KI in der Fertigung: Vision-Inspektion und Predictive Quality

# KI in der Fertigung: Vision-Inspektion und Predictive Quality

Ein einzelner fehlerhafter Punktschweißpunkt an einer Body-in-White-Linie kann Jahre später einen Garantiefall auslösen, wenn ein Kunde ein Klappern hört oder, schlimmer, wenn eine strukturelle Verbindung im Crash nicht hält. Das Body-in-White (BIW) ist die geschweißte Stahl- oder Aluminiumkarosserie eines Autos, bevor Lack, Türen und Interieur dazukommen. Ein typischer Pkw hat 3.000 bis 5.000 Schweißpunkte, die diese Karosserie zusammenhalten. Wird ein schlechter übersehen, bleiben die Kosten nicht in der Fabrik. Sie begleiten das Auto ein Jahrzehnt lang.

Diese Lektion geht diese Schweißlinie ab und zeigt, wo Computer Vision heute Fehler findet, die menschliche Prüfer übersehen. Danach rechnen wir nach, warum sich das auszahlt.

Das Prüfproblem, ganz konkret

Stellen Sie sich die Schweißstation vor. Roboter setzen etwa alle paar Sekunden einen Schweißpunkt. Ein menschlicher Qualitätsprüfer kann nicht jeden Schweißpunkt an jeder Karosserie prüfen. Deshalb arbeiten Werke traditionell mit Stichproben: eine Karosserie pro Schicht herausnehmen, zerschneiden (ein destruktiver Test, genannt Teardown) und die Schweißlinsen unter Vergrößerung prüfen.

Das Problem ist offensichtlich, sobald man es ausspricht. Sie zerstören ein gutes Auto, um etwas über Schweißpunkte zu erfahren, die längst gesetzt sind, und Sie erfahren nichts über die tausenden Karosserien dazwischen.

Typische Fehler, um die es an der Linie geht:

• Zu kleine Schweißlinsen: das verschmolzene Metall ist zu klein, um Last zu tragen.
• Schweißspritzer: geschmolzenes Metall spritzt und haftet dort, wo es nicht hingehört.
• Fehlende oder übersprungene Schweißpunkte: ein Roboter setzt daneben oder die Elektrode ist verschlissen.
• Oberflächenrisse und Porosität: winzige Hohlräume, die die Verbindung schwächen.

Ein Mensch an einer laufenden Linie, bei Werksbeleuchtung, erkennt die großen Fehler. Die feinen, eine Linse, die 10 Prozent zu klein ist, oder ein Haarriss, sind genau das, was durchgeht.

Wo Computer Vision ins Spiel kommt

Computer Vision ist KI, die Bilder so interpretiert wie ein geschulter Prüfer, aber an jedem Teil, jede Sekunde, ohne Ermüdung. An einer modernen Schweißlinie funktioniert das typischerweise so:

1. Kameras (oft kombiniert mit Structured-Light- oder Lasersensoren, die 3D-Tiefe ergänzen) erfassen jeden Schweißpunkt oder jedes Blech.

2. Ein trainiertes Modell klassifiziert das Bild: pass oder ein bestimmter Fehlertyp.

3. Teile außerhalb der Spezifikation werden in Echtzeit markiert und zur Nacharbeit geleitet, bevor die nächste Station weiteren Wert auf eine schlechte Verbindung aufbaut.

Das Modell ist meist ein Convolutional Neural Network (CNN), eine KI-Art, die sich gut dafür eignet, visuelle Muster zu finden. Es lernt aus gelabelten Beispielen: tausende Bilder von "gutem Schweißpunkt" und "schlechtem Schweißpunkt", die Qualitätsingenieure taggen.

Der Wechsel geht von Stichprobe zu 100-Prozent-Prüfung. Jeder Schweißpunkt, jede Karosserie, geprüft. Das ist genau das, was Menschen physisch nicht leisten kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen und KI schon.

🎬 [VIDEO: "Deep Learning for Automated Optical Inspection" - youtube.com - wie Vision-Modelle trainiert werden, um Fertigungsfehler an Produktionslinien zu erkennen]

Warum KI eine regelbasierte Kamera schlägt

Fabriken nutzen Machine Vision seit Jahrzehnten, aber ältere Systeme waren regelbasiert: "markiere alles, was dunkler ist als Schwellwert X in Region Y". Die brechen zusammen, sobald sich die Beleuchtung ändert, ein Blech anders reflektiert oder eine neue Teilevariante auftaucht.

Moderne Deep-Learning-Modelle generalisieren. Zeigen Sie ihnen genug Beispiele akzeptabler Streuung (unterschiedliche Beleuchtung, leicht abweichende Blechoberflächen), und sie lernen, was einen Fehler tatsächlich von normalem Rauschen unterscheidet. Deshalb hat sich Vision-Inspektion in der Automobilindustrie in den letzten Jahren durchgesetzt: die Modelle vertragen endlich die Unordnung eines echten Werks.

Für eine solide Einführung in die zugrunde liegenden Methoden ist die NIST-Guidance zu KI in der Fertigung ein kostenloser, glaubwürdiger Startpunkt.

Von der Inspektion zur Predictive Quality

Einen Fehler zu erkennen ist gut. Ihn vorherzusagen, bevor ererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → auftritt, ist besser.

Predictive Quality nutzt die gleichen Datenströme plus Prozessdaten (Schweißstrom, Elektrodenkraft, Taktzeit, Elektrodenverschleißzähler), um vorherzusagen, wann die Qualität abdriftet. Wenn Elektrodenverschleiß mit zu kleinen Schweißlinsen korreliert, markiert das Modell die Elektrode zum Austausch, bevor sie schlechte Schweißpunkte produziert.

Das hängt mit Predictive Maintenance zusammen, also der Praxis, Anlagen nach ihrem tatsächlichen Zustand zu warten statt nach festem Kalender. Beides verstärkt sich gegenseitig: gesunde Anlagen produzieren weniger Fehler, und Fehlertrends zeigen Anlagenprobleme auf.

Hier die Logik in vereinfachtem Pseudocode:

# Flag welds AND predict electrode replacement
for weld in production_line:
    prediction = vision_model.classify(weld.image)      # pass / defect_type
    if prediction != "pass":
        route_to_rework(weld)
        log_defect(weld, prediction)

    # Predictive layer: watch the trend, not just the part
    recent_defect_rate = rolling_defect_rate(weld.electrode_id)
    if recent_defect_rate > threshold:
        schedule_electrode_change(weld.electrode_id)     # act before failure

Worauf es ankommt, ist nicht der Code. Es ist, dass dieselben Bilddaten, die die Pass/Fail-Prüfung leisten, auch einen Trend füttern, der Wartung auslöst. Ein Datenstrom, zwei Nutzen.

Der Business Case: Yield- und Garantierechnung

Jetzt der Teil, der MBAs interessiert. Warum das finanzieren?

Zwei Einsparungstöpfe:

1. Yield und Nacharbeit. Einen Fehler an der Schweißstation zu erkennen bedeutet, eine Verbindung zu reparieren. Ihn nach Lack, Interieur und Endmontage zu erkennen bedeutet, ein fast fertiges Auto zu demontieren oder zu verschrotten. In der Fertigung ist das die klassische Kostenschere eines Fehlers: je später Sie ihn finden, desto mehr Wert haben Sie schon darauf aufgebaut.

2. Vermeidung von Garantiefällen und Rückrufen. Ein struktureller Fehler, der ausgeliefert wird, kann zum Garantiefall werden oder im schlimmsten Fall zu einem Sicherheitsrückruf. Rückrufe sind enorm teuer, und Rückrufdaten der Automobilindustrie sind über die NHTSA-Rückrufdatenbank öffentlich, falls Sie die Größenordnung sehen wollen.

Bauen wir ein einfaches, transparentes Modell. Das sind illustrative Annahmen, keine echten Unternehmenszahlen. Nutzen Sie sie als Vorlage und setzen Sie die Zahlen Ihres eigenen Werks ein.

Annahmen:

• Das Werk baut 200.000 Fahrzeuge pro Jahr.
• Basis-Durchschlupfrate für Schweißfehler (Fehler, die eine spätere Station erreichen): 0,5 Prozent der Karosserien tragen mindestens einen durchgeschlüpften Fehler. Das sind 1.000 Fahrzeuge.
• Durchschnittliche Kosten für die Behebung eines spät erkannten Fehlers (Nacharbeit, Demontage weiter unten in der Linie, plus ein Anteil, der zu Garantiefällen wird): angenommen 800 $ gemischt.
• Vision-Inspektion findet sagen wir 70 Prozent dieser Durchschlüpfe an der Schweißstation, wo die Behebung 50 $ kostet.

Jährliche Kosten spät erkannter Fehler, Basis: 1.000 x 800 $ = 800.000 $.

Mit Vision werden 700 Fehler früh zu 50 $ erkannt (Kosten 35.000 $), und 300 schlüpfen weiter durch zu 800 $ (Kosten 240.000 $). Neue Summe: 275.000 $.

Geschätzte Brutto-Jahresersparnis: etwa 525.000 $ allein an dieser Linie, noch ohne vermiedene Rückrufe, die unregelmäßig auftreten, aber alles andere in den Schatten stellen kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen.

Dagegen stehen die Kosten: Kameras und Sensoren, Integration, der Aufwand für das Modelltraining sowie laufendes Labeling und Monitoring. Ein Vision-Rollout an einer einzelnen Linie liegt beim Aufbau oft im unteren bis mittleren sechsstelligen Bereich, plus laufende Kosten. Mit den Zahlen oben liegt der Payback innerhalb von einem bis zwei Jahren, weshalb solche Projekte Investitionsausschüsse passieren.

Der ehrliche Vorbehalt: Ihre Durchschlupfrate, die gemischten Kosten und die Erkennungsrate sind die entscheidenden Hebel. Holen Sie die aus Ihren eigenen Qualitätsdaten, bevor Sie eine Zahl versprechen.

Was in echten Rollouts schiefgeht

Die Rechnung sieht sauber aus. Der Rollout ist es nicht. Die wiederkehrenden Fehlermuster:

Schlechte Labels, schlechtes Modell. Das Modell ist nur so gut wie die "guten" und "schlechten" Beispiele, die Ingenieure taggen. Wenn Ihre besten Prüfer bei Grenzfällen unterschiedlicher Meinung sind, erbt das Modell diese Unklarheit. Investieren Sie zuerst in einen klaren Labeling-Standard.

Data Drift. Ein neuer Stahllieferant, eine andere Beschichtung, ein veränderter Kamerawinkel nach der Wartung: jedes davon kann die Bilder so verschieben, dass ein einst genaues Modell abbaut. Jemand muss die Performance überwachen und nachtrainieren. Das ist eine laufende Aufgabe, keine Einmalinstallation.

False Positives untergraben Vertrauen. Wenn das System zu viele gute Schweißpunkte markiert, fangen die Bediener an, es zu ignorieren, und Sie haben teure Kameras gekauft, die alle ausblenden. Das Pass/Fail-Threshold zu justieren ist eine betriebswirtschaftliche Entscheidung: die Kosten eines übersehenen Fehlers gegen die Kosten unnötiger Nacharbeit.

Integration mit dem MES. Das Manufacturing Execution System (MES) ist die Software, die die Produktion verfolgt. Vision-Ergebnisse müssen dort einfließen, damit eine markierte Karosserie tatsächlich herausgenommen und nachverfolgt wird. Ein Modell, das Fehler in eine Tabelle schreibt, die niemand liest, ändert nichts.

Wer verantwortet das?

In der Praxis braucht Erfolg drei Gruppen im Gleichschritt: Qualitätstechnik (definiert, was ein Fehler ist), Produktion/Operations (verantwortet die Linie und die Reaktion) und eine Daten-/KI-Funktion (baut und pflegt das Modell). Die Projekte, die stecken bleiben, sind meist die, die einer Gruppe allein übergeben wurden. Aufgabe der nicht-technischen Führungskraft ist es, dafür zu sorgen, dass alle drei ab Tag eins im Raum sitzen.

Kernaussagen

• KI-Vision macht aus der Schweißprüfung statt einer Stichprobe eine 100-Prozent-Abdeckung und findet feine Fehler (zu kleine Linsen, Haarrisse), die menschliche Prüfer an einer laufenden Linie übersehen.
• Dieselben Bild- und Prozessdaten ermöglichen Predictive Quality: Drift erkennen (etwa Elektrodenverschleiß) und Wartung auslösen, bevor Fehler entstehen.
• Der Business Case ruht auf der Kostenschere eines spät erkannten Fehlers plus dem seltenen, aber massiven Risiko aus Garantie und Rückruf. Bauen Sie das Modell mit Ihrer eigenen Durchschlupfrate und Ihren gemischten Fehlerkosten.
• Rollouts scheitern an Menschen und Daten, nicht an Kameras: Label-Qualität, Data Drift, False-Positive-Müdigkeit und MES-Integration sind die eigentliche Arbeit.
• Behandeln Sie es als cross-funktionales Programm, mit Qualität, Operations und Daten/KI im Gleichschritt, nicht als einmaligen Anlagenkauf.