Melden Sie sich hier an, um auf Kommentare und die Whitepaper-Datenbank zugreifen zu können.

Kein Log-In? Dann jetzt kostenlos registrieren.

Falls Sie Ihr Passwort vergessen haben, können Sie es hier per E-Mail anfordern.

Der Zugang zur Reseller Only!-Community ist registrierten Fachhändlern, Systemhäusern und Dienstleistern vorbehalten.

Registrieren Sie sich hier, um Zugang zu diesem Bereich zu beantragen. Die Freigabe Ihres Zugangs erfolgt nach Prüfung Ihrer Anmeldung durch die Redaktion.

04.10.1991 - 

Einsatzmöglichkeiten für Neuronale Systeme

Nicht nur Theorie: Neuronale Netze sichern Produktqualität

Die Technik der neuronalen Netze ist nicht mehr eine bloße Angelegenheit der Forschungslabors an den Universitäten. Bernd Hohler* beschreibt nicht nur ihre Funktionsweise, sondern deckt darüber hinaus eine Reihe von Anwendungsmöglichkeiten für diese Technik auf. Außerdem nennt er eine Reihe von Unternehmen, die bereits neuronale Netze für die Qualitätssicherung einsetzen.

Computersysteme werden heute bereits in vielen Unternehmen mit großem Erfolg zur Unterstützung der Qualitätssicherung eingesetzt. In den letzten Jahren hat sich darüber hinaus eine neue Disziplin, die computerunterstützte Qualitätssicherung (CAQ), als Teilgebiet der computerintegrierten Fertigung (CIM), herausgebildet (vergleiche dazu Literaturhinweis [1]).

Der grundsätzliche Aufbau heutiger CAQ-Systeme besteht aus Grundfunktionen wie

- Planung,

- Erfassung und Speicherung von Daten,

- Verarbeitung von Daten,

- Steuerung von Prozessen.

Zur Bewältigung dieser Aufgaben wird bei CAQ-Systemen weitgehend auf die bekannten Eigenschaften konventioneller Computer zurückgegriffen. Dazu gehören die Fähigkeit zur Speicherung und Verwaltung großer Datenmengen (Datenbank- und Planungsanwendungen), hohe numerische Rechenleistungen (Auswertungen, Statistik) sowie gute Textverarbeitungs- und Grafikfunktionen (Dokumentation, Berichterstattung).

Kognitive Fähigkeiten spielen eine große Rolle

Bei vielen Aufgaben der Fertigungstechnik und Qualitätssicherung spielen jedoch kognitive Fähigkeiten wie visuelle, akustische oder taktile Wahrnehmung und Erkennung eine große Rolle. Beispiele dafür sind Sichtprüfungen der Qualitätskontrolle, Greif- und Fügeoperationen bei Montagesystemen sowie die Analyse von Geräuschen komplexer Maschinen. Kombinationen derartiger Funktionen sind für die Robotersteuerung von Bedeutung. Für diese Aufgaben haben sich konventionelle Computer als weitgehend ungeeignet herausgestellt [2].

Die seit etwa 1985 vermehrt diskutierte Technologie der neuronalen Netzwerke wird durch den Aufbau biologischer Nervensysteme inspiriert. Man versucht deren Bau- und Verarbeitungsprinzipien nachzubilden. In diesem Beitrag möchte ich einen Überblick über die Funktion und die besonderen Eigenschaften neuronaler Netze geben und deren Einsatzmöglichkeiten für die Qualitätssicherung aufzeigen.

Die Definition neuronaler Netzwerke

Der Begriff neuronales Netz hat seinen Ursprung in der netzförmigen Anordnung der Nervenzellen (Neuronen) in biologischen Gehirnen (siehe Abbildung 1). Gegenwärtig arbeiten Informatiker, Physiker, Mathematiker, Biologen, Psychologen und Ärzte auf der ganzen Welt daran, mehr über neuronale Netze zu erfahren. Dabei sind prinzipiell zwei Arten zu unterscheiden.

- Biologische und künstliche neuronale Netze: Unter einem biologischen neuronalen Netz versteht man den Verbund von Nervenzellen in Gehirnen von Mensch und Tier (siehe Abbildung 2). Wir wollen uns hier jedoch auf die künstlichen neuronalen Netze beschränken, die wir im folgenden einfach als neuronale Netze bezeichnen. Solche Netze sind Modelle, mit denen man versucht, einige der herausragenden Eigenschaften biologischer neuronaler Netze nachzuahmen und nutzbar zu machen. Die interdisziplinären Forschungsbemühungen auf diesem Gebiet werden heute oftmals unter dem Begriff Neuroinformatik, einem Teilgebiet des Bereichs der künstlichen Intelligenz, zusammengefaßt.

Ein wichtiger Grund für das große Interesse von Forschung und Industrie an dieser Technologie liegt in gravierenden Leistungsdefiziten konventioneller Rechner, die auf der Von-Neumann-Architektur basieren. Diese Rechner beziehen ihre Leistungsfähigkeit aus einem oder nur wenigen zentralen Prozessoren, die mit extrem hoher Geschwindigkeit Programme sequentiell, also Befehl um Befehl, abarbeiten. Bei diesen seriellen Computern treten Signallaufzeiten innerhalb des Rechners als geschwindigkeitsbegrenzender Faktor zunehmend in Erscheinung.

Im Gegensatz zu den großen Erfolgen serieller Computer bei numerischen Problemen in Wissenschaft und Technik lassen sich bei Problemen der Bildverarbeitung, Geräuschanalyse und nichtlinearen Optimierung auch mit den leistungsstärksten seriellen Rechnern keine befriedigenden Ergebnisse erzielen. Zur Erhöhung der Verarbeitungsgeschwindigkeit lag es daher nahe, parallel arbeitende Multiprozessorsysteme zu entwickeln.

Zur Programmierung solcher Parallelrechner sind neuartige Algorithmen und Programme erforderlich, die eine Verteilung der Rechenschritte auf eine Vielzahl von Prozessoren ermöglichen. Es hat sich gezeigt, daß diese Algorithmen schwer zu beherrschen sind und den Programmentwicklern erhebliche Probleme bereiten.

Als Ausweg bietet sich hier der Einsatz neuronaler Netzwerke an, die den angestrebten Übergang zu massiver Parallelverarbeitung mit einer neuen Verarbeitungsstrategie kombinieren.

Ein wichtiger Vorteil neuronaler Netze ist deren Lernfähigkeit am Beispiel, so daß keine Programmierung mehr erforderlich ist.

Eigenschaften neuronaler Netze

Die Neuroinformatik stellt ein fundamental neues Konzept der Informationsverarbeitung dar. Wir wollen im folgenden einen kurzen Überblick über die wichtigsten Eigenschaften neuronaler Netze geben. Tabelle 1 faßt einige wichtige Unterschiede zwischen konventioneller Software und neuronalen Netzen am Ende dieses Abschnitts nochmals zusammen. Eine umfassendere Darstellung kann der Fachliteratur entnommen werden [3-9].

Mathematische Basis:

Neuronale Netze sind eine der wenigen Technologien auf dem Gebiet der Künstlichen Intelligenz, die eine strikte mathematische Basis besitzen. Expertensysteme beruhen dagegen weitgehend auf Heuristiken, die wesentlich weniger formal sind.

Parallelismus:

Die Informationsverarbeitung neuronaler Netze ist parallel und simultan. Obwohl einzelne Prozessorelemente nur eine geringe Verarbeitungsgeschwindigkeit aufweisen, ergibt die Parallelverarbeitung hohe Rechenleistungen (siehe Abbildung 3).

Wissensspeicherung distributiv und assoziativ:

Die in einem neuronalen Netz enthaltenen Informationen sind im Gegensatz zu konventionellen Rechnern nicht an spezifischen Speicherplätzen (Adressen) lokalisiert, sondern als Muster über die gesamte Netzwerkstruktur verteilt. Zudem wird assoziativ gespeichert. Dabei erfolgt der Zugriff auf den Speicherinhalt mittels eines Musters und nicht über eine Adresse. Für diese Art des Informationszugriffs werden manchmal auch die Begriffe "inhaltsadressierte Speicherung" oder "Content-addressable Memory" (CAM) verwendet.

Die assoziative Speicherung hat zwei wesentliche Vorteile:

- Es können sehr viele komplexe Muster wie Redewendungen, visuelle Szenen, Roboterbewegungen und soziales Verhalten gespeichert werden.

- Neue Muster können sehr schnell mit gespeicherten, gelernten Mustern verglichen und damit klassifiziert werden.

Fehlertoleranz und Graceful Degradation:

Neuronale Netze sind extrem fehlertolerant. Sie liefern auch dann noch sinnvolle Ergebnisse, wenn Zellen teilweise ausfallen oder ein Teil der Verknüpfungen verändert wurde. Mit Graceful Degradation bezeichnet man die Eigenschaft neuronaler Systeme, bei Ausfall von Zellen oder Verbindungen nicht sofort zu versagen, sondern mit zunehmender Beschädigung erst nach und nach ihre Funktionsfähigkeit zu verlieren. Neuronale Netze sind daher, im Gegensatz zu konventionellen Rechnern, extrem robust gegenüber Hardwarefehlern.

Adaptionsfähigkeit:

Darunter versteht man die Eigenschaft zur Selbstorganisation. Es gibt vier Aspekte der Adaption:

- Lernen (auf der Ebene eines einzelnen Prozessorelements),

- Selbstorganisation (vieler Prozessorelemente),

- Generalisierung und

- Training, und zwar überwachtes und nicht überwachtes Training.

Lernfähigkeit:

Lernen heißt Selbstanpassung der Gewichtsfaktoren zwischen den Prozessorelementen, so daß das Netz das gewünschte Verhalten zeigt. Die Lernfähigkeit entbindet von der expliziten Suche nach einer algorithmischen Lösung des gestellten Problems.

Fähigkeit zur Selbstorganisation:

Damit wird die Fähigkeit neuronaler Netze bezeichnet, die Aufgabenverteilung der einzelnen Prozessorelemente mit Hilfe einer Lernregel selbst festzulegen.

Fähigkeit zur Generalisierung:

Neuronale Netze sind in der Lage, aufgrund trainierter Muster Ergebnisse auch für Eingaben zu liefern, die sie noch nicht gelernt haben. Diese Eigenschaft bezeichnet man als Generalisierung. Die Eingaben können auch teilweise unvollständig sein.

Fähigkeit zur Mustererkennung (Pattern Recognition):

Das Erkennen von gelernten Mustern auch bei verrauschten, verzerrten oder gar unvollständigen Eingabedaten ist eine herausragende Stärke neuronaler Netzwerke. Da ein großer Teil realer Daten erfahrungsgemäß unexakt, zweideutig oder teilweise zerstört ist, kommt dieser Fähigkeit zur Mustererkennung eine besondere Rolle zu.

Ein neuronales Netz ist ein System von miteinander verknüpften Zellen, Knoten oder Prozessorelementen, die in Schichten angeordnet sind und Informationen austauschen können.

Drei oder mehr Schichten

Meist bestehen sie aus drei oder mehr Schichten (siehe Abbildung 4):

- Eingabeschicht (Input layer),

- eine oder mehrere verdeckte Schichten (Hidden layers),

- Ausgabeschicht (Output layer).

Die Zahl der verdeckten Schichten ist nicht vorgeschrieben und hängt von der Art des zu lösenden Problems ab. Die Zahl der Verbindungen zwischen den Elementen ist meist wesentlich größer als die Zahl der Elemente selbst. Bei einem Feed-forward-Netz verläuft der Informationsfluß nur in einer Richtung. Daher kann es nicht vorkommen, daß der Ausgang einer Zelle mit dem Eingang einer anderen Zelle in der gleichen oder einer darüberliegenden Schicht verknüpft ist (rückkoppelungsfreies Netzwerk).

Beim Feed-back-Netzwerk, auch rückgekoppeltes Netzwerk genannt, ist die Richtung des Informationsflusses nicht festgelegt.

Dort gibt es keine Hierarchie der einzelnen Schichten. Der Ausgang jeder Zelle kann als Eingang jeder anderen dienen.

Modelle möglicher neuronaler Netze

Im Verlaufe der geschichtlichen Entwicklung neuronaler Netze wurde eine Vielzahl von Modellen entwickelt. Soll ein Problem mit einem neuronalen Netz gelöst werden, müssen in erster Linie folgende Festlegungen getroffen werden:

- Ebenenaufteilung, Anzahl der Ebenen,

- Anzahl der Prozessorelemente in den verschiedenen Ebenen,

- zu verwendende Trainings- und Testdaten und

- die Auswahl eines geeigneten Modells.

Der Auswahl des geeigneten Modells ist hierbei eine große Bedeutung beizumessen. Abbildung 5 zeigt eine einfache Klassifikation von Modellen neuronaler Netze [6,9]. Hinsichtlich einer detaillierten Beschreibung der Modelle verweisen wir auf die einschlägige Fachliteratur [4-9].

Wegen seiner herausragenden Bedeutung wollen wir das Modell der Back-Error-Propagation oder Back-Propagation kurz beschreiben. Sie gilt als ein effektives Verfahren für mehrlagige, rückkoppelungsfreie Netze.

Zum Training wird die Methode des überwachten Lernens eingesetzt. Das Netz bekommt Eingabemuster vorgegeben, aus denen es Ausgabemuster erzeugt, die mit den gewünschten Ziel-Ausgabemustern verglichen werden. Nach jeder Vorgabe eines Eingabemusters werden die Gewichte so verändert, daß sich der Fehler, besser: der Unterschied zwischen Ausgabemuster und Ziel-Ausgabemuster, verringert.

Nach dem Training, das sehr zeitintensiv sein kann, wird das Netzwerk getestet. Hierzu sind Testdaten in genügendem Umfang vorzusehen, die nicht mit den Trainingsdaten übereinstimmen dürfen.

Die Speicherkapazität eines neuronalen Netzes wird maßgeblich durch die Zahl der Verbindungen (Koppelungen) zwischen den Prozessorelementen bestimmt. Die Verarbeitungsgeschwindigkeit ergibt sich aus der Zahl der Verbindungen, die pro Sekunde verändert werden können [3].

Mit diesen Festlegungen lassen sich Abschätzungen durchführen und Vergleiche zwischen biologischen und künstlichen neuronalen Netzen ziehen (siehe Abbildung 3). Wissenschaftler schätzen, daß das menschliche Gehirn aufgrund seiner großen Zahl von zehn hoch zehn Neuronen eine gigantische Speicherkapazität von zehn hoch vierzehn Verknüpfungen sowie eine Geschwindigkeit von zehn hoch sechzehn Verbindungen pro Sekunde erreicht [3].

Einsatzmöglichkeiten für neuronale Netzwerke

Es hat sich gezeigt, daß neuronale Netze zur Lösung von Problemen geeignet sind, die auch vom Menschen gut bearbeitet werden können, wie das Erkennen von Gesichtern oder das Lesen von Handschriften. In ähnlicher Weise erbringen neuronale Netze dort schlechte Leistungen wo auch Menschen Mängel zeigen. Das gilt zum Beispiel bei komplexen numerischen Berechnungen, der Domäne konventioneller Computer. Zusätzlich gibt es jedoch Anwendungen, für die sich neuronale Netze als sehr leistungsfähig erwiesen haben, Menschen hingegen weniger geeignet sind, wie die Qualitätskontrolle von Schweißnähten oder die Kompression von Daten [4].

Ohne Anspruch auf Vollständigkeit wollen wir einige Forschungs- und Anwendungsgebiete neuronaler Netze aufzählen.

- Spracherkennung und Sprachsynthese:

- Verarbeitung natürlicher Sprache,

- Generierung von Sprache aus Text;

- Zeichenerkennung:

- Handschriften, komplexe Zeichen,

- Unterschriften Bilderkennung,

- autoassoziativ: Gesamtbild aus Teilbild,

- heteroassoziativ: Gesamtbild aus Zerrbild;

- Prozeßsteuerung und Regelungstechnik

- Robotik;

- Datenkompression;

- Optimierungen;

- Anwendungen in der Fertigungstechnik;

- Qualitätssicherung,

- Diagnose.

Planungsanwendungen sind zwar noch nicht mit der Technologie der neuronalen Netze bearbeitet worden, Untersuchungen haben jedoch ergeben, daß sie prinzipiell hierfür geeignet sind. Für einfache Anwendungen in der Entwicklung wurden bereits neuronale Netze fertiggestellt. Auch wenn noch keine vollständigen Lösungen vorliegen, gehören die meisten gegenwärtig verfügbaren Anwendungen in diese Gruppe. Bereits heute werden funktionsfähige Anwendungen auf der Basis neuronaler Netze kommerziell eingesetzt. Obwohl es eine gewisse Überschneidung der drei Anwendungskategorien gibt, ist diese Klassifikation wichtig. Übertriebene Berichte über den Einsatz neuronaler Netze verschweigen meist deren Entwicklungsstadium. Bei den im folgenden beschriebenen Anwendungen aus der Qualitätssicherung soll diese Unkorrektheit vermieden werden.

Potentielle Anwendungen neuronaler Netze liegen überall dort vor, wo Verfahren der Abbildung, Erkennung, Ergänzung und Klassifikation von Mustern eingesetzt werden müssen.

Die neuronalen Netze in der Qualitätssicherung

Die hier durchgeführte Untersuchung hat gezeigt, daß sich zahlreiche Aufgabenstellungen der Qualitätssicherung vorteilhaft mit neuronalen Netzen bearbeiten lassen. Anwendungen konnten für unterschiedliche Gebiete aufgefunden werden wie

- Prüfung und Überwachung,

- Diagnose,

- Prozeß und Produktoptimierung und

- Statistik, sowie statistische Prozeßüberwachung.

Bei diesen Beispielen werden unterschiedliche Prüfmethoden eingesetzt, insbesondere Geräuschanalyse, optische Prüfung und die Auswertung von Sensorsignalen. Die Tabelle 2 gibt einen Überblick der Anwendungen mit Angabe des Entwicklungsstandes und der Literaturquellen.

Neuronale Netzwerke werden vielfach als biologisch inspirierte statistische Abbildungstechniken beschrieben. Die Fähigkeit, komplexe Systeme abbilden, überwachen und steuern zu können, bietet einen großen Anreiz, neuronale Netzwerke für Probleme der statistischen Prozeßkontrolle (SPC) einzusetzen. Die anfallenden großen Datenmengen können von neuronalen Netzen in Echtzeit organisiert, analysiert und interpretiert werden. Neuronale Netze erkennen Trends, sind anpassungsfähig, lernen aus den Daten und prognostizieren Produkteigenschaften.

An den GTE Laboratorien in Waltham, Massachusetts, wird an neuronalen Netzt für lernfähige Prozeßsteuerungen gearbeitet [10]. Eine der dortigen Anwendungen verwendet neuronale Netze, um aus 100 bis 200 Sensormessungen die Ausbeute und andere Leistungskennwerte für den Fabrikationsprozeß von Leuchtstoffröhren vorherzusagen [3]. Das System überwacht den Produktionsprozeß und verfolgt Kenngroßen über Temperatur, Druck und chemische Substanzen zur Herstellung der Röhren. Ziel ist, die Faktoren mit dem größten Einfluß auf Qualität und Kosten zu finden und optimale Herstellungsbedingungen zu realisieren.

Die Vorteile der inkrementellen Methode

Die hier beschriebenen Leistungen des neuronalen Netzes könnten auch mit konventionellen statistischen Methoden erbracht werden, jedoch mit einigen signifikanten Unterschieden. Neuronale Netze sammeln und verarbeiten die Daten inkrementell je nach Anfall, hier alle fünf Minuten, und liefern gültige Ergebnisse. Bei der Methode der linearen Regression müssen hingegen alle Daten vorliegen, um eine Auswertung zum Ziel zu führen.

Die inkrementelle Methode der neuronalen Netze hat daher wesentliche Vorteile: Sie benötigt weniger Speicher, liefert aktuelle statistische Werte und kann Änderungen der Daten schneller melden. Darüber hinaus ist der Rechenaufwand wesentlich geringer. Das Netzwerk kann daher auf einem wesentlich kleineren Computer implementiert oder mit einer wesentlich größeren Zahl von Sensoren betrieben werden.

Neuronales Netz für ein genaues Pareto-Diagramm

Bei faktoriellen Untersuchungen werden alle Größen, die das Ergebnis eines Prozesses beeinflussen können, statistisch ausgewertet. Das Ergebnis besteht in einer gemäß dem Einfluß der Faktoren geordneten Liste, wobei der Faktor mit dem größten Einfluß am Anfang steht. Die dazugehörige grafische Darstellung wird Pareto-Diagramm genannt.

Bei der zur Herstellung von integrierten Halbleiter-Bausteinen angewandten Dünnfilm-Technik ist die Entstehung von Rissen unerwünscht. Bei Texas Instruments sammelten Prozeßingenieure statistische Daten über 17 Parameter, die im Zusammenhang mit der Dünnfilm-Technik auftreten.

Dazu gehörten Fläche, Breite, Länge, Dicke des Dünnfilm-Materials, Methode der Zusammenfügung, Ausschnitt-, Schlitz- und Lochtypen sowie das Aspekt-Verhältnis, das sich als Breite dividiert durch Länge definiert, um nur einige zu nennen. Ziel der Untersuchung war es, ein neuronales Netzwerk zu entwerfen, das ein genaues Pareto-Diagramm für diese Parameter erstellt [4].

Die Wissenschaftler verwendeten ein Netzwerk mit 17 Eingangsknoten für dieselbe Anzahl an Parametern und einem Ausgangsknoten, der für die Zahl der Risse steht, sowie zwei verdeckte Schichten mit jeweils 34 Knoten.

Zum Training wurde auf vorhandene statistische Daten zurückgegriffen. Sowohl die Back-Propagation-Methode als auch eine Sigmoidal-Transfer-Funktion wurden eingesetzt. Das Netz konvergierte problemlos mit minimalem Fehler.

Eine Pareto-Liste der Eingabeparameter konnte durch Addition der Absolutwerte der Gewichte von Verbindungen, welche die verdeckten Schichten verlassen, ermittelt werden. Eine Vergleichsanalyse mit Hilfe konventioneller statistischer Verfahren lieferte identische Ergebnisse [4].

Mit Hilfe einer Umkehr von Eingabe- und Ausgabeknoten gelang es, diejenigen idealisierten Parameter zu finden, die zu einer minimalen Rißbildung bei der Herstellung führen.

Vergleicht man die hier geschilderte Methode der neuronalen Netze mit den klassischen Methoden der Statistik, so ergeben sich die folgenden Resultate [4]:

Der Einsatz des neuronalen Netzes konnte den Personalaufwand von 54 Mitarbeitern bei Verwendung der statischen Methode auf sechs vermindern.

Die Prozessorzeit reduzierte sich von 234 Stunden auf fünf. Außerdem ließ sich mit dem neuronalen Netz ein idealisierter Parameter finden, mit der herkömmlichen Methode jedoch nicht. Da beide Methoden eine identische Genauigkeit aufweisen, sprechen die Ergebnisse eindeutig für neuronale Netze.

Hinzu kommt die einzigartige Möglichkeit der Netzinversion zur Ermittlung des idealen Satzes der Parameter. Dies ist ein weiterer Grund, sich näher mit neuronalen Netzwerken zu beschäftigen. In diesem Zusammenhang möchten wir darauf hinweisen, daß es bei diesen Beispielen eine gewisse Überschneidung zwischen der Methode der neuronalen Netze und der Taguchi-Methode [11,12] gibt. Mit beiden Methoden können optimale Parameterkombinationen für einen Produktionsprozeß gefunden werden.

Akustische Verfahren der Qualitätsprüfung

Die akustische Qualitätsprüfung ist eine wichtige Methode, um die Geräuschemission von Produkten zu überwachen. Bei der Serienfertigung industrieller Produkte ist die akustische Qualitätsprüfung nach abgeschlossener Endmontage integraler Bestandteil der Systemprüfung. Trotz großer Anstrengungen ließ sich dieser Teil der Endprüfung bisher nur in Ansätzen automatisieren, er wird daher nach wie vor hauptsächlich von menschlichen Experten durchgeführt. Damit sind die Ergebnisse subjektiv beeinflußt. Hinzu kommt, daß das ständige Abhören von Geräuschen ermüdet und als anstrengend oder belastend empfunden wird. Mit dem Ziel der Automatisierung und Objektivierung der Prüfungen wurden daher in der Vergangenheit sogenannte numerische Mustererkennungs-Verfahren entwickelt [13].

Untersuchungen haben gezeigt, daß sich für die akustischen Prüfaufgaben neuronale Netzwerke bewährt haben. Zur Prüfung von Getrieben, Lüftermotoren und Elektromotoren wurden neuronale Netze nach dem Back-Propagations-Verfahren entwickelt [13-15]. Als Trainingsgeräusche wurden Aufnahmen verwandt, die Experten als einwandfrei gut oder schlecht klingend beurteilt hatten.

Nach der Lernphase klassifiziert das Netz die Lernmuster ohne Fehler, also in völliger Übereinstimmung mit den Experten. Ein solches Ergebnis ließ sich bisher mit klassischen Mustererkennungs-Verfahren nicht erreichen. Trainiert man neuronale Netze mit ausgewählten Mustersignalen, welche die relevanten Störgeräusche enthalten, dann ergeben sich ebenfalls fehlerfreie Ergebnisse. Klassische Verfahren der Mustererkennung hingegen versagen bei dieser Aufgabenstellung völlig.

Ein Vorteil der neuronalen Netze ist die Erkennung von Fehlerkombinationen, die nicht explizit gelernt wurden. Außerdem können sie während der Lernphase irrelevante Merkmale durch eine Schwächung der entsprechenden Gewichte weitgehend ausblenden. Diese Eigenschaft haben numerische Klassifikatoren nicht.

Mit neuronalen Netzen sind Anwender erstmalig in der Lage, die subjektive akustische Qualitätsprüfung durch ein objektives Prüfverfahren zu ersetzen. Darüber hinaus hat die Prüfung defekter Getriebe gezeigt, daß die objektive Prüfung mit einem neuronalen Netz wesentlich detailliertere Fehlerbeschreibungen ergibt als die subjektive Prüfung durch den Experten [13-15].

Die optischen Prüfverfahren

Die Bildverarbeitung liefert ein breites Spektrum von Anwendungsmöglichkeiten neuronaler Netze. Ein rohes oder auch ein vorverarbeitetes Bild wird als Eingabe für das Netzwerk verwendet. Auf der Ausgabeseite liefert das Netz dann eine Klassifikation oder Identifikation dieses Bildes. Die Vorverarbeitung oder Bildwandlung kann über Fourier-Transformationen, mit spezialisierten Funktionen, bestimmten merkmalsextrahierenden Algorithmen oder mit anderen digitalen Bildverarbeitungs-Techniken durchgeführt werden.

Typische Problemstellungen der industriellen Qualitätsprüfung und Überwachung sind Fehlerdiagnosen, Klassifizierungen von Teilen oder Identifikationen von Fehlertypen. Zur Klassifizierung dient meist das Bild des Produkts oder der Komponente, die sich in der Fertigung befindet.

Nach einer Studie von Glover [16] können vielfältige Prüfaufgaben mit Hilfe neuronaler Netze bearbeitet werden. Die Studie beschreibt den Einsatz eines neuronalen Netzes für über 100 Prüf- und Überwachungsaufgaben, wobei Klassifikationen von Objekten wie Zuckerstangen, Sirup-Flaschen, Schwämmen, Laufflächen von Reifen und Batterien durchgeführt werden müssen.

Die Bildwandlung der Aufnahmen der Videokamera ist der Schlüssel für die Fähigkeit des Netzes, derart vielfältige Aufgaben abwickeln zu können. Durch Einsatz von Lichtmodulatoren und Lasern wird ein Bild mit 65 000 Punkten auf 32 Zahlen komprimiert, die auch die Informationen über Form und Orientierung des Objekts enthalten. Ein neuronales Netz ist in der Lage, diese Zahlenmuster zu kategorisieren.

Die Studie beschreibt den Vergleich der klassischen statistischen "Fisher Linear Discriminate Method" (FLD) mit Implementationen neuronaler Netze nach dem Back-Propagations (BPN)- und dem Counter-Propagations(CPN)-Verfahren. In vielen Fällen generalisierte BPN besser als CPN.

In der Abbildung 6 sind Flaschen skizziert, die bei einem der Experimente klassifiziert wurden.

Die Studie konnte den Nachweis erbringen, daß neuronale Netzwerke nach entsprechender Vorverarbeitung optischer Informationen Objekte aufgrund ihrer Form und Struktur mit großer Genauigkeit unterscheiden und einordnen können, und daß diese Technologie damit für typische Aufgaben, die in der industriellen Fertigung, Qualitätssicherung und Verpackung eingesetzt werden kann.

Bei Texas Instruments wurde ein neuronales Netz zur Klassifikation und Prüfung von Schweißnähten entwickelt [4]. Das Training des Back-Propagations-Netzwerks erfolgte an aktuellen Daten direkt aus der Bildverarbeitungs-Einheit der Prüfeinrichtung. Ein umfangreicher Testdatenbestand war auf Massenspeichermedien gesammelt worden. Die Leistung des Netzwerkes wurde mit der menschlicher Klassifikatoren verglichen.

Die Auswertung von Sensorsignalen

Tests mit 34 Schweißverbindungen ergaben für das Netzwerk eine Klassifikationsrate von 100 Prozent. Nachträglich künstlich modifizierte Bilder wurden vom Netz erkannt und nicht klassifiziert. Menschliche Operatoren kamen in diesen Fällen zu widersprüchlichen Beurteilungen. Als wesentlicher Vorteil der Prüfung mit neuronalen Netzen ist, das Vorliegen quantitativer Klassifikationsergebnisse zu bewerten. Sie können abgespeichert und später zum Zwecke einer Nachprüfung etwa für einen Haftungsfall wieder aufgerufen werden. Die Beurteilung durch menschliche Experten hingegen ist lediglich subjektiv und qualitativ.

Unter Diagnose versteht man das Erkennen oder Identifizieren der Ursachen einer im allgemeinen negativen Situation. Diagnoseverfahren werden zum Auffinden von Fehlern und Problemen bei Maschinendefekten durchgeführt. Beim Einsatz neuronaler Netze werden auf der Eingabeseite die fehlerbeschreibenden Daten angelegt, für die es dann die Diagnose ausgibt. Neuronale Netze zeichnen sich hier durch die Fähigkeit aus, mit großen Datenbeständen, unvollständigen Daten und mit Situationen, wo diagnostische Regeln nicht von vornherein bekannt sind, umgehen zu können.

Zur Diagnose von Motorfehlern hat die Ford Motor Company eine Anwendung mit neuronale Netzen entwickelt [17,18]. Untersuchungen hatten ergeben, daß Lösungen mit regelbasierten Expertensystemen in der Entwicklung zu aufwendig und in der Funktion zu langsam sein würden. Man suchte deshalb nach einer schnelleren und genaueren Methode zur Klassifikation und Identifikation von Fehlern.

Die Entwickler wendeten zahlreiche Modelle neuronaler Netze zur automatischen Diagnose von Motorfehlern an. Die Diagnosedaten wurden mit Sensoren an Motoren im schnellen Leerlaufbetrieb aufgenommen. Die Trainingsdaten umfaßten Daten von 26 Fehlerzuständen. Für jeden Fehler wurden 16 Datensätze von den Sensoren am laufenden Motor entnommen. Jeder Eingabevektor enthielt 52 Elemente sowie ein Zeitsignal zur Identifikation jedes Zylinders während des Prüfzyklus. Wieder wiesen die Ergebnisse eine Genauigkeit von l00 Prozent auf. Dabei erreichen die neuronalen die Genauigkeit menschlicher Diagnose-Experten und diagnostizieren zudem wesentlich schneller.

Am Space Institut der Universität Tennessee werden Diagnosesysteme für Düsen- und Raketentriebwerke entwickelt. Bei eine Untersuchung der Diagnose von Düsentriebwerken wurde ein Triebwerk simuliert, das hypothetische Sensordaten für unterschiedliche Triebwerksfehler erzeugt [19].

Das hierfür entwickelte neuronale Netzwerk nach dem Back-Propagations-Verfahren wurde in mehrere Unternetze aufgeteilt. Jedes Unternetz hatte die Aufgabe, eine individuelle Fehlercharakteristik auszuwerten. Einige Unternetze bewerteten Dauer und Schwere des Fehlers, andere den Fehlertyp.

Die Fehlerdiagnose in Düsentriebwerken

Die Eingabemuster des Trainingssatzes bestanden aus Daten imaginärer Sensoren eines simulierten Düsentriebwerks. Die Sensordaten änderten sich kontinuierlich, und das Netz war in der Lage, unterschiedliche Trends zu erkennen.

Das Einsatzziel bestand darin, daß die Ausgabedaten des Trainingssatzes mit den Fehlern des simulierten Triebwerks übereinstimmten. Das Netzwerk lieferte sehr genaue Ergebnisse. Obwohl die Antwortzeiten des Diagnosesystems bereits sehr nahe an die Echtzeitanforderungen heranreichten, sind weitere Verbesserungen durch Hardware-Implementationen neuronaler Netze erforderlich.