Neuer Ansatz 16.01.2024, 07:00 Uhr

Ohne Datenaustausch: KI erkennt Fehler beim Schweißen

KI-Systeme sind hungrig. Sie benötigen große Mengen Daten, damit sie funktionieren. Doch bei sensiblen Daten kann das zum Problem werden. Forschende des Fraunhofer IPA haben dafür eine Lösung entwickelt: Dank föderierten Lernens können Unternehmen trotzdem von passenden KI-Konzepten profitieren.

Im Labor von der Firma Lorch werden Daten des Schweißprozesses erhoben, um Künstliche Intelligenz zu trainieren.

Dank einer neuen Trainingsmethode ist es Forschenden gelungen, mit KI Fehler beim Schweißen zu erkennen.

Foto: Lorch

Wer mit KI-Systemen arbeitet, der weiß: Ohne Training und ohne Daten funktioniert das nicht. Für Industrie- oder Produktionsbetriebe stellt dies allerdings häufig eine besondere Herausforderung dar. Und die betrifft im Speziellen die Daten. Genau vor diesem Problem stand auch die Lorch Schweißtechnik GmbH. Einerseits wollte das Unternehmen den eigenen Schweißprozess optimieren, also Rohmaterial und Energie einsparen. Andererseits war es für die Firma unmöglich, die damit verbundenen Daten zu ihren Anlagen und Prozessen herauszugeben. Unterstützung bekamen sie beim Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA. Die Lösung: föderiertes Lernen.

Hat KI ein gefälschtes Raffael-Gemälde entdeckt?

Top Stellenangebote

Zur Jobbörse
Schleifring GmbH-Firmenlogo
Vertriebsingenieur (m/w/d) Schleifring GmbH
Fürstenfeldbruck Zum Job 
mondi-Firmenlogo
Junior Anwendungstechniker (m/w/x) mondi
Steinfeld Zum Job 
Sprint Sanierung GmbH-Firmenlogo
Projektleiter (m/w/d) Großschäden Sprint Sanierung GmbH
Düsseldorf Zum Job 
MKH Greenergy Cert GmbH-Firmenlogo
Projekt-Ingenieur (m/w/d) in der Anlagenzertifizierung MKH Greenergy Cert GmbH
Hamburg Zum Job 
Die Autobahn GmbH des Bundes-Firmenlogo
Bauingenieur (w/m/d) konstruktiver Ingenieurbau Die Autobahn GmbH des Bundes
Albert Handtmann Maschinenfabrik GmbH & Co. KG-Firmenlogo
Entwicklungsingenieur (m/w/d) Vakuumfüller Albert Handtmann Maschinenfabrik GmbH & Co. KG
Biberach an der Riß Zum Job 
Stuttgart Netze GmbH-Firmenlogo
Ingenieur Projektmanagement Hochspannung (w/m/d) Stuttgart Netze GmbH
Stuttgart Zum Job 
Die Autobahn GmbH des Bundes-Firmenlogo
Bauingenieur (m/w/d) für Straßenausstattungsanlagen und Verkehrsführung Die Autobahn GmbH des Bundes
Osnabrück Zum Job 
Kreis Pinneberg-Firmenlogo
Ingenieur*in / Fachplaner*in für Technische Gebäudeausrüstung (m/w/d) Kreis Pinneberg
Elmshorn Zum Job 
Stadtwerke Leipzig GmbH-Firmenlogo
Ingenieur (m/w/d) Apparatetechnik Stadtwerke Leipzig GmbH
Leipzig Zum Job 
Kassenärztliche Vereinigung Baden-Württemberg-Firmenlogo
Bauingenieur TGA (m/w/d) im Bereich der Gebäudesanierung und Instandhaltung Kassenärztliche Vereinigung Baden-Württemberg
Stuttgart Zum Job 
Stadt Erlangen-Firmenlogo
Ingenieur*in, Techniker*in oder Meister*in für den Kanalbau Stadt Erlangen
Erlangen Zum Job 
DHBW Duale Hochschule Baden-Württemberg Stuttgart Campus Horb-Firmenlogo
Professur (m/w/d) für Maschinenbau (Schwerpunkt: Versorgungs- und Energiemanagement) DHBW Duale Hochschule Baden-Württemberg Stuttgart Campus Horb
Horb am Neckar Zum Job 
Stadtwerke München GmbH-Firmenlogo
Spezialist für Steuerungen im intelligenten Stromnetz mittels Smart Meter (m/w/d) Stadtwerke München GmbH
München Zum Job 
Collins Aerospace HS Elektronik Systeme GmbH-Firmenlogo
Senior Entwicklungsingenieur (m/w/d) Mechanik Collins Aerospace HS Elektronik Systeme GmbH
Nördlingen Zum Job 
Cummins Deutschland GmbH-Firmenlogo
Controls Engineer (m/w/d) - Hourly Cummins Deutschland GmbH
Marktheidenfeld Zum Job 
CoorsTek GmbH-Firmenlogo
Prozessingenieur / Ingenieur (m/w/d) Produktion CoorsTek GmbH
Mönchengladbach Zum Job 
Die Autobahn GmbH des Bundes-Firmenlogo
Bauingenieur als Abteilungsleitung Planung (w/m/d) Die Autobahn GmbH des Bundes
Kempten (Allgäu) Zum Job 
Herrenknecht AG-Firmenlogo
Projektcontroller (m/w/d) Herrenknecht AG
Universitätsklinikum Leipzig-Firmenlogo
Projektleiter (m/w/d) Bereich 5 - Bau und Gebäudetechnik, Abt. Bau Universitätsklinikum Leipzig
Leipzig Zum Job 

„Das Besondere daran: Wir trainieren die Künstliche Intelligenz mit den Daten der Kunden, ohne dass die Daten das jeweilige Unternehmen verlassen“, sagt Can Kaymakci, Wissenschaftler am Fraunhofer IPA. Föderiertes Lernen bedeutet am Beispiel der Firma Lorch Schweißtechnik konkret: Das Unternehmen trainiert mit den entsprechenden Daten ein ganz eigenes KI-Modell. Damit am Ende die gewünschten Ergebnisse dabei herauskommen, werden eben nicht die Daten, sondern die KI-Modelle ausgetauscht. So entsteht am Ende ein optimiertes Gesamtmodell.

Wie aus 200 Versuchen 2.200 werden für die KI

Damit das Unternehmen Lorch Schweißtechnik auch die passenden Ergebnisse erwarten konnte, musste zuerst ein geeignetes KI-Modell ausgesucht werden. Die Anforderungen lauteten: Energieverbrauchsdaten erkennen und Veränderungen feststellen. Die Wissenschaftlerinnen und Wissenschaftler der Fraunhofer IPA führten rund 200 Schweißversuche durch, um einerseits den Prozess zu beobachten und andererseits Fehler einzubauen, damit das System daraus lernt. Grundsätzlich ist diese Anzahl an Versuchen viel zu wenig, um eine KI damit ausreichend zu trainieren. Doch die Forschenden haben die vorhandenen Datensätze einfach vervielfacht, so dass aus 200 Versuchen am Ende 2.200 wurden.

Eine solche Vervielfältigung funktioniert praktisch wie eine, die man auch von Fotos kennt: indem man sie dreht, spiegelt, den Zoom verändert oder in Schwarz-Weiß umwandelt, entstehen viel mehr Daten. Darüber hinaus legte das Forscher-Team auch den Fokus auf den Zeitfaktor: Also nach wie vielen Messungen pro Sekunde erkennt das System zuverlässig Anwenderfehler? Bei dem Ergebnis war das Team sogar überrascht: Denn es waren weniger Messpunkte notwendig als vorher gedacht. „Auf diese Weise können wir die benötigte Speicherkapazität reduzieren, die Kommunikation vereinfachen und weniger Daten verarbeiten, was wiederum Zeit, Kosten und Energie spart“, resümiert Kaymakci. Nach diesen Untersuchungen und Erkenntnissen könnten die Wissenschaftlerinnen und Wissenschaftler das erste von ihnen erstellte KI-Modell auf einer Schweißstromquelle bei der Firma Lorch integrieren.

Föderiertes Lernen – sinnvolle Methode zum KI-Training

Die Forschenden haben mit diesem Ansatz des föderierten Lernens nicht nur dem Unternehmen geholfen, sondern parallel auch die Frage geklärt, welchen Vorteil dieser konkret bringt. Dafür erstellten sie ein Simulationstool, mit dem sie drei typische Szenarien untersuchten. Szenario eins, das allerdings auf einer hypothetischen Annahme basiert, da die Hersteller von Schweißgeräten zu diesen Daten keinen Zugang haben: eine KI, die ausschließlich mit Kundendaten trainiert wird. Szenario zwei: Modelle, die sie jeweils nur mit den Daten eines einzigen Kunden trainierten. Szenario drei: föderiertes Lernen, bei denen die einzelnen Modelle am Ende zusammengeschlossen wurden.

„Die Ergebnisse sprechen für sich: Die Erkennungsrate eines Modells, das über föderiertes Lernen trainiert wurde, liegt bei 0,81 und ist damit vergleichbar gut wie die eines Systems, für dessen Training alle Kundendaten zur Verfügung standen. Hier liegt die Erkennungsrate bei einem Wert von 0,86“, sagt Kaymakci. Dagegen lag die von Fehlern bei Systemen, die nur mit den Daten eines einzigen Kunden trainiert wurden, lediglich bei 0,45. Für den Hersteller von Schweißgeräten Lorch war dieses Ergebnis ein wichtiger Schritt in die Zukunft. Denn auf diese Art und Weise kann das Unternehmen den eigenen Kunden künftig einen Mehrwert bieten, ohne dass Daten bei Lorch gespeichert sein müssen. Die Kunden profitieren auch davon, dass Fehler schneller erkannt werden und man sozusagen auf das Wissen aller Kunden indirekt zurückgreifen könne. Die Forschenden betonen nach ihren neuesten Erkenntnissen: Der Ansatz des föderierten Lernens eignet sich nicht nur für Schweißprozesse, sondern auch für zahlreiche andere Fragestellungen. Vor allem dann, wenn es um sensible Daten geht.

Ein Beitrag von:

  • Nina Draese

    Nina Draese hat unter anderem für die dpa gearbeitet, die Presseabteilung von BMW, für die Autozeitung und den MAV-Verlag. Sie ist selbstständige Journalistin und gehört zum Team von Content Qualitäten. Ihre Themen: Automobil, Energie, Klima, KI, Technik, Umwelt.

Zu unseren Newslettern anmelden

Das Wichtigste immer im Blick: Mit unseren beiden Newslettern verpassen Sie keine News mehr aus der schönen neuen Technikwelt und erhalten Karrieretipps rund um Jobsuche & Bewerbung. Sie begeistert ein Thema mehr als das andere? Dann wählen Sie einfach Ihren kostenfreien Favoriten.