Skip to main content

Machine Learning in der Autoproduktion

Verfasst von Sezer Dursun   //  

Maschinelles Lernen ist ein mächtiges Werkzeug für die Generierung von Wissen aus großen Datenmengen. Es wird heute in nahezu allen Branchen für die Datenverarbeitung und die Prozessoptimierung verwendet. Im Zuge der Digitalisierung hatte sich auch ein deutscher Fahrzeughersteller dafür entschieden, künstliche Intelligenz stärker zu nutzen und die Anwendbarkeit in verschiedenen Bereichen zu erforschen.

Eine Anwendungsmöglichkeit mit dem Titel „Maschinelles Lernen zur Prüfung der Schweißeignung von Material-Dicken-Kombinationen“ wurde dabei Forschungsgegenstand einer Masterarbeit, die von Sezer Dursun in Kooperation mit einem Unternehmen aus der Automobilindustrie geschrieben wurde.

Die Macht der Daten

Die Produktion eines Autos beinhaltet unzählige Schritte, von denen das Zusammenfügen der Karosserie aus verschiedenen Blechen mit unterschiedlichen Dicken einen großen Teil ausmacht. Zwecks Sicherheit und Stabilität eines Fahrzeugs werden hohe Qualitätsanforderungen sowohl an das Material als auch das Schweißen selbst gestellt.

Für jede Material-Dicken-Kombination muss daher geprüft werden, ob sie der Eignung in der Produktion genügt. Beim untersuchten Hersteller geschieht dies in einem aufwendigen manuellen Prozess. Die Kombinationen werden verschiedenen Tests unterzogen, um deren Stabilität zu prüfen.

Über viele Jahre sammelte unser Kunde so eine große Menge an MDK-Daten, mit denen analysiert wurde, ob sich die Schweißeignung auch durch maschinelles Lernen vorhersagen lässt.

Um das maschinelle Lernen entwickeln und anwenden zu können, musste das Team zunächst ein Verständnis der zugrundeliegenden Daten bekommen. Diese wurden in einer umfassenden Datenanalyse untersucht, hinsichtlich ihrer Bedeutung und Relevanz überprüft und entlang verschiedener statistischer Methoden ausgewertet.

Die so entstandene Auswertung gab Aufschluss über fundamentale Zusammenhänge zwischen einzelnen Komponenten einer Kombination und die Möglichkeit, Hypothesen zur Schweißeignung aufzustellen.

Die Algorithmen werden immer besser

Anschließend war es an der Zeit, die künstliche Intelligenz zu entwickeln, die diese Schweißeignung vorhersagen sollte. Hierzu bereitete das Team vorher die umfassend analysierten Daten auf, bereinigte sie und brachte sie in eine maschinenlesbare Form.

Um die Vorhersagegenauigkeit möglichst exakt zu bestimmen, wurden mehrere Algorithmen wie bspw. künstliche neuronale Netze oder Entscheidungsbäume verwendet und ihre Performance miteinander verglichen. Tatsächlich ergaben sich signifikante Unterschiede bei den einzelnen Algorithmen, jedoch konnten Genauigkeiten von bis zu 94 Prozent nachgewiesen werden.

Erfreulicherweise ist somit die Frage nach der Vorhersagbarkeit positiv beantwortet und ebenfalls die Nutzbarkeit verifiziert worden. Algorithmen liefern eine nützliche Hilfestellung, die Genauigkeit einer manuellen Überprüfung ersetzen sie aber nicht. In Zukunft werden die Vorhersagen durch größere und detailliertere Datenmengen noch präziser werden.