In weiten Teilen der Produktion findet Qualitätskontrolle immer noch händisch statt. Arbeiter nehmen jedes gefertigte Bauteil in die Hand und überprüfen nach strengen Richtlinien dessen Korrektheit. Die Fallstricke dieser Methode sind offensichtlich: Personal muss für jedes Bauteil eingelernt werden, und mit fortschreitender Arbeitszeit und Müdigkeit schleichen sich immer mehr Fehler ein. Die Antwort darauf liefern klassische Prüfsysteme, die diesen Prozess automatisieren: Die Bauteile werden auf Pixelebene mit einem Idealteil verglichen, und wenn die Übereinstimmung groß genug ist, gilt das Bauteil als in Ordnung. Dieser Ansatz lässt sich durch aufwändigere Verfahren ergänzen, beispielsweise indem Bauteile in 3D gescannt und mit CAD-Dateien abgeglichen werden. Auch dieses System ist jedoch nicht ohne Tücken. Schon geringfügig veränderte Produktionsumgebungen oder Lichtverhältnisse, insbesondere bei Anwendungen ohne Einhausung, also ohne abschirmendes Gehäuse gegen Fremdlicht, können das untersuchte Bauteil auf Pixelebene völlig anders erscheinen lassen. Außerdem ist zu beachten, das klassische Prüfsysteme keine unproblematischen Abweichungen kennen: Sobald ein Schwellwert überschritten wird, gilt das Bauteil als fehlerhaft, selbst wenn die Abweichung eigentlich unbedeutend ist. Durch solche Pseudofehler landen einwandfreie Bauteile schnell im Ausschuss, was Mehrarbeit verursacht und die Stückkosten in die Höhe treibt.
Künstliche Intelligenz als Antwort
Ein ideales System müsste beides verbinden: das Urteilsvermögen eines Menschen mit der Geschwindigkeit und Ausdauer einer Maschine. Genau hier kommt künstliche Intelligenz ins Spiel. Mit ihr lässt sich die Software eines Prüfsystems so gestalten, dass sie Merkmale systematisch erkennt, auf Ambiguitäten reagiert und sie korrekt einordnet. Viele Unternehmen, vom Mittelständler bis hin zum Global Player, setzen deshalb immer mehr auf KI-gestützte Qualitätskontrolle. Ein KI-gestütztes AOI-System lernt, die Merkmale verschiedener Bauteile auf einer übergeordneten Ebene zu erkennen. Das macht solche Systeme weitaus resistenter gegenüber veränderten Produktionsumgebungen oder anderen Störfaktoren. Solche KI-gestützten Prüfsysteme sind vielseitig einsetzbar: von der Kontrolle von THT- und SMT-Bestückungen über Lötstellen- und Oberflächenprüfung bis hin zur Inspektion von Kabeln und Lacken.
Zwei Hürden in der Praxis
In der Praxis stehen diesem vielversprechenden Ansatz jedoch zwei Hürden im Weg. Die erste ist das Knowhow: Künstliche Intelligenz gilt als Spezialdisziplin, und wer ein Modell aufsetzen will, ist auf rares, oft externes Fachpersonal angewiesen. Das macht Projekte teuer und schafft Abhängigkeiten. Die zweite Hürde sind die Daten. Ein KI-Modell lernt aus Bildern, je nach Aufgabe nicht nur von einwandfreien, sondern auch von fehlerhaften Bauteilen. Solche Aufnahmen zu erzeugen kostet Zeit, und an manche kommt man nur schwer heran: Fehlerhafte Teile fallen in einer gut beherrschten Fertigung naturgemäß nur selten an. Beide Hürden lassen sich heute jedoch deutlich entschärfen. Gegen das Knowhow-Problem helfen moderne Softwareansätze nach dem No-Code-Prinzip: Das Erstellen der Daten und das Trainieren der Modelle erfordert keinerlei Programmierung, sondern läuft über eine Bedienoberfläche, die auch für Laien verständlich ist. So entstehen Prüfprogramme und KI-Modelle nicht in einer spezialisierten oder externen IT, sondern dort, wo das Prozesswissen sitzt: bei den Meistern und Vorarbeitern, die Fertigung und Fehlerquellen am besten kennen. Die nötigen Kompetenzen lassen sich in wenigen Tagen erlernen, und die Abhängigkeit von raren Fachkräften entfällt. Auch das Datenproblem ist beherrschbar. Moderne Systeme greifen im Hintergrund auf vortrainierte Modelle zurück, sodass für eine neue Prüfaufgabe oft schon wenige Dutzend Bilder genügen. Hinzu kommt, dass nicht jeder Ansatz überhaupt Fehlerbilder benötigt: Bestimmte Modelltypen lernen allein aus Aufnahmen von Gutteilen und erkennen Abweichungen, ohne dass je ein Fehler gezeigt werden musste. Vor dem Training werden die Bilder gelabelt, sprich mit Zusatzinformationen versehen, etwa der Polung eines Kondensators oder dem Wert eines Widerstands. So lernt die KI das, was auf den Bildern zu sehen ist, mit diesen Informationen zu verknüpfen. Die effektive Datenmenge lässt sich zusätzlich über Augmentationen erhöhen. Dabei werden Trainingsbilder dupliziert und gezielt abgewandelt, z.B. durch eine Aufhellung des Bildes. So entstehen aus wenigen Aufnahmen viele Trainingsbeispiele, ohne dass zusätzliche Teile fotografiert werden müssen.
Chancen und Herausforderungen
Jede Prüfung unterliegt demselben Zielkonflikt, und auch KI hebt ihn nicht auf: Ein zu empfindliches System produziert Pseudofehler und schickt einwandfreie Teile in den Ausschuss, ein zu nachsichtiges System lässt echte Fehler durchrutschen. In modernen AOI-Systemen sind Empfindlichkeit und Ähnlichkeitsschwellen pro Prüfprogramm anpassbar. Zudem muss die Entscheidung nicht allein der Maschine überlassen bleiben: Optional bezieht das System bei einem erkannten Fehler den Werker ein, der dann entscheidet, ob ein echter oder ein Pseudofehler vorliegt. Diese Rückfrage lässt sich je nach Anforderung zu- oder abschalten. Schwieriger zu beantworten ist die Frage, wie sich nachweisen lässt, dass ein KI-gestütztes System zuverlässig prüft. Das bekannte Black-Box-Problem künstlicher Intelligenz ist branchenweit nicht abschließend gelöst. Der Aufbau der Prüfung kann hier jedoch entscheidend helfen. Da das System nicht ein einzelnes Gesamturteil fällt, sondern definierte Einzelaspekte schrittweise abprüft, sequenziell oder parallel, lässt sich ein Fehler einem konkreten Prüfschritt zuordnen, etwa ‚Kondensator an Position X nicht erkannt‘, statt nur ‚Bauteil fehlerhaft‘. Das erhöht die Nachvollziehbarkeit erheblich. Herauszufinden, warum ein Modell innerhalb eines einzelnen Schritts so und nicht anders entscheidet, bleibt eine offene Herausforderung der gesamten Branche. Produkte ändern sich, und neue Fehlertypen werden erst im laufenden Betrieb entdeckt. Hier zahlt sich ein iterativer Aufbau aus. Ein Modell muss nicht von Beginn an perfekt sein, sondern lässt sich Schritt für Schritt weiterentwickeln: Man ergänzt neue Bilder oder passt Augmentationen an und trainiert das Modell anschließend nach. Dank des No-Code-Ansatzes pflegen dabei genau die Personen das Modell, die den Prüfprozess am besten kennen, und zwar in Stunden statt Wochen und ohne auf die IT-Abteilung oder den Hersteller warten zu müssen. So wächst die Prüfung mit der Fertigung mit, statt ihr hinterherzulaufen.
