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.
„Das AI Village ist eine herausragende Anlaufstelle für alle KI-Themen in NRW. Die Zusammenarbeit mit dem Team ist stets angenehm und unkompliziert. Besonders beeindruckend ist das umfangreiche Netzwerk sowie die gemeinsamen Veranstaltungen, zu denen wir regelmäßig eingeladen werden oder auf denen wir gemeinsam als Aussteller auftreten. Als Anlaufstelle ist das AI Village ein echter Innovationstreiber & Partner, der uns hilft, bei KI-Themen vorne mitzuspielen!“
Jannik Rößler, Co-Founder Pixit
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.
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.
Ergebnis und Benefits
Der größte Benefit ist hier wie so oft beim Thema KI-Einsatz, eine massive Effizienzsteigerung. Alles kann individuell online erledigt werden, die Mitarbeiter:innen mussten nicht auf einen Termin koordiniert werden und in passendem Outfit an irgendeiner Location erscheinen. Trotzdem sind die Bilder einheitlich und in einer mehr als zufriendenstellenden Qualität dargestellt. Hier zeigt sich, dass KI-Bildgenerierung mehr ist als bloße Spielerei bei Social Media Themen oder Produktmarkteing. Dieser Use Case beweist, dass eine Effizienzsteigerung niedrigschwellig möglich ist und nicht erst bei der Optimierung größerer Prozesse beginnt oder kostspielige und komplizierte KI-Implementierungen beinhalten muss.