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?

„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.

Stellenangebote im Bereich Softwareentwicklung

Softwareentwicklung Jobs
Eckelmann AG-Firmenlogo
Systemingenieur Echtzeit-Programmierung/-Entwicklung (m/w/d) Eckelmann AG
Wiesbaden Zum Job 
ECKELMANN AG-Firmenlogo
Applikationsingenieur Automatisierungstechnik (m/w/d) Schwerpunkt Walzwerke ECKELMANN AG
Wiesbaden Zum Job 
Netzgesellschaft Potsdam GmbH-Firmenlogo
Projektingenieur (m/w/d) Energietechnik - Umspannwerke/Hochspannungsfreileitung - Netzgesellschaft Potsdam GmbH
Potsdam Zum Job 
Albtal-Verkehrs-Gesellschaft mbH-Firmenlogo
Projektleiter*in Elektrotechnik Verkehrsanlagen (m/w/d) Elektroingenieur*in oder Techniker*in Albtal-Verkehrs-Gesellschaft mbH
Karlsruhe Zum Job 
Die Autobahn GmbH des Bundes Niederlassung Nordbayern-Firmenlogo
Ingenieur Elektrotechnik / Bauingenieur (w/m/d) Ladeinfrastruktur Die Autobahn GmbH des Bundes Niederlassung Nordbayern
Nürnberg Zum Job 
Bayerisches Staatsministerium für Wohnen, Bau und Verkehr-Firmenlogo
Traineeprogramm - Bachelor Fachrichtung Maschinenbau / Energie- und Gebäudetechnik (m/w/d) Bayerisches Staatsministerium für Wohnen, Bau und Verkehr
bayernweit Zum Job 
Bayerisches Staatsministerium für Wohnen, Bau und Verkehr-Firmenlogo
Traineeprogramm - Bachelor Fachrichtung Maschinenbau / Energie- und Gebäudetechnik (m/w/d) Bayerisches Staatsministerium für Wohnen, Bau und Verkehr
Nord-Micro GmbH & Co. OHGa part of Collins Aerospace-Firmenlogo
Projekt- / Produktingenieur (m/w/d) Nord-Micro GmbH & Co. OHGa part of Collins Aerospace
Frankfurt am Main Zum Job 
Fresenius Kabi-Firmenlogo
Instandhalter (m/w/d) Prozesstechnik - API Herstellung Fischöl Fresenius Kabi
Friedberg (Hessen) Zum Job 
B. Braun Melsungen AG-Firmenlogo
Project Manager (w/m/d) Pre-Development B. Braun Melsungen AG
Melsungen Zum Job 
Hamburger Stadtentwässerung AöR ein Unternehmen von HAMBURG WASSER-Firmenlogo
Ingenieur (m/w/d) Elektrotechnik als Projektleiter Hamburger Stadtentwässerung AöR ein Unternehmen von HAMBURG WASSER
Hamburg Zum Job 
THOST Projektmanagement GmbH-Firmenlogo
Wirtschaftsjurist*in / Ingenieur*in (m/w/d) für Contract & Claimsmanagement in Projektender Energiewende THOST Projektmanagement GmbH
Stuttgart, Mannheim Zum Job 
RES Deutschland GmbH-Firmenlogo
Head of Engineering / Leitung technische Planung Wind- & Solarparks (m/w/d) RES Deutschland GmbH
Vörstetten Zum Job 
MEWA Textil-Service SE & Co. Management OHG-Firmenlogo
Projektmanager (m/w/d) PMO Business Transformation MEWA Textil-Service SE & Co. Management OHG
Wiesbaden Zum Job 
MEWA Textil-Service SE & Co. Management OHG-Firmenlogo
Projektingenieur (m/w/d) Elektrotechnik MEWA Textil-Service SE & Co. Management OHG
Wiesbaden Zum Job 
KÜBLER GmbH-Firmenlogo
Techniker / Ingenieur / Fachplaner / TGA (m/w/d) Heizungstechnik und Elektro KÜBLER GmbH
Ludwigshafen Zum Job 
WPW JENA GmbH-Firmenlogo
Projektingenieur Elektroplanung (m/w/d) WPW JENA GmbH
Jena, hybrides Arbeiten Zum Job 
RHEINMETALL AG-Firmenlogo
Verstärkung für unsere technischen Projekte im Bereich Engineering und IT (m/w/d) RHEINMETALL AG
deutschlandweit Zum Job 
fbw | Fernwärmegesellschaft Baden-Württemberg mbH-Firmenlogo
Elektroingenieur (m/w/d) (Ingenieur für Elektrotechnik, Energie- oder Versorgungstechnik o. ä.) fbw | Fernwärmegesellschaft Baden-Württemberg mbH
Stuttgart Zum Job 
Varex Imaging Deutschland AG-Firmenlogo
Elektroniker ( m/w/d) oder Mechatroniker (m/w/d) als Teamleitung im Bereich Messtechnik Varex Imaging Deutschland AG
Eckelmann AG-Firmenlogo
Systemingenieur Echtzeit-Programmierung/-Entwicklung (m/w/d) Eckelmann AG
Wiesbaden Zum Job 
ECKELMANN AG-Firmenlogo
Applikationsingenieur Automatisierungstechnik (m/w/d) Schwerpunkt Walzwerke ECKELMANN AG
Wiesbaden Zum Job 
Netzgesellschaft Potsdam GmbH-Firmenlogo
Projektingenieur (m/w/d) Energietechnik - Umspannwerke/Hochspannungsfreileitung - Netzgesellschaft Potsdam GmbH
Potsdam Zum Job 
Albtal-Verkehrs-Gesellschaft mbH-Firmenlogo
Projektleiter*in Elektrotechnik Verkehrsanlagen (m/w/d) Elektroingenieur*in oder Techniker*in Albtal-Verkehrs-Gesellschaft mbH
Karlsruhe Zum Job 

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.