Fertigungsprozesse in der Smart Factory KI erkennt Fehler auch unter veränderten Bedingungen

Anbieter zum Thema

KAIST

SPI GmbH

Heidrive GmbH

Contelos GmbH

In der Smart Factory werden Fertigungsanlagen mit Fehlererkennungssystemen ausgestattet, die Sensordaten mit künstlicher Intelligenz (KI) auswerten. Wenn sich jedoch der Fertigungsprozess aufgrund von Maschinenaustausch oder Schwankungen bei Temperatur, Druck oder Geschwindigkeit ändert, können bestehende KI-Modelle die neue Situation nicht korrekt erfassen. Forscher des Korea Advanced Institute of Science & Technology (KAIST) haben eine KI-Technologie entwickelt, die Abhilfe schafft.

Die neue KI-Technologie des KAIST kann solche Situationen ohne erneutes Training Fehler genau erkennen und eine Leistungssteigerung von bis zu 9,42 Prozent erzielen. Das soll dazu beitragen, die Betriebskosten der KI zu senken und ihre Anwendbarkeit in verschiedenen Bereichen wie intelligenten Fabriken, medizinischen Geräten und Smart Cities zu erweitern.

Technologie für die Zeitreihen-Domänenanpassung

KAIST-Präsident Kwang Hyung Lee gab am 26. August bekannt, dass ein Forschungsteam unter der Leitung von Professor Jae-Gil Lee von der School of Computing eine neue Technologie zur „Zeitreihen-Domänenanpassung” entwickelt hat, mit der bestehende KI-Modelle auch bei Änderungen der Fertigungsprozesse oder -anlagen ohne zusätzliche Fehlerkennzeichnung genutzt werden können.

Die Zeitreihen-Domänenanpassungstechnologie ermöglicht es KI-Modellen, die zeitabhängige Daten (zum Beispiel Temperaturänderungen, Maschinenvibrationen, Stromverbrauch, Sensorsignale) verarbeiten, eine stabile Leistung ohne zusätzliches Training aufrechtzuerhalten, selbst wenn die Trainingsumgebung (Domäne) und die tatsächliche Anwendungsumgebung voneinander abweichen.

Daten aus mehreren Perspektiven analysieren

KI-Modelle werden durch Veränderungen der Umgebung (Domäne) verwirrt. Das liegt nicht nur in Unterschieden in der Datenverteilung, sondern auch in Veränderungen der Fehlerauftrittsmuster (Label-Verteilung) selbst. Beispielsweise kann sich bei Halbleiterwaferprozessen das Verhältnis von ringförmigen Fehlern und Kratzern aufgrund von Anlagenmodifikationen ändern.

Das Forschungsteam entwickelte eine Methode zur Zerlegung neuer Prozess-Sensordaten in drei Komponenten – Trends, Nicht-Trends und Frequenzen –, um deren Eigenschaften einzeln zu analysieren. So wie Menschen Anomalien durch die Kombination von Tonhöhe, Schwingungsmustern und periodischen Veränderungen in Maschinengeräuschen erkennen, wurde die KI in die Lage versetzt, Daten aus mehreren Perspektiven zu analysieren.

Mit anderen Worten: Das Team entwickelte die TA4LS-Technologie (Time-series domain Adaptation for mitigating Label Shifts). Diese verwendet eine Methode zur automatischen Korrektur von Vorhersagen, indem sie die vom bestehenden Modell vorhergesagten Ergebnisse mit den Clustering-Informationen der neuen Prozessdaten vergleicht. So können Vorhersagen, die auf die Fehlerauftrittsmuster des bestehenden Prozesses ausgerichtet sind, präzise an den neuen Prozess angepasst werden.

Deutlich verbesserte Genauigkeit

Diese Technologie ist besonders praktisch, da sie sich, wie ein zusätzliches Plug-in-Modul, das in bestehende KI-Systeme eingefügt wird, leicht kombinieren lässt, ohne dass eine separate komplexe Entwicklung erforderlich wäre. Das heißt, unabhängig von der derzeit verwendeten KI-Technologie ist sie mit nur einfachen zusätzlichen Verfahren sofort einsetzbar.

In Experimenten mit vier Benchmark-Datensätzen zur Zeitreihen-Domänenanpassung (das heißt, vier Arten von Sensordaten, bei denen Veränderungen aufgetreten waren) erzielte das Forschungsteam eine Verbesserung der Genauigkeit um bis zu 9,42 % im Vergleich zu bestehenden Methoden.

Autonome Korrektur durch die KI steigert Leistung der Smart Factory

Insbesondere wenn Prozessänderungen zu großen Unterschieden in der Etikettenverteilung führten (zum Beispiel Muster des Auftretens von Fehlern), zeigte die KI eine bemerkenswerte Leistungssteigerung, indem sie solche Unterschiede erkannte und autonom korrigierte. Diese Ergebnisse bewiesen, dass die Technologie ohne Fehler in Umgebungen, in denen kleine Chargen verschiedener Produkte hergestellt werden, effektiver eingesetzt werden kann, und das ist einer der Hauptvorteile der Smart Factory ist.

Die Technologie löse das Problem des Neutrainierens, so Professor Jae-Gil Lee, der die Forschung leitet. Das sei bisher das größte Hindernis für die Einführung künstlicher Intelligenz in der Fertigung gewesen. Nach der Kommerzialisierung werde das neue Verfahren durch die Senkung der Wartungskosten und die Verbesserung der Fehlererkennungsraten erheblich zur Verbreitung von Smart Factory-Konzepten beitragen.

Diese Forschung wurde mit Jihye Na, Doktorandin am KAIST, als Erstautorin und Youngeun Nam, Doktorand, und Junhyeok Kang, Forscher bei LG AI Research, als Co-Autoren durchgeführt. Die Forschungsergebnisse wurden im August 2025 auf der KDD (ACM SIGKDD Conference on Knowledge Discovery and Data Mining), der weltweit führenden akademischen Konferenz für künstliche Intelligenz und Daten, vorgestellt.

Titel der Veröffentlichung: „Mitigating Source Label Dependency in Time-Series Domain Adaptation under Label Shifts“

DOI: https://doi.org/10.1145/3711896.3737050

Weitere Informationen: https://www.kaist.ac.kr/en