Schweißforschung Künstliche Intelligenz gegen Fehler beim Schweißen

Forscher aus Stuttgart wollen das Problem von Schweißfehlern smart angehen. Lesen Sie hier, welche Hürden zu nehmen sind und was man dafür vorhat.

Fachpersonal ist, wie die meisten heute wissen, rar. Betriebe müssen deshalb auch auf unerfahrenes Personal setzen. Das erhöht aber zwangsweise die Gefahr von Bedienfehlern beim Schweißen und die gehen ins Geld. Zwar kann künstliche Intelligenz (KI) solche Bedienfehler ebenso wie Fehler durch Verschleißprozesse frühzeitig erkennen und somit reduzieren, doch sind KI-Systeme sehr „datenhungrig“. Sie müssen schließlich erst einmal mit entsprechenden Daten trainiert werden. Doch dabei stößt man auf ein anderes Problem, denn die Anwender von Schweißsystemen wollen diese Daten üblicherweise nicht herausgeben. Für den Schweißsystemehersteller Lorch hat das Fraunhofer IPA deshalb ein KI-Konzept entwickelt.

Föderiertes Lernen braucht keinen Datenaustausch

Denn wie, so die Frage von Lorch, lassen sich Anwenderfehler bei Schweißprozessen per KI zuverlässig erkennen, ohne dass die Anwender der Lorch-Systeme ihre sensiblen Schweißdaten aus der Hand geben müssen? Die Experten am IPA antworteten mit dem Ansatz des föderierten Lernens. Das Besondere daran ist, dass die KI dabei mit den Daten der Kunden gefüttert wird, ohne dass die Informationen das jeweilige Unternehmen verlassen. Der Clou ist, dass jeder Anwender mit seinen Daten ein eigenes KI-Modell trainiert. Ausgetauscht würden dann nicht die Daten, sondern lediglich die KI-Modelle. Diese werden zu einem einzigen, besser optimierten Gesamtmodell zusammengefasst.

Zunächst einmal galt es für die Forscher darum, ein geeignetes KI-Modell zur energetischen Anomalieerkennung auszuwählen – ein Modell also, das Anwenderfehler vor allem durch Energieverbrauchsdaten erkennt, wie es heißt. Dafür erhoben sie im Labor von Lorch Daten rund um den zu beobachtenden Schweißprozess inklusive dem absichtlichen Einbau von Anwenderfehlern.

Etwa 200 Schweißversuche führten sie dabei durch. Viel, doch zu wenig, um eine künstliche Intelligenz zu trainieren. Die gesammelten Daten wurden deshalb vervielfältigt. Aus den ursprünglich 200 Datensätzen wurden so 2.200. Wie das funktioniert, lässt sich am besten am Beispiel von Fotos nachvollziehen, wie die Forscher erklären. Man kann Fotos ja drehen, spiegeln, in Schwarz-Weiß umrechnen, den Zoom verändern, um mehr Daten zu generieren. Auch untersuchte das Team, wie viele Messungen pro Sekunde nötig sind, um Anwenderfehler zuverlässig zu erkennen. Es stellte sich heraus, dass weniger Messpunkte reichen als angenommen. So kann man die benötigte Speicherkapazität reduzieren, die Kommunikation vereinfachen und weniger Daten verarbeiten, was wiederum Zeit, Kosten und Energie spart, so die Forscher. Das erstellte Modell implementierte man dann auf einer Schweißstromquelle von Lorch.

Künstliche Intelligenz

Mit föderiertem Lernen und erklärbarer KI zu verbesserten Produktionsanlagen

Was bringt das sogenannte föderierte Lernen?

Diese Frage beantworteten die Forscher über ein eigens dafür erstelltes Simulationstool. Dabei analysierten sie drei Szenarien. Erstens eine künstliche Intelligenz, die mit sämtlichen Kundendaten trainiert wurde – eine hypothetische Annahme, weil diese Daten für den Schweißgerätehersteller nicht verfügbar sind. Zweitens die Modelle, die jeweils nur mit den Daten eines einzigen Kunden trainiert wurden. Und drittens das föderierte Lernen, bei denen die Modelle der Kunden zusammengeführt wurden. Die Ergebnisse sprächen für sich, denn die Erkennungsrate eines Modells, das über föderiertes Lernen trainiert wurde, liege bei 0,81 und sei damit vergleichbar gut wie die eines Systems, für dessen Training alle Kundendaten zur Verfügung stehen würden. Hier liegt die Erkennungsrate bei einem Wert von 0,86. Systeme dagegen, die nur mit den Daten eines einzigen Kunden trainiert wurden, erkennen Fehler nur mit einer Rate von 0,45, wie die Experten anmerken. Für den Schweißgerätehersteller Lorch heißt das, dass er seinen Kunden in Zukunft über das KI-System einen Mehrwert bieten kann, ohne die Daten zentral bei Lorch speichern zu müssen. Für die Kunden bietet sich der Vorteil, Fehler schneller erkennen zu können und quasi vom Wissen aller Lorch-Schweißgeräteanwender zu profitieren.

Das föderierte Lernen ist aber nicht nur für Schweißprozesse von Vorteil, heißt es weiter. Vielmehr eignet sich das System allgemein zur Beantwortung von Fragestellungen, in denen künstliche Intelligenz einen Mehrwert bietet, die dafür benötigten Daten jedoch zu sensibel sind, um sie an Dritte weiterzugeben.

(ID:49872834)