Forschung bei unserem Partner RH Köln
Einführung in die Arbeit des Transferzentrums für Intelligente Produktionssysteme (TIP)
Das Transferzentrum für Intelligente Produktionssysteme (TIP) der Rheinischen Hochschule Köln entwickelt anwendungsorientierte Lösungen für Industrie und Wissenschaft. Als Teil des Forschungsclusters „Intelligente und nachhaltige technische Systeme (INTeS)” bündelt das TIP Expertise aus Fertigungstechnologien, Digitalisierung und Simulation, um Produktionsprozesse effizienter und datenbasierter zu gestalten.
Einen zentralen Forschungsschwerpunkt bildet die datengetriebene Analyse von Zerspanprozessen, beispielsweise die automatisierte Erkennung von Werkzeugverschleiß. Da in der Zerspanung nur begrenzt Bilddaten verfügbar sind, gewinnt Data Augmentation an Bedeutung: Durch gezielte Bildtransformationen lassen sich Datensätze erweitern und die Netzwerkvorhersagegüte neuronaler Netze untersuchen. Das im Folgenden dargestellte Beispiel zeigt, wie algorithmisches Labeling und geeignete Augmentationsmethoden den Einsatz künstlicher Intelligenz in der Verschleißanalyse unterstützen können.
Automatisches Daten-Labeling
Das Transferzentrum für Intelligente Produktionssysteme (TIP) der Rheinischen Hochschule Köln entwickelt anwendungsorientierte Lösungen für Industrie und Wissenschaft. Als Teil des Forschungsclusters „Intelligente und nachhaltige technische Systeme (INTeS)” bündelt das TIP Expertise aus Fertigungstechnologien, Digitalisierung und Simulation, um Produktionsprozesse effizienter und datenbasierter zu gestalten.
Einen zentralen Forschungsschwerpunkt bildet die datengetriebene Analyse von Zerspanprozessen, beispielsweise die automatisierte Erkennung von Werkzeugverschleiß. Da in der Zerspanung nur begrenzt Bilddaten verfügbar sind, gewinnt Data Augmentation an Bedeutung: Durch gezielte Bildtransformationen lassen sich Datensätze erweitern und die Netzwerkvorhersagegüte neuronaler Netze untersuchen. Das im Folgenden dargestellte Beispiel zeigt, wie algorithmisches Labeling und geeignete Augmentationsmethoden den Einsatz künstlicher Intelligenz in der Verschleißanalyse unterstützen können.
„Die objektive und reproduzierbare Bewertung des Werkzeugverschleißes unter realen Produktionsbedingungen schafft die Grundlage für eine stabile und datenbasierte Führung des Zerspanprozesses. Durch die gezielte Nutzung synthetisch erzeugter Trainingsdaten lässt sich der experimentelle Aufwand deutlich reduzieren, während gleichzeitig Erfahrungswissen systematisch digitalisiert und in neuronale Netzwerke überführt wird. Ein entscheidender Beitrag zur Sicherung von Prozesskompetenz im Kontext des demografischen Wandels.“
Niklas Lohmar, Wissenschaftlicher Mitarbeiter der RH Köln
Data Augmentation
In der Zerspanung ist der Zugang zu umfangreichen Verschleißdatensätzen begrenzt, da Messreihen, Werkzeuge und Bildaufnahmen zeit- und kostenintensiv sind. Zur Erweiterung dieser Datengrundlage wurde Data Augmentation eingesetzt.
Dabei werden vorhandene Daten gezielt verändert, beispielsweise durch Rotationen, Spiegelungen, Skalierungen oder Farbvariationen. Diese Transformationen erzeugen zusätzliche Varianten und erhöhen die Diversität des Trainingsmaterials.
Der Einfluss solcher Methoden auf die Netzwerkvorhersagegüte kann erheblich variieren. Ein einfaches Beispiel verdeutlicht dies: Wird eine 6 um 180° rotiert, entsteht optisch eine 9. Eine ungeeignete Transformation kann daher widersprüchliche Trainingssignale erzeugen und die Netzwerkvorhersagegüte mindern.
Aus diesem Grund wurde untersucht, welche Augmentationsmethoden geeignet sind, um die Erkennung von Verschleißbereichen zu unterstützen, ohne die Netzwerkvorhersagegüte durch ungeeignete Transformationen negativ zu beeinflussen.
Vergleich der Trainingsvarianten
Zur Bewertung unterschiedlicher Augmentationsstrategien wurden mehrere Trainingsvarianten systematisch gegenübergestellt. Die Analyse zeigt, dass die Kombination aus realen, algorithmisch gelabelten Daten und gezielten Farb- sowie geometrischen Transformationen die zuverlässigsten Ergebnisse erzielte.
Die Resultate weisen darauf hin, dass geeignete Data-Augmentation-Verfahren die Netzwerkvorhersagegüte verbessern können und dass die Auswahl der angewendeten Transformationen einen relevanten Einfluss auf die Leistungsfähigkeit des Modells besitzt.
Aufbauend auf den aktuellen Erkenntnissen arbeitet das Team
des TIP an der Integration effizienterer Bilderfassungsmethoden direkt
im Prozess und eine semantischen Segmentierung zur Quantifizierung verschiedener Verschleimechanismen.
