Einsatz von Verfahren des maschinellen Lernens zur Qualitätsprüfung von Wälzlagern

Zusammenfassung In diesem Beitrag werden Verfahren des maschinellen Lernens zur Qualitätskontrolle bei der automatisierten Montage von Wälzlagern betrachtet. Zunächst werden in Abschn. 2 die Begrifflichkeiten im Titel des Beitrags erörtert. In Abschn. 3 wird kurz auf den Aufbau, die Klassifizierung und die Funktion von Wälzlagern eingegangen. In Abschn. 4 werden in der automatisierten Montage verbreitete Mess- und Prüfverfahren vorgestellt. Neben der Überprüfung von geometrischen Produktmerkmalen mittels taktiler Messung wird die funktionelle Überprüfung mittels Reibmoment- oder Geräuschprüfung, die industrielle Bildverarbeitung mit ihren Anwendungsbereichen sowie die Überwachung von Füge- und Schraubprozessen zur Absicherung des Produktionsprozesses beschrieben. In Abschn. 5 wird auf die verschiedenen Verfahren des maschinellen Lernens eingegangen. Diese lassen sich aufteilen in unüberwachtes Lernen, überwachtes Lernen und bestärkendes Lernen. Beim unüberwachten Lernen können durch Clustering verborgene Zusammenhänge oder abweichende Datensätze aufgedeckt werden, ohne dass vorher die Definition einer Zielvariablen notwendig wäre. Dagegen wird beim überwachten Lernen eine Zielvariable vorgegeben, anhand derer das Verfahren die Testdaten dann beispielsweise zum Zwecke der Klassifizierung bewertet. Als gängige Verfahren werden Support Vector Machines, die logistische Regression, Entscheidungsbäume und Random Forests sowie k-Nearest-Neighbor betrachtet. Deep Learning basiert auf künstlichen neuronalen Netzen, bietet den breitesten Anwendungsbereich und kann sowohl zum überwachten, unüberwachten als auch bestärkenden Lernen eingesetzt werden, wobei derzeit vor allem das überwachte Lernen als Anwendung Relevanz besitzt. Dieses Kapitel. 6 befasst sich mit denkbaren oder schon etablierten Anwendungen des maschinellen Lernens in der industriellen Fertigung.