgabe. Später können sie vom Menschen »belehrt« und korrigiert werden und sich damit im laufenden Betrieb selbst anpassen und verbessern. Diese Technologie ist wesentlich flexibler und leistungsfähiger als traditionelle Prüfverfahren. Neben den eigentlichen KI-Komponenten nutzt das IKTS bewährte Signalanalysetechnologie. Die Primäranalyse basiert im Wesentlichen auf Verfahren der Signalverarbeitung, u. a. Zeit-Frequenz-Transformationen (STFT, Wavelettransformation etc.), Digitalfilter und Filterbänke, Signalmodellierung (z. B. mit Optimalfiltern) und KI-basierte Signalanalyse (z. B. CNNs). Die Sekundäranalyse hat die Aufgabe, die für die Mustererkennung relevanten Informationen aus den Primärmerkmalen zu extrahieren, z. B. durch Hauptkomponentenanalyse (PCA) oder lineare Diskriminanzanalyse (LDA).

Die Mustererkennung basiert z. B. auf tiefen neuronalen Netzen (DNN), Gaussian-Mixture-Modellen (GMM), Hidden-Markov-Modellen (HMM) oder Supportvektormaschinen (SVM) und schließt auch die Interpretation der Erkennungsergebnisse ein. Die hierfür notwendigen Klassenmodelle werden durch spezielle Maschinenlernverfahren, beispielsweise Deep Learning (DNN), EM-Algorithmus (GMM, HMM) und konvexe Optimierung (SVM), gebildet. Dazu werden dem System in einer Anlernphase Sensorsignale mit bekannter Bedeutung (z. B. »Prüfling ist gut«, »Prüfling ist schlecht«), auch Lernstichprobe genannt, zugeführt. Modelle können bei Bedarf später während des Betriebs weitergelernt (adaptiert) werden, um das KI-System zu verbessern oder an veränderte Aufgaben anzupassen. In bestimmten Konfigurationen tiefer neuronaler Netze übernimmt der Muster-erkenner die Aufgabe der Sekundäranalyse, teilweise auch der Primäranalyse, mit.