Wie funktioniert Machine Learning beim Spritzgießen?

Mit dem Oberbegriff künstliche Intelligenz wird eine wissenschaftliche Disziplin bezeichnet, die sich mit unterschiedlichen Technologien zum Entwickeln einer menschenähnlichen Intelligenz befasst. Ziel dieser Technologien ist es, maschinellen Systemen, also Computern oder auch computergesteuerten Maschinen und Anlagen, die Möglichkeit zu geben, in menschenähnlicher Weise zu lernen und auf der Basis des erlernten Wissens Schlussfolgerungen zu ziehen. Die Forschung in diesem spezifischen Themenfeld sowie die Kreation des Begriffes geht dabei auf die Dartmouth Konferenz zu diesem Thema aus dem Jahr 1956 zurück. Diese Wissenschaft ist somit nicht neu oder gerade erst entstanden, sie kommt nur heute erst so stark in den Fokus. Geforscht wird in diesem Fachbereich also daran, wie ein Computer aus Beobachtungen Lernen und aus dem gelernten Wissen Erkenntnisse ableiten kann. Ein wesentlicher Aspekt, der die Entwicklung einer künstlichen Intelligenz dabei so unglaublich erstrebenswert macht, ist, dass einmal entwickelte Systeme wiederverwendet und beliebig oft reproduziert werden können.

Und warum reden dann derzeit alle von KI, wenn die Wissenschaft schon seit fast 70 Jahren existiert?

Es ist anzunehmen, dass die enormen Erfolge die einzelne Methoden aus dem Bereich der KI-Forschung – nämlich aus den Bereichen Machine Learning, Deep Learning und Reinforced Learning – in den letzten Jahren erzielt haben, diesen „Hype“ mitverursacht haben. Die hier angesprochenen Methoden werden dabei beispielsweise in alltäglichen Anwendungen wie etwa Bilderkennungssystemen auf Smartphones eingesetzt. Fast jeder kennt heutzutage Smartphone-Apps die zum Beispiel auf der Basis von selbstgemachten Pflanzenfotos die Pflanze klassifizieren, anhand von Gebäudefotos die Sehenswürdigkeit benennen oder anhand von Blattfotos eine Baumsorte identifizieren.

Geforscht wird in diesem Fachbereich also daran, wie ein Computer aus Beobachtungen Lernen und aus dem gelernten Wissen Erkenntnisse ableiten kann. Ein wesentlicher Aspekt, der die Entwicklung einer künstlichen Intelligenz dabei so unglaublich erstrebenswert macht ist, dass einmal entwickelte Systeme wiederverwendet und beliebig oft reproduziert werden können.

Während beispielsweise nur wenige Menschen jemals den Status eines Schach-Großmeisters in ihrem Leben erreichen werden, weil dafür eben ein enorm hohes Maß an zeitlichem Lernaufwand – Stichwort: Training – notwendig ist, kann ein einmal existierendes Schach-Großmeister-Computerprogramm theoretisch quasi beliebig oft repliziert und eingesetzt werden. Würde im übertragenen Sinne ein Großmeister-Spritzgießmaschinenbediener als Computerprogramm entwickelt, so könnte dieser zum Bedienen jeder Spritzgießmaschine dieser Welt repliziert werden und würde nie wieder fehlerhafte Teile produzieren – so zumindest die Wunschvorstellung.

Diese Analogie beantwortet vermutlich auch schon die Frage, warum jeder Kunststoffverarbeiter, Maschinenbauer oder Systemlieferant dieses Ziel so attraktiv findet: Die Vorstellung ein KI-System zur Verfügung zu haben, welches so intelligent und erfahren ist wie der weltbeste Spritzgießexperte und gleichzeitig beliebig oft reproduziert werden kann, klingt eben sehr reizvoll.

Doch damit kommen wir zur entscheidenden Frage: Ist dieses Ziel heute bereits mit künstlicher Intelligenz möglich? Die klare Antwort darauf lautet: Nein, das gibt es nicht. Und leider kann hinzugefügt werden: Das wird es auch so schnell nicht geben. Aber warum geht das nicht? Beim Schach oder gar beim japanischen Go Spiel, immerhin den beiden Spielen, die als die weltweit komplexesten Spiele überhaupt gelten, war es doch möglich einen Computer zu entwickeln, der die fähigsten menschlichen Spieler dieser Welt schlagen kann. Wieso soll das für den Spritzgießprozess also nicht möglich sein? Die Antwort liegt in diesen zwei Stichworten:
- Sichtbarkeit zwischen Ursache und Wirkung sowie
- Verfügbarkeit von hochwertigen Trainingsdaten.

Bei den beiden Brettspielen kann jedem einzelnen, technisch möglichen Spielzug eine eindeutige und absolut korrekte Auswirkung zugeordnet werden. Somit lässt sich theoretisch auch jede mögliche Kombination von Spielzugfolgen sowie die jeweilige Auswirkung berechnen – auch wenn dies in der Praxis eine enorm hohe Menge bedeutet. Jede so durchgeführte „Spielsimulation“ hat dabei die Besonderheit, dass alle erdenklichen Einflussfaktoren auf das Spiel bekannt sind und dass jedes Simulationsergebnis perfekt und korrekt ist. Es ist also möglich durch Simulationen in kurzer Zeit eine riesige Anzahl an Trainingsdaten zu erzeugen, die jeden Einflussfaktor berücksichtigen und die immer zu 100 % korrekt sind. Aus diesen Daten können maschinelle Lernmethoden „trainiert“ werden.

Diese Situation trifft jedoch auf das Spritzgießen ganz eindeutig nicht zu. Beim Spritzgießen verarbeiten wir einen Rohstoff auf einer Spritzgießmaschine zu einem Formteil. Jeder Spritzgießer wird bei der Aussage zustimmen, dass unterschiedliche Rohstoffchargen, Trocknungsgrade oder Materialtypen teilweise – bei ansonsten identischen Prozess- und Umgebungsparametern – zu unterschiedlichen Qualitätsergebnissen führen können.

Damit nun aber ein maschineller Lernansatz einen Zusammenhang zwischen der Schüttdichte, der Molekulargewichtsverteilung, der Restfeuchte oder der Nullviskosität des Rohstoffes und der Bauteilqualität in Bezug auf Stippen, Schlieren, Lunker, Schallplattenrillen oder Bindenähten erlernen kann, müsste dem maschinellen Lernalgorithmus jede dieser Informationen als exaktes Messergebnis vorliegen. Gleichzeitig müsste sichergestellt sein, dass im gesamten Prozess keine Störfaktoren existieren, die ebenfalls einen Einfluss auf den jeweiligen Qualitätsparameter haben, da ansonsten das Risiko existiert, dass fehlerhafte Zusammenhänge erlernt werden.

Störfaktoren können beispielsweise Verschleißeffekte an der Maschine sein, fehlerhafte Prozessdaten, schwankende Umgebungsbedingungen oder auch zu große Ungenauigkeiten in den Messergebnissen. Diese Situation ist bei einem Spritzgießprozess weder derzeit noch in naher Zukunft realisierbar.

Das Gute ist, die klare Antwort darauf ist auch: Nein. Es gibt sehr wohl Bereiche beim Spritzgießen, wo Ansätze aus dem großen Wissenschaftsbereich KI durchaus sinnvoll einsetzbar, effizient und sehr genau sind. Dafür sind drei Dinge zwingend notwendig:
1. Es muss ein eindeutiges Ziel existieren.
2. Es muss eine Methode geben, die in der Lage ist, dieses Ziel zu erfüllen.
3. Es müssen die Voraussetzungen erfüllt werden können, die die Methode benötigt.

Schlussfolgerung: „Super, dann machen wir im kommenden Jahr auch etwas mit KI!“ Nicht selten sind Aussagen wie diese zu hören. Stellen wir uns dazu die Methoden aus dem Bereich KI jeweils als ein „Werkzeug“ aus einem Werkzeugkasten vor. Verwenden wir einfach als Beispiel mal das Werkzeug „Akku-Bohrmaschine“. Glauben Sie es würde jemand auf die Idee kommen zu sagen: „Ich nehme mir für das Jahr 2023 vor, dass wir häufiger eine Akku-Bohrmaschine in unserer Produktion einsetzen?“ Vermutlich nicht.

Vielleicht würde aber jemand auf die Idee kommen und sagen: „Wir sollten am Produkt X noch zusätzlich eine Bohrung von 20 mm Durchmesser anbringen.“ Welches Werkzeug könnte sich dafür eignen? Vielleicht eine Akku-Bohrmaschine? Nein, eher eine etwas größere Bohrmaschine mit einem größeren Bohrfutterdurchmesser. Der entscheidende Unterschied ist hierbei: Wir entscheiden uns nicht für ein Werkzeug, sondern wir definieren ein Ziel. Das Werkzeug ist nur Mittel zum Zweck und muss geeignet sein das Ziel herbeizuführen.

Die Wissenschaft „künstliche Intelligenz“ stellt den Werkzeugkasten mit unterschiedlichen Methoden zur Verfügung und der Anwender kann sich aus diesem Methodenbaukasten die für ihn passende auswählen. Jede Methode hat gewisse Voraussetzungen und kann gewisse Dinge leisten. Wichtig ist bei der Auswahl also stets, dass eine klare Vorstellung davon existiert, was genau als Ziel erreicht werden soll und welche Methoden dabei nützlich sein können. Die häufigsten Methoden die in Kunststoffverarbeitungsprozessen eingesetzt werden, sind Methoden aus den Bereichen des
- überwachten Lernens (supervised learning),
- unüberwachten Lernens (unsupervised learning),
- und beides jeweils in Kombination mit tiefem Lernen (deep learning).

Als überwachtes Lernen bezeichnet man die Situation, dass einem Zustand und einer Werteveränderung ein direkt wahrnehmbares Ergebnis zugeordnet werden kann. Die Folge auf eine Aktion ist sichtbar und kann überwacht werden, somit kann aus dieser Situation auch eine Schlussfolgerung abgeleitet werden.

Dies ähnelt sehr der einfachsten Art wie auch Menschen „lernen“. Wenn ich Zucker in meinen Joghurt gebe, wird dieser süß, wenn ich Salz hineinstreue, wird dieser salzig. Es erfolgt eine Aktion, das Ergebnis ist wahrnehmbar und daraus wird erlerntes Wissen abgeleitet. Zukünftig kann ich, ohne es zu probieren sagen, wenn ich es süßer haben will, sollte ich Zucker anstatt Salz verwenden.

Beim unüberwachten Lernen hingegen ist das Ergebnis nicht bekannt. Hier wird lediglich beobachtet was passiert und es wird versucht, Gemeinsamkeiten zu identifizieren. Ein Kleinkind kann einen Elefanten von einem Hund oder einer Katze unterscheiden, bevor es von irgendeinem der Tiere die geringste Kleinigkeit weiß. Allein die Kombination der unterschiedlichen Merkmale sagt dem Kind schon, diese Dinge sind unterschiedlich voneinander, obwohl alle Tiere vier Beine, einen Kopf und Augen sowie Ohren haben. Wird dem Kind anschließend beigebracht, dass das graue Große ein Elefant ist und das bellende ein Hund, kann es wiederum genau sagen, welches der Tiere es gesehen hat.

Als tiefes Lernen bezeichnet man eine Methodik des maschinellen Lernens, bei der künstliche neuronale Netze eingesetzt werden. Das künstliche neuronale Netz wird mit einer Eingangsinformation beaufschlagt die innerhalb des Netzes in eine sehr tiefe (deep) Vielzahl von quasi beliebig kleinen Unterinformationen aufgeteilt und wieder zusammengeführt wird. So kann aus einem Bild eines Elefanten eine Vielzahl an Unterinformationsebenen erzeugt werden wie Farbe, Form. Durch einen Vergleich dieser Details mit erlerntem Wissen aus Trainingsdaten ist eine Entscheidung möglich. Das Deep Learning ist also eine Methode zur Informationsverarbeitung und kann in unterschiedlichen Szenarien eingesetzt werden.

Eine Kamera fotografiert jedes Bauteil von unterschiedlichen Seiten und vergleicht die Bilder mit vorhandenen Trainingsdaten. Dazu werden die Bilder zunächst in einem künstlichen neuronalen Netz in viele Teilbestandteile wie Farbe, Form, und andere zerlegt und mit den Trainingsdaten verglichen. Auf diese Weise lässt sich mit Hilfe von Machine Learning und Deep Learning die Information erhalten, ob das Bauteil eher einem Datensatz aus dem Training ähnelt, der als fehlerhaft eingeordnet wurde, oder ob es nur den Gutprodukten des
Trainingsdatensatzes ähnelt. Auch Aussagen wie mit 45 % Wahrscheinlichkeit ist es Gutware und zu 55 % ist es Ausschuss sind dabei möglich. In solch einem Fall sollte nachtrainiert werden.

Eine Prozessdatenerfassung überwacht die Prozessparameter beim Spritzgießen und versucht diese mit erlernten Informationen abzugleichen, ohne zu wissen, was in der Produktion gerade passiert. Das System erkennt, dass die eingestellten Prozessparameter, Drücke und Temperaturen sehr ähnlich dem aus den Trainingsdaten abgespeichertem Zustand „A“ sind. Dieser wurde dem System als „Gutwarenproduktion“ beigebracht. Plötzlich verändern sich die Parameter und diese ähneln einem anderen Zustand. Dies wird vom System erkannt und es versucht den neuen Zustand zu identifizieren beispielsweise sinkende Temperaturen, Druckzunahme. Einer der abgespeicherten Zustände aus den Trainingsdaten ist sehr ähnlich und trägt die Anomalie-Bezeichnung „Heizband defekt“. Das System meldet diesen Zustand. Beide Ansätze sind Stand der Technik und lassen sich heutzutage realisieren. Aber was sind die Voraussetzungen für derartige Methoden? Daten, Daten, Daten.

Oberster und wichtigster Schritt für jeden erdenklicken Einsatz von KI oder Machine Learning in der Produktion ist die Verfügbarkeit einer möglichst großen Menge an korrekten und sauber aufbereiteten (Zeitreihen-) Daten, die einen direkten Zusammenhang zum Analyseziel haben. An dieser Position setzt das Dienstleistungsangebot sowie das virtuelle Produktions-Assistenzsystem Vipra von SHS plus, Dinslaken, an.

Wenn Machine Learning einsetzt werden soll, um zu erfahren welches Fehlerbild am Produkt ist, so wird Bildmaterial benötigt. Je mehr bildliche Informationen generiert werden können, desto besser können Trainingsdaten erzeugt und desto leistungsfähiger wird das ML-System. Für dieses Ziel werden aber keine Energieverbrauchsdaten, Schneckendrehzahlen oder Schließkräfte benötigt. Diese Informationen sind zur Identifikation der Fehlerart nicht notwendig. Folglich muss das Ziel bekannt sein, um zu wissen welche Daten zu erheben sind. Zudem ist es von entscheidender Bedeutung, dass die Erhebung der Daten korrekt erfolgt. Fehlerhafte Zeitstempel, falsche Zuordnungen, verteilte Speicherung in unterschiedlichen Datenbanken oder Dateien sowie eine Unzahl an Redundanzen oder Artefakten in den Daten machen deren Aufbereitung schwer oder gar wirtschaftlich unmöglich.

Von welchen Systemen müssen Daten gesammelt und muss alles gleichzeitig „digitalisiert“ werden?

Je kleiner der Anwendungsbereich des Systems gewählt wird, desto kleiner wird auch der Teilbereich, der mit digitaler Datenerfassung erschlagen werden muss. Umgekehrt heißt dies aber auch, wenn der Gesamtprozess überwacht werden soll, wäre theoretisch auch jede Information zu erfassen, die eine Auswirkung auf den Prozess haben kann. Also auch Informationen wie Molekulargewichtsverteilung, Restfeuchte, Verschleißgrad der Schnecke. Dies muss immer im Einzelfall diskutiert werden und hier ist domänenspezifisches Fachwissen über die Zusammenhänge in der Kunststoffverarbeitung von entscheidender Bedeutung, sodass eine saubere Definition hinsichtlich – was ist notwendig und was kann vernachlässigt werden – erfolgen kann.

Das Assistenzsystem wird in die Lage versetzt, mit jedem erdenklicken Quellsystem wie der Spritgießmaschine, Qualitätssensorik, Handling, Nachfolgeprozessen zu kommunizieren und sammelt (akquiriert) somit sämtliche Informationen, die über den Prozess vorliegen. Reichen diese Informationen nicht aus, lassen sich auch zusätzliche Sensoren an das Assistenzsystem verbinden, sodass die zur Verfügung stehende Informationstiefe auf das notwendige Maß gesteigert werden kann. Auf diese Weise entsteht ein digitales Abbild der Produktion, mit der Besonderheit, dass diese Daten als „Live-Datenstrom“ kontinuierlich, Sekunde für Sekunde in das Assistenzsystem hineinfließen, dort direkt zusammengeführt (konsolidiert) und zur weiteren Auswertung verarbeitet werden (optimiert, analysiert). Daten die keinen eindeutigen Bezug zu einem Bauteil/Fehlerbild haben beispielsweise aus einer nachgeschalteten, zeitlich versetzten Qualitätskontrolle werden korrekt zugeordnet (kontextualisiert) und sämtliche Daten werden dauerhaft gespeichert (persistiert).
Die Arbeit am Live-Datenstrom versetzt das System somit in die Lage, permanent und in jeder Sekunde die Prozessparameter im Blick zu behalten. Zudem lassen sich grafische Visualisierungen darstellen (visualisiert), Berechnungen auf den Daten durchführen oder Schwellwerte für das Auslösen von Meldungen konfigurieren (informiert). Ebenso ist es möglich Prozesse mit vorhergehenden zu vergleichen oder die Daten in Machine Learning Szenarien einzusetzen. Vollständig unabhängig von der sonstigen Infrastruktur ist es so möglich, eine zentrale Datenwahrheit über die Produktion zu erfassen und diese auf Wunsch an jedes beliebige Drittsystem zu übertragen (Kommunikation).

Quelle: SHS plus