Beiträge zur Qualitätssicherung von Produktionsprozessen durch maschinelles Lernen

Mit Fortschreiten der Automatisierung in der industriellen Fertigung werden Verfahren benötigt, um nicht nur die Fertigung an sich mittels Aktoren wie präzise arbeitende Roboterarme zu automatisieren, sondern auch Methoden, um eine automatisierte Qualitätssicherung zu realisieren. Oft werden dazu Kameras eingesetzt. Eine nachgelagerte Softwarekomponente wertet infolgedessen die aufgenommenen Bilddaten mithilfe bestimmter Algorithmen aus. Zur Auswertung können lernbasierte Verfahren wie die Künstlichen Neuronalen Netzwerke genutzt werden. Diese zeigen in der Praxis eine sehr gute Performanz in vielen unterschiedlichen Problemdomänen. Dennoch haben diese Modelle den Nachteil, dass sie sich wie eine Blackbox verhalten. Das heißt, dass es oft nicht möglich ist, deren genaue interne Funktionsweise oder das Ergebnis der Klassifikation wie bei regelbasierten Verfahren nachzuvollziehen.

In der vorliegenden Arbeit werden Lösungen für die Qualitätssicherung von Produktionsprozessen exemplarisch an einem Fertigungsprozess aus der Automobilzulieferer-Branche präsentiert. Es wird ein Versuchsaufbau mit zwei auf die Szenerie gerichteten Kameras vorgestellt. Für die Fusionierung und Klassifizierung der Informationen aus dem aufgenommenen Bildpaar wird ein neuartiges Fusionsnetzwerk, basierend auf faltenden neuronalen Netzwerken, vorgeschlagen. Um die interne Funktionsweise der Fusionsnetzwerke besser nachvollziehen zu können, wurden neue, innovative Methoden zur Analyse solcher angelernten Modelle entwickelt. Im letzten thematischen Teil der Arbeit werden Netzwerkstrukturen zur bedingten künstlichen Generierung von Bildpaaren vorgestellt und der Mehrwert von synthetischen Daten für das Training von Künstlichen Neuronalen Netzwerken am Beispiel der untersuchten Applikation diskutiert.