Transfer-Learning nutzen für Qualitätskontrolle beim CFRP-Tape-Legen

Künstliche Intelligenz (KI) wird in der Fertigung immer wichtiger, besonders bei der Automatisierung von Prozessen und der Verbesserung der Produktqualität. Ein häufiges Problem tritt auf, wenn nicht genug Daten vorhanden sind, um KI-Modelle effektiv zu trainieren, besonders in kleineren Produktionsumgebungen. In diesem Artikel geht es darum, wie wir eine Methode namens Transfer Learning nutzen können, um dieses Problem zu lösen. Wir konzentrieren uns auf eine spezielle Anwendung, die das Legen von Carbonfaserverstärktem Polymer (CFRP) in der Luftfahrtindustrie betrifft, bei der Optische Sensoren zur Qualitätskontrolle eingesetzt werden.

#Die Herausforderung begrenzter Daten

In der traditionellen Fertigung sind oft viele Daten für das Training von KI-Modellen verfügbar, was diesen Modellen hilft, gut zu funktionieren. In kleineren Produktionsprozessen, wie den ersten Phasen der Entwicklung neuer Materialien oder Techniken, kann die Datenmenge jedoch sehr begrenzt sein. Diese Situation wirft Bedenken auf, ob wir trotzdem effektive KI-Modelle trainieren können. Zum Beispiel könnte beim Legen von CFRP-Bändern nur eine kleine Menge an Daten verfügbar sein, die ein KI-Modell nutzen kann, um die Unterschiede zwischen guten und defekten Teilen zu lernen.

#Erklärung des CFRP-Bandlegens

CFRP-Bandlegen ist eine Methode, die hauptsächlich in der Luftfahrt- und Automobilindustrie eingesetzt wird. Dieser Prozess besteht darin, Streifen aus Carbonfaser-Material auf Oberflächen anzubringen, um starke und leichte Komponenten zu erzeugen. Der Herstellungsprozess entwickelt sich noch und anfänglich werden nur geringe Mengen produziert, was bedeutet, dass weniger Daten für das Training der Modelle verfügbar sind. Das Erkennen von Defekten in diesen kleinen Chargen ist entscheidend, um die Qualität sicherzustellen. Optische Bilder dieser Komponenten werden erfasst, um nach Defekten zu suchen, aber die Anpassung der Algorithmen für eine effektive Verarbeitung dieser Bilder kann eine Herausforderung sein.

#Die Rolle des Transfer Learning

Transfer Learning ist eine Technik, bei der ein Modell, das auf einem grossen Datensatz trainiert wurde, mit einem kleineren Datensatz verfeinert wird. Diese Methode ermöglicht es dem Modell, das Wissen aus dem grösseren Datensatz zu nutzen und so seine Leistung auf dem kleineren Datensatz zu verbessern. Im Kontext des CFRP-Bandlegens interessiert uns, wie viel Trainingsdaten wirklich nötig sind, um ein KI-Modell zu erstellen, das Defekte genau vorhersagen kann.

#Ziele unserer Studie

Das Hauptziel dieser Studie ist es zu untersuchen, wie Transfer Learning effektiv zur Qualitätskontrolle beim CFRP-Bandlegen mit begrenzten Daten eingesetzt werden kann. Wir möchten zeigen, dass die Verwendung kleinerer vortrainierter Modelle immer noch starke Ergebnisse liefern kann und dass die Leistung dieser Modelle auch bei reduzierten Trainingsdaten aufrechterhalten werden kann. Durch die Verwendung von Open-Source-vortrainierten Modellen hoffen wir, Einblicke zu geben, die auf ähnliche industrielle Anwendungen angewendet werden können.

#Verständnis des Datensatzes

Für unsere Studie haben wir Bilder gesammelt, um das KI-Modell zu trainieren. Der Datensatz besteht aus etwa 73.749 Bildern mit verschiedenen Defektarten, darunter Lücken und Überlappungen. Lücken treten auf, wenn nicht genug Material zwischen den Bänderstreifen ist, und Überlappungen passieren, wenn die Bänderstreifen sich übermässig übereinanderlegen. Die meisten Bilder zeigen keine Defekte, was ein reales Szenario widerspiegelt, in dem Defekte selten sein sollten.

#Verwendete Vortrainierte Modelle

Um die Bilder zu klassifizieren, haben wir mehrere vortrainierte Modelle basierend auf ihrer bisherigen Leistung in verschiedenen Aufgaben ausgewählt. Wir haben uns verschiedene Arten von Modellarchitekturen angesehen, darunter Convolutional Neural Networks (CNNs), Vision Transformers (ViTs) und Focal Modulation Networks (FMNs). Jedes Modell repräsentiert einen anderen Ansatz im Deep Learning für Computer Vision.

#Vorbereitung der Daten

Der Datensatz muss in Trainings- und Testsätze aufgeteilt werden. Wir haben die Bilder zufällig so geteilt, dass 70 % für das Training und 30 % für das Testen verwendet wurden. Aufgrund der unausgewogenen Natur des Datensatzes haben wir sichergestellt, dass jeder Defekttyp im Trainingsprozess gleichmässig vertreten ist. Diese Balance hilft dem KI-Modell, alle Arten von Defekten effektiv zu erkennen.

#Feinabstimmung der Modelle

Mit den vortrainierten Modellen haben wir die Parameter angepasst, um ihre Fähigkeit zu verbessern, die Bilder korrekt zu klassifizieren. Wir haben die Modelle mit unterschiedlichen Datenmengen pro Defektkategorie trainiert, um herauszufinden, wie wenig Daten nötig sind, damit die Modelle trotzdem gut abschneiden. Wir haben die Genauigkeit der Modelle verfolgt und bei Bedarf Anpassungen vorgenommen.

#Ergebnisse der Studie

Unsere Ergebnisse zeigen, dass sich die Leistung der Modelle veränderte, als wir die Menge der Trainingsdaten reduzierten. Modelle, die auf grösseren Datensätzen trainiert wurden, schnitten im Allgemeinen besser ab, aber kleinere Modelle zeigten auch eine stabile Leistung, selbst mit weniger Beispielen. Die ViTs und FMNs übertrafen die CNNs in verschiedenen Testfällen. Interessanterweise konnten selbst kleine Modelle vergleichbare Ergebnisse wie grössere erzielen, was für praktische Anwendungen bemerkenswert ist, in denen die rechnerischen Ressourcen begrenzt sein könnten.

#Bedeutung der Modellgrösse

Wir haben bemerkt, dass grössere Modelle tendenziell bessere Ergebnisse liefern, aber es gab ein überraschendes Mass an Stabilität bei den kleineren Modellen. Selbst bei Training mit nur ein paar hundert Beispielen erreichten die kleinen Modelle immer noch akzeptable Genauigkeitsniveaus. Das deutet darauf hin, dass für bestimmte Anwendungen, einschliesslich solcher mit begrenzten Daten, kleinere Modelle sehr effizient sein können.

#Praktische Implikationen

Die hier geleistete Arbeit hat praktische Bedeutung in industriellen Umgebungen. Die Entwicklung von KI-Modellen, die Defekte mit kleinen Datenmengen genau klassifizieren können, kann zu verbesserten Qualitätskontrollprozessen führen. Das kann besonders nützlich in Umgebungen sein, in denen eine schnelle Reaktion auf Qualitätsprobleme nötig ist, ohne die Last einer umfangreichen Datenerhebung.

#Fazit

Zusammenfassend hebt unsere Studie das Potenzial von Transfer Learning in Kontexten mit begrenzten Daten hervor. Indem wir diese Technik erfolgreich im CFRP-Bandlegeprozess anwenden, zeigen wir, dass auch bei knappen Daten effektive KI-Modelle entwickelt werden können. Eine weitere Erforschung kleiner Modelle könnte wertvolle Erkenntnisse über ihre Effizienz in verschiedenen Anwendungen liefern und den Weg für anpassungsfähigere und zugänglichere KI-Lösungen in der Fertigung ebnen.

#Zukünftige Arbeiten

Zukünftige Forschungen könnten sich darauf konzentrieren, diese Erkenntnisse zu verfeinern, indem sie verschiedene Modellarchitekturen untersuchen oder andere Arten von Datenaugmentationstechniken einbeziehen. Eine kontinuierliche Verbesserung der KI-Methoden kann die Zuverlässigkeit von Qualitätssicherungssystemen erhöhen und letztlich zu besseren Ergebnissen in der industriellen Produktion führen.

Indem wir unsere Ergebnisse und den Code der Öffentlichkeit zugänglich machen, hoffen wir, weitere Fortschritte in diesem Bereich zu fördern und andere zu ermutigen, den Einsatz kleiner, effizienter KI-Modelle in ihren eigenen industriellen Anwendungen zu erkunden.