Neuronale netze: Die Messlatte liegt bei Null
Fehler beim Spritzgießen von Kunststoffteilen erzeugen teuren Ausschuss. Mit neuronalen Netzen scheint die Null-Fehler-Marke in greifbarer Nähe.
Weniger als vier Sekunden dauert die Herstellung einer Compact Disc, selbst der Grundkörper einer Telefonzelle entsteht in knapp acht Minuten. Derartige Taktraten ermöglicht der Kunststoffspritzguss, der etwa Mitte der 50er Jahre seinen Platz in der industriellen Fertigung fand. Das Grundprinzip klingt einfach: Granulat und Zusatzstoffe werden aufgeschmolzen, gut vermengt und dann unter Druck in eine Form eingespritzt; dabei erreichen moderne Maschinen Geschwindigkeiten und Drücke von bis zu einem Meter pro Sekunde und 3000 bar. Nach dem Abkühlen öffnet sich das Formwerkzeug, das Produkt wird ausgestoßen und der nächste Zyklus gestartet. Nur eines trübt die Freude: Schwankungen der Werkstoffeigenschaften oder im Prozessablauf verursachen teuren Ausschuss.
Dagegen setzen die Unternehmen Maschinenregelungen und eine statistische Qualitätskontrolle: Sensoren erfassen Drücke, Temperaturen und Geschwindigkeiten in der Anlage, weichen diese von Sollwerten ab, wird nachgeregelt, ebenso, wenn Stichproben fertiger Produkte während einer laufenden Serie eine Tendenz zu schlechterer Qualität anzeigen. Trotz dieser Maßnahmen erweisen sich im Durchschnitt ein bis vier Prozent der Produkte als fehlerhaft. Schärfere Haftungsbestimmungen, höhere Rohstoffkosten, der Preisdruck der Abnehmer und vieles mehr legen die Latte aber höher – auf null Fehler!
Die gute Nachricht: Fehler beim Spritzgießen beruhen zu etwa 80 Prozent auf Schwankungen im Prozess, müssten sich also durch bessere Regelungsmethoden vermeiden lassen. Ideal wäre dazu ein mathematisches Modell, doch wäre das schwer zu entwickeln, denn die Zahl der Einflussgrößen und ihre Wechselwirkungen untereinander sind beträchtlich. Zudem lassen sich Abweichungen in Qualitätsmerkmalen wie Geometrie, Oberflächengüte oder Festigkeit selten durch einfache Gleichungen auf Prozessschwankungen beziehen.
Zum Glück bietet die Prozessdatenverarbeitung Alternativen. Statt einen Vorgang im Detail mathematisch zu beschreiben, sollen momentane Situationen sozusagen intuitiv erfasst und bewertet werden. Das ist die Stärke künstlicher neuronaler Netze. Wie ihr biologisches Vorbild, das Gehirn, können sie nach einem guten Training Situationen klassifizieren – etwa ob Druck- und Temperaturverlauf der Kunststoffschmelze im Werkzeug "zu niedrig", "richtig" oder "zu hoch" sind – und ihren Einfluss auf die Produktqualität vorhersagen. Innerhalb kürzester Zeit muss klar sein, ob die gegebene Konstellation von Parametern ein fehlerfreies Produkt hervorbringen wird, und wenn nein, welche Parameteränderungen Probleme vermeiden.
Wie natürliche Nervenzellen empfangen die künstlichen Neuronen – tatsächlich sind es Software-Module – Informationen, die sie anhand mathematischer Funktionen verarbeiten und an andere Neuronen weiterreichen. Ein Netz umfasst zumindest eine Eingabeschicht, eine oder mehrere verdeckte Schichten und eine Ausgabeschicht, um Messdaten aufzunehmen, auszuwerten und das Ergebnis an weitere Softwarefunktionen etwa zur Parameteränderung zu übergeben. Stets sind alle Neuronen einer Schicht mit allen Neuronen der nachfolgenden verbunden und tragen somit zum Gesamtergebnis bei, doch "Gewichte" entscheiden über den jeweiligen Anteil der Informationsweiterleitung zwischen den Neuronen. Sie werden beim Trainieren eines Netzes justiert: Das Netz erhält einen Datensatz, den es beispielsweise klassifizieren oder quantifizieren soll, und dazu eine Lösung; es vermag Abweichungen seiner Berechnung vom Soll zu erkennen und durch Änderung der Gewichte zu minimieren.
Obwohl das prinzipiell automatisch abläuft, ist so ein neuronales Netz keine "Black-Box". Sein Aufbau, die geeigneten Algorithmen für Datenverarbeitung und Training wie auch die Gestaltung des Musterdatensatzes modellieren den jeweils zu überwachenden Prozesses – allerdings nicht im Sinne einer exakten mathematischen Beschreibung – und erfordern meist spezielle, an den jeweiligen Aufgaben orientierte Anpassungen.
Wir haben gemeinsam mit Instituten der Universität Stuttgart und verschiedenen Unternehmen der Branche ein System entwickelt, das jeweils kurz vor Ende der Kühlphase die zu erwartende Qualität prognostiziert, parallel dazu die eventuell notwendigen Änderungen der Maschineneinstellungen. Unsere Netze sind im Grunde einfach konstruiert, wir verwenden die häufige Variante der vorwärts gerichteten Netze (fachlich "Feedforward"), bei denen die Daten von den Eingangsneuronen über die der verdeckten Schichten zur Ausgangsschicht gelangen. Nur beim Training verläuft der Fluss in umgekehrter Richtung (Backpropagation-Lernalgorithmus). Mit der Anzahl der Neuronen und deren Gewichtsverbindungen wächst leider auch der Umfang der Trainingsmuster. Das steht im Widerspruch zur Forderung der Anwender nach geringem Versuchsaufwand. Abhilfe schaffen merkmalsbezogene Netze mit einfacher Topologie – jedes überwachte Qualitätsmerkmal und jeder Einstellparameter hat ein eigenes Netz –, die mit einem speziellen Netzgenerators automatisch erzeugt werden.
Eine entsprechend ausgerüstete Anlage arbeitet seit April 2000 in der Serienproduktion von Uhrenplatinen zur Aufnahme der mechanischen und elektrischen Komponenten. Nach Angaben des Betreibers trat seither im laufenden Prozess praktisch kein Ausschuss mehr auf.
Aus: Spektrum der Wissenschaft 5 / 2001, Seite 88
© Spektrum der Wissenschaft Verlagsgesellschaft mbH
Schreiben Sie uns!
Beitrag schreiben