Qualität durch KI: Anomalieerkennung in der Automobilherstellung

Automobilhersteller sehen sich mit der Herausforderung konfrontiert, eine hohe Produktqualität sicherstellen und gleichzeitig die Betriebskosten minimieren zu müssen. KI-gestützte Anomalieerkennung, eine Methode zur Identifikation von Auffälligkeiten in Maschinendaten, kann potenzielle Probleme vorhersagen, bevor sie überhaupt auftreten. Diese Strategie bietet Automobilherstellern die Möglichkeit, ihre Prozesseffizienz zu steigern, Stillstandszeiten zu reduzieren und die Produktqualität zu verbessern.

Viele Ingenieure und Techniker in der Automobilindustrie verlassen sich ausschließlich auf die manuelle Sichtung von Daten oder auf automatisierte Alarme, wenn Sensorwerte definierte Schwellenwerte überschreiten. Da es die menschlichen Möglichkeiten übersteigt, Tausende von Sensordaten gleichzeitig zu analysieren, werden Anomalien oft übersehen, insbesondere wenn sie in komplexen Mustern vorkommen.

KI-gestützte Anomalieerkennung ermöglicht es Ingenieuren, potenzielle Fehler vorherzusagen und Wartungsintervalle zu optimieren. Daraus resultieren eine höhere Zuverlässigkeit, geringere Betriebskosten und eine verlängerte Lebensdauer von Komponenten. Ein robustes und präzises System zur Anomalieerkennung erfordert einen gut durchdachten Entwicklungs-Workflow, der Datenerfassung, Algorithmusentwicklung sowie eine umfassende Validierung und Tests umfasst.

Entwicklung einer KI-gestützten Lösung zur Anomalieerkennung: Planung und Datenerfassung

Die Entwicklung einer KI-gestützten Lösung zur Anomalieerkennung umfasst mehrere Schritte – von der Planung und Datenerfassung bis hin zur Bereitstellung und Integration. Ingenieure, die neu im Bereich KI sind, müssen sowohl die Algorithmenentwicklung als auch die Betriebsumgebung verstehen, um eine Lösung erarbeiten zu können, die potenzielle Probleme effektiv identifiziert.

Der Entwicklungsprozess eines KI-gestützten Systems zur Anomalieerkennung beginnt mit der Definition des Problems und der potenziellen Anomalien. Auch die verfügbaren Sensordaten, Komponenten und Prozesse werden bewertet. Automobilingenieure müssen zunächst festlegen, was eine Anomalie darstellt und unter welchen Bedingungen Daten als anomal betrachtet werden sollen.

Die Datenerfassung in der Automobilherstellung erfolgt sowohl durch Sensoren, die Prozesse kontinuierlich überwachen, als auch durch manuelle Prüfungen, um höchste Präzision zu gewährleisten. Während der Fahrzeugherstellung sammeln Messsysteme innerhalb der Produktionslinien umfangreiche Daten, die häufig mit der FIN (Fahrzeug-Identifizierungsnummer) des Fahrzeugs verknüpft sind. Ingenieure sollten diese Betriebsdaten nutzen, um Systeme zur Anomalieerkennung zu trainieren – etwa für Predictive Maintenance und Qualitätskontrolle. Allerdings kann die Verarbeitung großer Datenmengen kostspielig und zeitaufwendig sein; zudem sind anomale Daten oft schwer zu ermitteln.

Ingenieure können stattdessen synthetische Daten generieren, indem sie detaillierte Simulationen von technischen Systemen und deren Betriebsumgebungen erstellen. Mit einem tiefen Verständnis der Systemphysik können Ingenieure sogar anomale Daten aus Simulationen gewinnen, die in realer Hardware schwer oder gar nicht zu erfassen sind. Synthetische Daten sind besonders nützlich, wenn echte Betriebs- oder Testdaten knapp, schwer zugänglich oder aus Datenschutzgründen eingeschränkt sind. Dabei ist entscheidend, dass die Simulation das reale Betriebssystem korrekt abbildet und Anomalien genau modelliert. Das bedeutet, dass ingenieurtechnisches Fachwissen für diesen Prozess unerlässlich ist.

Technologischer Fortschritt und Energieverbrauch durch KI

Künstliche Intelligenz gilt als Motor des Fortschritts – aber auch als Stromfresser. Zwischen Rechenzentren und Edge-Anwendungen entscheidet der Wirkungsgrad der Technik über Zukunftsfähigkeit, Kosten und globale Nachhaltigkeitsziele.

Entwicklung eines Algorithmus zur Anomalieerkennung

Der erste Schritt bei der Entwicklung eines Algorithmus zur Anomalieerkennung besteht darin, die Daten zu organisieren und vorzubereiten, um sie für die Analyse nutzbar zu machen. Dies umfasst die Neuformatierung und Neustrukturierung der Daten, die Extraktion von relevanten Datenanteilen, der Umgang mit fehlenden Werten sowie das Entfernen von Ausreißern, die das Analyseergebnis verfälschen könnten.

Als Nächstes müssen Ingenieure eine geeignete Technik zur Anomalieerkennung auswählen. Das erfordert eine Bewertung der Dateneigenschaften, der Art der Anomalien und der verfügbaren Rechenressourcen. Dabei ist entscheidend, mit verschiedenen Trainingsansätzen für ein KI-Modell zu experimentieren, um eine gute Lösung für einen bestimmten Datensatz zu ermitteln. KI-Techniken können generell – je nach Art der verfügbaren Daten – in überwachte und nicht überwachte Lernansätze unterteilt werden.

Überwachtes Lernen

Überwachtes Lernen wird für die Anomalieerkennung herangezogen, wenn Teile der historischen Daten eindeutig als normal oder anomal gekennzeichnet werden können, beispielsweise während eines Prüfstandtests. Ingenieure, die Daten mit Wartungsprotokollen oder historischen Beobachtungen abgleichen können, kennzeichnen die Daten oft manuell. Durch das Training anhand des gekennzeichneten Datensatzes erlernt das überwachte Modell die Zusammenhänge zwischen Datenmustern und den zugehörigen Kennzeichnungen.

Anwendungen von KI und Anomalieerkennung sind nicht auf Fahrzeugkomponenten beschränkt: Forscher der Technischen Universität Graz haben eine neue Methode entwickelt, um Müdigkeit bei Fahrern auf der Grundlage von Elektrokardiogramm (EKG)-Signalen und Deep-Learning-Algorithmen zu erkennen. Mithilfe eines Fahrsimulators erstellten sie eine umfangreiche Datenbank mit Messwerten von müden und ausgeruhten Fahrern und trainierten ein neuronales Netzwerk, um den Grad der Müdigkeit mit hoher Genauigkeit zu klassifizieren. Die Studie schlägt vor, EKG-Daten mit anderen Sensoren zu kombinieren und personalisierte Klassifikatoren zu entwickeln, um die Müdigkeitserkennung weiter zu verbessern.

Unüberwachtes Lernen

Viele Unternehmen verfügen nicht über gekennzeichnete anomale Daten, die für einen überwachten Lernansatz erforderlich wären. Dies kann daran liegen, dass anomale Daten nicht archiviert wurden oder dass Anomalien zu selten auftreten, um einen umfangreichen Trainingsdatensatz zu erstellen.[nbsp] In solchen Fällen ist unüberwachtes Lernen erforderlich.

Bei einem unüberwachten Lernansatz wird das Modell darauf trainiert, die Merkmale normaler Daten zu lernen. Alle neuen Daten, die außerhalb des definierten Normalbereichs liegen, werden als Anomalie gekennzeichnet. Unüberwachte Modelle können Sensordaten analysieren und dabei ungewöhnliche Muster identifizieren, die auf ein Problem hindeuten können – selbst wenn derartige Fehler bislang weder aufgezeichnet noch identifiziert wurden.

Merkmalserkundung und -extraktion (Feature Engineering)

Obwohl einige KI-Modelle direkt mit Rohsensordaten trainiert werden, ist es oft effektiver, vor dem Training nützliche Merkmale aus den Daten zu extrahieren. Feature Engineering ist der Prozess, bei dem bestimmte Kenngrößen aus Rohdaten extrahiert werden, wodurch KI-Modelle effizienter aus den zugrundeliegenden Mustern lernen können. Eine typische Anwendung ist hier das Spektrum eines Signals (Frequenzanteile) über eine Fourier-Transformation (FFT) zu analysieren. Häufig wissen erfahrene Ingenieure bereits, welche Merkmale aus den Sensordaten extrahiert werden müssen.

Edge-Geräte entwickeln sich mit Echtzeitdaten weiter

Edge-KI bewegt sich aus dem Labor in die Realität – mit dynamischer Rückkopplung aus dem Einsatzumfeld. Modelle passen sich fortlaufend an, lernen dazu und verbessern ihre Präzision dort, wo sie tatsächlich arbeiten: direkt im Feld.

Validierung und Tests

Durch Validierung und Tests wird die Zuverlässigkeit und Robustheit von KI-Modellen gewährleistet. In der Regel teilen Fahrzeugingenieure die Daten in drei Teilmengen auf: Trainings-, Validierungs- und Testdatensätze. Die Trainings- und Validierungsdaten werden zur Feinabstimmung der Modellparameter während der Trainingsphase eingesetzt. Die Testdaten wiederum werden nach dem Modelltraining zur Bestimmung der Modellgenauigkeit mit unbekannten Daten verwendet. Zudem können Ingenieure das Modell anhand von Leistungskennzahlen wie Präzision und Trefferquote bewerten und es weiter optimieren, um die Anforderungen einer spezifischen Anomalieerkennung zu erfüllen.

Neben der Genauigkeit ist auch die Ausführungsgeschwindigkeit der trainierten KI-Modelle von Bedeutung. Je nach gewähltem Modelltyp gibt es erhebliche Geschwindigkeitsunterschiede, aber auch die Ausführungsumgebung hat maßgeblichen Einfluss. Das Modell könnte beispielsweise auf einem Laptop, auf einer virtuellen Maschine in der Cloud (möglicherweise mithilfe einer leistungsstarken GPU) oder auf einem Mikrocontroller ausgeführt werden. Im Falle des Mikrocontrollers können Laufzeitmessungen mittels PIL-Tests (=Processor-in-the-Loop) hilfreich sein, um die zu erwartenden Latenzzeiten bei der Modellvorhersage abzuschätzen, bevor die Modelle produktiv einsetzt werden.

Bereitstellung und Integration

Ein trainiertes und getestetes KI-Modell wird erst dann wertvoll, wenn man es in den Betrieb integriert, und es tatsächlich Vorhersagen für neue Daten liefert. Bei der Auswahl geeigneter Bereitstellungsumgebungen berücksichtigen Ingenieure Faktoren wie Rechenanforderungen, Latenzzeiten und Skalierbarkeit. Die Einsatzmöglichkeiten reichen von Edge-Geräten im Fertigungsprozess, die Anomalien in Echtzeit erkennen, bis hin zu Cloud-Plattformen mit nahezu unbegrenzter Rechenleistung, jedoch höheren Latenzen.

Die Integration erfordert die Entwicklung von APIs zur Abfrage der Modellvorhersagen sowie die Einrichtung von Datenpipelines, um sicherzustellen, dass das Modell korrekt formatierte und vorverarbeitete Eingabedaten erhält. Dadurch wird gewährleistet, dass das Modell mit den Komponenten der Anwendung oder des Systems kompatibel ist und seinen vollen Nutzen entfalten kann.

Edge-KI: Leistung skalieren statt überdimensionieren

Künstliche Intelligenz und maschinelles Lernen am Edge implementieren – das verschlankt Datenströme zur Cloud, reduziert Latenzen und erhöht die Sicherheit. Um dabei Energie und Kosten zu sparen, kommt es auf die richtige Dimensionierung an.

Monitoring und Updates

Nachdem das fertige Anomalieerkennungssystem bereitgestellt wurde, ist die Arbeit aber keineswegs getan. In der Regel wird die Leistung des KI-Modells anschließend in der Praxis bewertet, um festzustellen, ob auftretende Anomalien zuverlässig erkannt und Fehlalarme vermieden wurden. Über längere Zeiträume können sich auch Veränderungen in den Daten ergeben, etwa durch Alterungsprozesse in den Komponenten. Das kann die Genauigkeit des Erkennungssystems insgesamt verringern. Dann wird es erforderlich, dass Ingenieure die KI-Modelle auf Grundlage der während des Betriebs gesammelten zusätzlichen Daten neu trainieren. Diese aktualisierten Modelle müssen dann wieder bereitgestellt werden, etwa als routinemäßige Software-Updates. Damit schließt sich der Kreis zum Beginn des Entwicklungsprozesses – man spricht in diesem Kontext auch von MLOps (Machine Learning Operations).

Fazit

KI-gestützte Anomalieerkennung kann Defekte reduzieren, die Lebensdauer von Komponenten verlängern und die Betriebskosten senken. An die Bereitstellung der Erkennungssysteme schließt sich eine Monitoring-Phase an, in der die Genauigkeit der Modelle in der Praxis bewertet wird und auch Updates der Modelle notwendig werden können. Damit trägt die KI-gestützte Anomalieerkennung dazu bei, die Effizienz in der Automobilindustrie zu steigern. Ingenieure können KI-Modelle einsetzen, um Sensordaten sowohl in der Cloud als auch auf Edge-Geräten zu verarbeiten und Muster aus Daten zu extrahieren. Dies ermöglicht die frühzeitige Erkennung von Problemen, bevor schwerwiegende Ausfälle auftreten. (na)