KI-gestützte Schwingungsprüfung: Verbesserung der Qualitätskontrolle bei Elektromotoren

Einführung

Die Qualitätskontrolle in der Produktion von Elektromotoren ist ein entscheidender Aspekt, um Zuverlässigkeit und Leistung sicherzustellen. Traditionelle Methoden zur Prüfung und Klassifizierung von Motoren anhand von Schwingungsanalysen können sehr arbeitsintensiv und fehleranfällig sein. Um diesen Herausforderungen zu begegnen, wollen wir mit unserem Projekt den Prozess der Qualitätssicherung für Prototypenmotoren durch die Integration von KI-gesteuerter Automatisierung revolutionieren.

Hintergrund

Unser Team, bestehend aus Naveen Chand Dugar (B.Tech in Elektronik und Kommunikationstechnik), Matthias Gumbert (PhD in Neurowissenschaften) und Danijel Matesic (BSc in Informationstechnologie), hat seine vielfältigen Erfahrungen genutzt, um die Komplexitäten der Qualitätskontrolle bei Motoren anzugehen.

Ziel und Absichten

Das Hauptziel unseres Projekts ist es, die Effizienz und Genauigkeit der Qualitätssicherungsprozesse für Prototypen-Elektromotoren zu verbessern. Das wollen wir erreichen, indem wir den Prozess der Klassifizierung von Schwingungstests automatisieren, KI für präzise Anomalieerkennung einsetzen und eine Ursachenanalyse durchführen, um mögliche Qualitätsprobleme zu identifizieren.
 

Hauptziele

Automatisierte Klassifizierung: Einsatz von KI zur Automatisierung der Klassifizierung von Schwingungstests, um zwischen guten und fehlerhaften Motoren zu unterscheiden.
Anomalieerkennung: Implementierung von KI-Modellen zur Erkennung von Anomalien in Schwingungsdaten, um Einblicke in mögliche Probleme zu gewinnen.
Ursachenanalyse: Nutzung von Datenanalysen zur Durchführung von Ursachenanalysen, um den gesamten Qualitätssicherungsprozess zu verbessern.

Aktueller vs. gewünschter Workflow

Aktueller Workflow:

• Motortestlauf
• Schwingungen aufzeichnen
• Manuelle Klassifizierung als gut oder fehlerhaft

Gewünschter Workflow mit KI-Integration:

• Motortestlauf
• Schwingungen aufzeichnen
• Automatisierte Klassifizierung mit KI
• Anomalieerkennung durchführen
• Ursachenanalyse durchführen
• KI und Datenanalysen für kontinuierliche Verbesserungen nutzen
• Datenverarbeitung und -analyse

Um die Genauigkeit und Zuverlässigkeit unserer KI-Modelle sicherzustellen, folgen wir einem umfassenden Workflow:

• Datenbereinigung: Sicherstellen, dass die Schwingungsdaten frei von Störungen und Fehlern sind.
• Datenaufbereitung: Vorbereitung der Daten für die Analyse durch geeignete Strukturierung und Formatierung.
• Deskriptive und prädiktive Analytik: Einsatz fortschrittlicher Datenanalysen und KI-Modelle zur Vorhersage der Motorqualität und Identifizierung potenzieller Probleme.
• KI- und Dashboard-Integration

Unser KI-Modell, das mithilfe von Transferlernen und Convolutional Neural Networks (CNN) entwickelt wurde, sagt die Motorqualität anhand der Schwingungsdaten voraus. Das Modell ist in ein benutzerfreundliches Dashboard integriert, das eine einfache Interaktion mit den Testdaten ermöglicht. Dieses Dashboard erleichtert die Echtzeitanalyse und Visualisierung von Testergebnissen, Anomalieerkennung und Ursachenanalyse.
 

Fazit

Durch den Einsatz von KI zur Vorhersage der Motorqualität und die Durchführung von Datenanalysen zur Ursachenanalyse haben wir die Effizienz und Genauigkeit des Qualitätssicherungsprozesses erheblich verbessert. Unser Dashboard bietet eine optimierte Oberfläche für die Interaktion mit den Testdaten, sodass Ingenieure fundierte Entscheidungen leichter treffen können.
 

Zukünftige Überlegungen

Um unser System weiter zu verbessern, planen wir:

• Die Integration des KI-Modells in den Testworkflow für Echtzeitanalysen.
• Eine kontinuierliche Bewertung und Optimierung des Modells basierend auf neuen Daten und Feedback.
• Den Einsatz von grossen Sprachmodellen (LLM) für eine verbesserte Q&A-Interaktion, um Benutzern besseren Support und tiefere Einblicke zu bieten.

Danksagungen

Unseren Dank richten wir an unsere Partner bei der BMW Group und der Constructor Academy, die zum Erfolg dieses Projekts beigetragen haben.