Herzlich Willkommen beim beam-Verlag in Marburg, dem Fachverlag für anspruchsvolle Elektronik-Literatur.


Wir freuen uns, Sie auf unserem ePaper-Kiosk begrüßen zu können.

Aufrufe
vor 5 Jahren

4-2019

  • Text
  • Software
  • Elektromechanik
  • Positioniersysteme
  • Antriebe
  • Stromversorgung
  • Feldbusse
  • Kommunikation
  • Robotik
  • Qualitaetssicherung
  • Bildverarbeitung
  • Automatisierungstechnik
  • Sensorik
  • Messtechnik
  • Visualisieren
  • Regeln
  • Msr
  • Boards
  • Systeme
  • Sbc
  • Ipc
Fachzeitschrift für Industrielle Automation, Mess-, Steuer- und Regeltechnik

Qualitätssicherung

Qualitätssicherung Einsatz im Werkzeug Grundsätzlich lassen sich die meisten Machine-Learning-Algorithmen auch auf Ressourcenbeschränkten Embedded Systemen einsetzen. Integriert man ein geeignetes Embedded System und die passenden Algorithmen zusammen mit der entsprechenden Sensorik in ein Werkzeug, zum Beispiel in einen Akkuschrauber, entsteht eine intelligente Werkzeugvariante, die per Supervised Learning individuell auf die Merkmale bestimmter Montageaufgaben trainiert werden kann. Im Praxiseinsatz wäre der Akkuschrauber anschließend in der Lage, die Qualität aller Schraubvorgänge an Hand mehrdimensionaler Sensordaten zu bewerten und entsprechende Ausgangsinformationen zu erzeugen. Eine einzelne Schraubverbindung, die mit einem falschen Drehwinkel oder zu geringem Drehmoment bearbeitet wird, würde ebenso wie der Verschleiß des im Schraubkopf steckenden Bits oder ein unzureichend geladener Akku sofort auffallen. Bild 3: Vereinfacht, also mit einem einzigen (eindimensionalen) Messwert, lässt sich eine Sensordatenqualifizierung wie folgt darstellen: In der X-Achse wird der jeweilige Messwert als Merkmal dargestellt. Die Y-Achse bildet dann z. B. die Qualitätsbewertung aus dem Bereich 0 bis 100%. Daraus könnte ein Klassifizierungsalgorithmus ein Modell erstellen, um anschließend bisher unbekannte Messwerte in Gut (Grün) oder Schlecht (Rot) zu klassifizieren. In einem Akkuschrauber würde der Messwert nicht aus einem einzigen Merkmal, sondern stattdessen aus mehr als 10 verschiedenen Merkmalen (z. B. Drehmoment, 3-Achsen-Drehwinkel, Strom, 3-Achsen-Beschleunigung, 3-Achsen- Winkelgeschwindigkeit usw.) bestehen. Jedes Merkmal bildet eine Dimension in den Eingangsdaten mit Rechnerunterstützung nach Mustern (Clustern) und den Grenzen zwischen den gefundenen Clustern zu suchen. Insofern spricht man bei dieser Kategorie des maschinellen Lernens auch häufig von Clusteranalysen, also die Zuordnung der vorliegenden Datenpunkte zu bestimmten Gruppen (den Clustern). Die in der Mathematik zur Verfügung stehenden Methoden nutzen unterschiedliche Ansätze, wie z. B. das prototypische Bilden von Cluster-Zentren in einem n-dimensionalen kontinuierlichen Raum (K-means-Methodik) oder Dichte-basierte Regionen als Zentrum eines möglichen Clusters (DBSCAN-Algorithmus). Darüber hinaus gibt es auch noch hierarchische Clusterverfahren. Die gefundenen Ähnlichkeitsstrukturen und die per Clusteranalyse festgelegten Gruppen können in der Praxis als Vorlage zum Labeln der bisher unbekannten Daten für ein anschließendes Supervised Machine Learning dienen. Reinforcement Learning Bestärkendes maschinelles Lernen. Beim Reinforcement Learning (RL) steht die Interaktion eines lernenden Agenten mit seiner Umwelt im Mittelpunkt. Mit Hilfe des RL können Computer nicht nur Brettspiele wie Schach oder Go gewinnen. Diese Methodik des maschinellen Lernens spielt inzwischen auch für Embedded Systeme in der Robotik und bei autonom agierenden Logistiksystemen, z. B. vollautonome Flurförderzeuge wie Gabelstapler eine sehr wichtige Rolle. Des Weiteren nutzen Staubsaug- oder Rasenmähroboter im Haus oder Garten beispielsweise den zum RL gehörenden Q-Learning-Algorithmus, um ohne fremde Hilfe den Weg zur Ladestation zu finden usw. Die Zusammenhänge beim RL sind relativ einfach: Die Umwelt des Agenten, die von diesem beeinflusst werden kann, hat eine bestimmte Anzahl von Zuständen. Jede Aktion des Agenten führt zu einem anderen Umweltzustand, für den der Agent als „Reinforcement“ eine Belohnung erhält – z. B. einen Wert zwischen 0 und 100. An Hand der Belohnungsintensität kann der Algorithmus selbstständig eine Strategie mit der besten Abfolge von Schritten erlernen, die zum jeweiligen Ziel führt. Genaugenommen könnte man das Reinforcement Learning auch dem unüberwachten maschinellen Lernen zuordnen. Auf Grund der völlig unterschiedlichen Algorithmen und Daten, die vor dem Lernen zur Verfügung stehen müssen, wird allerdings das maschinelle Lernen in drei Teilgebiete gegliedert. Echtzeit-Bewertung Realisieren lassen sich solche Qualitäts-sichernden Echtzeit- Bewertungsaufgaben in intelligenten Werkzeugen mit Hilfe von Klassifizierungsalgorithmen, wie zum Beispiel der logistischen Regression, k-Nächste-Nachbarn, Support Vector Machines, Naive Bayes, Entscheidungsbäumen oder auch künstlichen neuronalen Netzwerken. Beim Training der jeweils zum Einsatz kommenden Algorithmen werden einzelne Historiendatensätze zur Modellbildung in unterschiedliche (Qualitäts-) Klassen eingeteilt. Mit anderen Worten: Im einfachsten Fall, der binären Klassifizierung, würde man die periodischen Sensordaten des Akkuschraubers in mehrdimensionale Datenvektoren strukturieren und jeden einzelnen Vektor jeweils einer der beiden Klassen „OK“ und „Nicht OK“ zuordnen. Daraus lernt der Algorithmus dann ein Modell, dass anschließend auf bisher unbekannte Sensordatenvektoren angewendet werden kann, um diese zu klassifizieren und damit die Qualität der Schraubverbindung zu kennzeichnen. Die Erfolgsquote bei der Erkennung des fehlerhaften Werkzeugeinsatzes hängt nicht nur vom gewählten Algorithmus, sondern auch von der für das Training zur Verfügung stehenden Sensor datenmenge ab. Da durch den Praxis einsatz eines intelligenten Akkuschraubers zusätzliche Daten für weitere Trainingsphasen entstehen, lässt sich durch Modell-Updates die Fehlererkennungsquote weiter verbessern. ◄ 24 PC & Industrie 4/2019

Qualitätssicherung Glänzende Aussichten? Die Monitoring-Software der GLOSS-Serie Sensor Instruments Entwicklungsund Vertriebs GmbH info@sensorinstruments.de www.sensorinstruments.de Handgeräte zur Erfassung des Glanzgrades werden schon seit Jahren erfolgreich in der Industrie eingesetzt. Dabei haben sich in erster Linie drei Betrachtungswinkel als Standard etabliert: 20°, 60° und 85°, jeweils gemessen zur vertikalen Achse. Eine Ausnahme macht die Papierindustrie, hier wird in erster Linie auf einen Betrachtungswinkel von 45° sowie 75° zurückgegriffen. Zur Glanzgradermittlung wird die direkte Reflexion an der zu untersuchenden Objektoberfläche genutzt. Sender und Empfänger sind dabei betragsmäßig unter dem gleichen Winkel zur Vertikalen ausgerichtet, auf der einen Seite der Normalen ist dabei der Sender angeordnet, und auf der gegenüberliegenden Seite befindet sich der Empfänger. 60°-Methode Die wohl am häufigsten anzutreffende Messmethode ist die 60°-Methode, matte Oberflächen bis hin zu glänzenden Oberflächen können damit recht gut erfasst werden. Bei extrem rauen Oberflächen, z. B. bei unterschiedlichen Körnungsgraden von Sandpapier, wird hingegen die 85°-Methode bevorzugt, während bei besonders stark reflektierenden Oberflächen die 20°-Methode zum Einsatz kommt. Inline-Glanzmessung Im Zuge der 100%-Qualitätskontrolle wurde jedoch eine Inline- Glanzmessung immer wichtiger, da sich manche Produkte (z. B. Endlosmaterial aufgewickelt auf einer Spule) nicht mehr so ohne Weiteres im Nachhinein mit den Handgeräten an verschiedenen Stellen prüfen. Ein weiterer Vorteil der Inline–Messmethode ergibt sich aus der zeitnahen Ist- Zustandsmeldung des Glanzgrades, sodass im Falle einer Abweichung vom Sollwert rechtzeitig reagiert werden kann. Mit den Inline-Glanzmessgeräten der GLOSS-Serie stehen nun für die 20°-, 60°- und 85°-Messmethode drei Sensoren (GLOSS-20-20° , GLOSS-15-60° und GLOSS-5-85°) zur Verfügung, die in einem Abstand von 20 mm, 15 mm sowie 5 mm zur messenden Produktoberfläche angeordnet werden können (an der Fertigstellung der 45°- sowie 75°-Typen wird noch gearbeitet). Software Die Sensoren der GLOSS-Serie zur Inline-Glanzmessung Neben der zur Parametrierung der Sensoren erforderlichen Windows- Software ist im Lieferumfang auch eine umfangreiche Monitoring-Software enthalten, mit deren Hilfe die glanzspezifischen Daten inkl. der Auftragsdaten mit abgespeichert werden können, während parallel dazu der aktuelle Glanzgrad sowie dessen Abweichung vom Sollwert auf dem Monitor zur Anzeige gebracht werden. ◄ PC & Industrie 4/2019 25

hf-praxis

PC & Industrie

© beam-Verlag Dipl.-Ing. Reinhard Birchel