Die Qualitätssicherung von Schweißnähten spielt in der Automobilproduktion eine bedeutende Rolle, weshalb hier nicht selten eine manuelle 100-Prozent-Kontrolle erfolgt. Diesen Prozess durch künstliche Intelligenz zu ersetzen verspricht Einsparpotenziale. Gleichzeitig bringt dies technische Herausforderungen mit sich, da im Vorfeld schwer abzuschätzen ist, wie zuverlässig die KI Schweißnähte zwischen ‚in Ordnung‘ und ’nicht in Ordnung‘ unterscheiden kann. Ziel eines Projekts des IoT-Spezialisten 247FactoryNet war es daher, möglichst schnell die notwendigen Daten zu erheben, um mit der Entwicklung der KI-Lösung starten zu können. Gleichzeitig sollte die Lösung nach der Proof of Concept-Phase einen weltweiten Rollout bei rund 700 Schweißzellen ermöglichen.
IoT aus dem Baukasten
Um die spezifischen Anforderungen im Anlagenbau mit Standardsoftware abzudecken, muss oft hoher Aufwand betrieben werden. Mit Hilfe des IoT-Baukastens 247Netkit gelang es jedoch, eine solche Lösung in kurzer Zeit zu entwickeln.
Steuerungen vernetzen
Der Baukasten enthält verschiedene vorgefertigte Komponenten. Die verschiedenen Steuerungen der Roboterschweißzelle werden etwa mit der Komponente NetConnect vernetzt. Diese übersetzt gerätespezifische Datenformate in IoT-übliches MQTT. Werden standardisierte Schnittstellen über OPC UA oder sonstige Standardprotokolle angesprochen, vereinfacht dies den Prozess. Zur Übertragung der komplexen Schweißparameter aus der Schweißsteuerung musste jedoch eine gerätespezifische Schnittstelle entwickelt werden, wofür die Baukastenkomponente ebenfalls Möglichkeiten bietet. Die von NetConnect übertragenen Daten der unterschiedlichen Geräte werden in der KnowledgeHub-Komponente der Lösung in ein gemeinsames Datenmodell überführt. Diese bildet beliebige Daten in einem Knowledge-Graphen ab.
Daten beschreiben
KnowledgeHub setzt auf eine durchgehende Informationsmodellierung durch die Beschreibung aller Daten anhand von Metadaten. Dadurch geht für jedes Datenobjekt hervor, um welche Art von Daten es sich handelt und wie diese zu verarbeiten sind. Eine beliebige Applikation – mit oder ohne KI – kann die Daten interpretieren und erkennen, dass es sich beispielsweise um die datentechnische Beschreibung einer Schweißnaht handelt. Dieser Prozess kann auch vertieft werden, da aus der Beschreibung etwa hervorgeht, bei welchem Wert es sich um den Strom handelt, der beim Schweißen geflossen ist.
Zusätzlich zu der Ausstattung mit Metadaten erfolgt im Informationsmodell eine semantische Verknüpfung der einzelnen Datenobjekte. Dabei werden die Daten aus isolierten Silos der drei Steuerungen (Schweißsteuerung, Robotersteuerung und Zellen SPS) so miteinander verknüpft, dass diese einen robotergeführten Schweißprozess repräsentieren. Erst dadurch ist es möglich, den tatsächlichen Arbeitsvorgang in den Daten zu erkennen, um beispielsweise den Drahtvorschub (Schweißsteuerung) mit der Länge der Schweißnaht (Verfahrweg des Roboters) in Verbindung zu setzten.
Digitales Abbild der Schweißnaht
Die nun vorhandenen Informationen zu den Schweißnähten wurden sodann in Verbindung mit den eingestellten Parametern der Schweißquelle gesetzt, wodurch ein digitales Abbild jeder einzelnen Schweißnaht in allen Zellen weltweit entstand.
Da in den verschiedenen Werken unterschiedliche Optimierungen der Schweißparameter durchgeführt werden, entstehen schnell viele verschiedene Parametersätze. Die Sammlung der Daten in KnowledgeHub, in Verbindung mit deren Beschreibung und Verknüpfung schafft nun Transparenz. Mit Hilfe von Mustererkennung und weiteren Technologien kann eine KI nun etwa damit beauftragt werden, herauszufinden, welcher Parametersatz unter bestimmten Umständen zur besten Schweißnaht führt. Oder wie etwa der Parameter Stromstärke optimal eingestellt werden sollte, um ein gewünschtes Schweißresultat zu erzeugen.
Datenbasis erweitern
Die Informationsmodellierung im Graphen ist zudem beliebig erweiterbar. Spätere Entwicklungen können jederzeit in das Informationsmodell integriert werden. Eine Möglichkeit wäre etwa, das Informationsmodell um Auftrags- oder Chargen-Daten zu erweitern. Dadurch könnte die Qualität bzw. Standfestigkeit der Schweißnaht mittels einer Tracebility-Anwendung auch über den gesamten Produktlebenszyklus verfolgt werden.
Grundlage für Algorithmen
Mittels des IoT-Baukastens gelang es, in kurzer Zeit eine IoT-Plattform aufzubauen. Dadurch wurde eine bis dahin nicht vorhandene Daten-technische Sicht auf den Schweißprozess ermöglicht, der neue Erkenntnisse hervorgebracht hat. Gleichzeitig bilden die Daten die Grundlage für die Entwicklung, die Optimierung und das Training der KI-Algorithmen, die in Zukunft die Qualitätsüberwachung automatisieren können.
