Fraunhofer-Institut für Keramische Technologien und Systeme IKTSHören, Sprechen, Analysieren und Lernen stehen bei der Gruppe »Maschinelles Lernen und Datenanalyse« im Vordergrund. Denn mit den Methoden der Klang- und Signalanalyse, der akustischen Mustererkennung und des Maschinenlernens können Produkte unterschiedlichster Materialien in kürzester Zeit geprüft und evaluiert werden. Das bietet Branchen wie dem Maschinenbau, Auto- und Verkehrs-, dem Energiesektor, der Landwirtschaft, aber auch der Papier- und Textilindustrie Vorteile in Wirtschaftlichkeit und Energieeffizienz entlang des gesamten Produktions- und Produktlebenszyklus.
Selbstlernende Maschinen für KI-gesteuerte Inlineprüfungen
Selbstlernende Maschinen auf Basis Künstlicher Intelligenz (KI) können sowohl bekannte als auch unbekannte Produkte ohne großen Aufwand prüfen. Zudem sind vorhandene Maschinen mit miniaturisierten Systemkomponenten kostengünstig aufrüstbar, um KI-gesteuerte Inlineprüfungen preiswert zu realisieren. So kann die gesamte Produktion und nicht nur eine Auswahl überwacht werden.
Instandhaltungs- und Verschleißmonitoring: Eine Symbiose aus Sensorik, Algorithmik und der Wissensquelle ›Mensch‹
Die Verwendung Künstlicher Intelligenz ist auch bei der Instandhaltung von Maschinen und beim Verschleißmonitoring essenziell. Die Gruppe »Maschinelles Lernen und Datenanalyse« entwickelt dafür Sensorik und Algorithmik und kombiniert sie mit der Wissensquelle ›Mensch‹, um die Lebensdauer von Systemkomponenten vorherzusagen. Auf Grundlage daraus abgeleiteter Trends lassen sich Wartungsintervalle optimieren, Ausfallzeiten reduzieren oder produktionszyklisch einplanen. Basierend auf dem Maschinellen Lernen und der Datenanalyse wird ein verschlissenes Bauteil weder zu früh noch zu spät ausgetauscht. Das senkt Betriebskosten und verhindert Schäden.
Akustische Mustererkennung zur Zustandsüberwachung und Qualitätssicherung
Die akustische Mustererkennung kann ein Prüfobjekt anhand von Geräuschen bewerten, die im Betrieb auftreten. Dafür werden relevante akustische Informationen aus den Aufzeichnungen der Betriebsgeräusche extrahiert und aufbereitet. Wenn die Aufzeichnungen mit Signalen verglichen werden, die bei einem intakten Prüfobjekt entstehen, ist eine Gut/Schlecht-Bewertung des Prüfobjekts möglich. Damit kann unabhängig vom zugrunde liegenden Messverfahren der Zustand oder die Qualität überwacht und kontrolliert werden.
Materialdiagnostik 4.0 zur prozessintegrierten und vollautomatisierten Prüfung
Neu ist die Kombination von Verfahren des Maschinellen Lernens und der Mustererkennung mit Methoden der Signalanalyse, Merkmalextraktion und -kompression. In diesem Zusammenspiel werden automatisch Messsignalmodelle erstellt und zur Beurteilung unbekannter Prüfobjekte oder von Prüfobjekten in unbekanntem Zustand eingesetzt. Damit möchte die Gruppe »Maschinelles Lernen und Datenanalyse« die Materialdiagnostik und zerstörungsfreie Prüfung über die Stufe 4.0 heben, sodass die Kontrolle von Bauteilen, Baugruppen, Materialien, Maschinen und ganzer Anlagen prozessintegriert vollautomatisiert realisierbar wird.