Snel en automatisch lasfouten herkennen met artificiële intelligentie

Grondstoffen en energie besparen in productieprocessen is het motto van de dag. Dit geldt ook voor het lassen in de metaalsector. Het is belangrijk dat lasfouten (vaak gebruikersfouten) snel en automatisch worden herkend. Artificiële intelligentie (AI) kan hierbij helpen. Fraunhofer IPA heeft een AI-concept ontwikkeld voor het bedrijf Lorch.

Geschoolde technici zijn schaars. Bedrijven moeten daarom vaak vertrouwen op onervaren personeel. Hierdoor is de kans op gebruikersfouten groter, waardoor er meer foutieve producten worden geproduceerd en dus ook meer materiaal en energie wordt verspild. Artificiële intelligentie kan dergelijke bedieningsfouten en fouten veroorzaakt door slijtageprocessen in een vroeg stadium herkennen en dus verminderen. Ook lasfouten kunnen worden verminderd. AI-systemen hebben echter veel data nodig. Ze moeten namelijk eerst worden getraind met de relevante data. Hier doet zich een ander probleem voor. Bedrijven die systemen van bijvoorbeeld een fabrikant gebruiken, willen deze data meestal niet zomaar overhandigen.

Lasfouten voorkomen met artificiële intelligentie

Lorch Schweißtechnik werd ook met dit probleem geconfronteerd. Het nam daarom Fraunhofer IPA in de arm. Hoe, vroegen ze, kunnen gebruikersfouten in lasprocessen betrouwbaar worden herkend via AI zonder dat klanten hun gevoelige lasgegevens hoeven te overhandigen? Het antwoord van Fraunhofer IPA: met de federaal leren of collaborative learning. Het is een techniek voor machine learning waarbij een algoritme wordt getraind via meerdere onafhankelijke sessies, elk met een eigen dataset. “Het bijzondere hieraan is dat we de artificiële intelligentie trainen met de data van de klant zonder dat de gegevens het betreffende bedrijf verlaten.” Dat zegt Can Kaymakci, een wetenschapper bij Fraunhofer IPA. De truc is dat elke klant zijn data gebruikt om zijn eigen AI-model te trainen. Het zijn niet de data die worden uitgewisseld, alleen de AI-modellen. Deze worden gecombineerd tot één enkel, beter geoptimaliseerd overkoepelend model.

Geschikt AI-model

Allereerst moesten de onderzoekers van Fraunhofer IPA een geschikt AI-model selecteren voor de detectie van energieafwijkingen. Ze moeten een model selecteren dat gebruikersfouten herkent op basis van voornamelijk gegevens over energieverbruik. Daartoe verzamelden ze data over het lasproces dat in het Lorch laboratorium moest worden geobserveerd. Ze verzamelden de data inclusief de opzettelijke opname van “gebruikersfouten”.

200 lastesten

Ze voerden ongeveer 200 lastesten uit. Veel, maar niet genoeg om een artificiële intelligentie te trainen. “Daarom vermenigvuldigden we de gegevens, waardoor de oorspronkelijke 200 datasets 2.200 werden,” legt Kaymakci uit. Foto’s zijn het beste voorbeeld van hoe dit werkt. Je kunt ze draaien, spiegelen, omzetten naar zwart-wit, zoomen enzovoort. Op die manier kun je veel meer data genereren.

Gebruikersfouten

Het team onderzocht ook hoeveel metingen per seconde nodig zijn om gebruikersfouten betrouwbaar te herkennen. Het resultaat: minder meetpunten zijn genoeg dan verwacht. “Op deze manier kunnen we de benodigde opslagcapaciteit verminderen, de communicatie vereenvoudigen en minder gegevens verwerken, wat weer tijd, kosten en energie bespaart,” vat Kaymakci samen. De onderzoekers implementeerden het model dat ze creëerden op een lasstroombron van Lorch.

Fouten worden snel herkend

Wat zijn de voordelen van federatief leren of collaborative learning? De onderzoekers gebruikten een speciaal ontwikkelde simulatietool om deze vraag te beantwoorden. Ze analyseerden drie scenario’s. Ten eerste, een artificiële intelligentie die werd getraind met alle klantgegevens. Dit is een hypothetische aanname, omdat deze gegevens niet beschikbaar zijn voor de fabrikant van lasmachines. Ten tweede, de modellen die alleen werden getraind met de gegevens van één enkele klant. En ten derde federatief leren. Daarbij worden de modellen van de klanten samengevoegd.

Resultaten

“De resultaten spreken voor zich. Het herkenningspercentage van een model dat werd getraind met collaborative learning is 0,81. Dit resultaat is vergelijkbaar met dat van een systeem waarvoor alle klantgegevens beschikbaar waren voor training. Systemen die alleen zijn getraind met de gegevens van één enkele klant herkennen daarentegen slechts 0,45”, bevestigt Kaymakci. Voor de fabrikant van lasapparatuur Lorch betekent dit dat het zijn klanten in de toekomst toegevoegde waarde kan bieden via het AI-systeem zonder dat de gegevens centraal bij Lorch hoeven te worden opgeslagen. Klanten zullen op hun beurt profiteren van het feit dat ze fouten sneller kunnen herkennen en kunnen profiteren van de “kennis” van alle klanten.

Niet alleen lasprocessen

Natuurlijk kan deze vorm van artificiële intelligentie voor meer dan alleen het herkennen van lasfouten tijdens lasprocessen worden toegepast. Het systeem is eerder geschikt voor elk vraagstuk waarbij artificiële intelligentie toegevoegde waarde biedt, maar de gegevens die hiervoor nodig zijn gevoelig zijn.

Openingsfoto: Het laboratorium van Lorch verzamelt data van het lasproces om artificiële intelligentie te trainen zodat lasfouten automatisch en snel kunnen worden herkend. (foto: Lorch)

Lees ook: Duurzamer poedercoaten met artificiële intelligentie