Mit KI-basierter Anomaliedetektion erkennen Sie selbst bisher unbekannte Abweichungen, automatisiert, präzise und in Echtzeit direkt in der Produktion.
Die Erkennung von Anomalien (auch als Anomaliedetektion bezeichnet) eine Methode, bei der eine automatisierte Identifikation ungewöhnlicher oder abweichender Muster in Daten, Prozessen oder Oberflächen erfolgt. Im industriellen Umfeld kommt dafür häufig ein KI-basiertes Verfahren zum Einsatz, da es eine automatisierte Oberflächeninspektion ermöglicht, bei der signifikante Abweichungen vom erwarteten Normalzustand erkannt werden. Im Gegensatz zu anderen KI-Ansätzen, bei denen konkrete Fehlerbilder vorab definiert werden müssen, erfordert die Anomalieerkennung mit Machine Learning keine vordefinierten Fehlerklassen, was die Implementierung vereinfacht.
Machine Learning
Supervised Learning
(überwachtes Lernen)
Ziel: Klassifikation oder Regression auf Basis gelabelter Daten
Typische Anwendungen in der Qualitätskontrolle:
• Segmentierung (z. B. Defekterkennung)
• Klassifikation (z. B. Typ A / Typ B Produkt)
• Objekterkennung (z. B. Prüfung, ob ein Teil vorhanden oder korrekt montiert ist)
• Optical Character Recognition (OCR) für Etiketten, Seriennummern etc.
Unsupervised Learning
(unüberwachtes Lernen)
Ziel: Klassifikation oder Regression auf Basis gelabelter Daten
Typische Anwendungen in der Qualitätskontrolle:
• Erkennen von Anomalien (abweichende Muster im Bild oder Prozess)
• Clustering von Prozessdaten (z. B. zur Fehlerursachenanalyse)
• Feature-Reduktion zur Vorbereitung von Modellen oder Visualisierungen
Die Detektion von Anomalien spielt eine zentrale Rolle in der industriellen Qualitätskontrolle, da sie unerwartete Fehler frühzeitig identifiziert – oft bevor sie zu Produktionsausfällen oder hohem Ausschuss führen. Die Methode hilft, Qualitätsprobleme in Echtzeit zu erkennen und ermöglicht schnelle Reaktionen im laufenden Betrieb. Dadurch lassen sich nicht nur Kosten senken, sondern auch Prozesse stabilisieren und gesetzliche sowie kundenspezifische Qualitätsanforderungen zuverlässig erfüllen.
Ein Anomalieerkennungs-KI-Modell wird ausschließlich mit fehlerfreien Datenpunkten trainiert. Der Algorithmus entwickelt dabei eine interne Repräsentation des Erscheinungsbilds des fehlerfreien Zustands. Konkret bedeutet dies, dass das Modell lernt, was als „normal“ gilt. KI-basierte Methoden sind dabei in der Lage, selbst komplexe Normalzustände präzise zu erfassen und dadurch unnötige Fehlalarme aufgrund unkritischer Abweichungen im OK-Bereich zu vermeiden. Abweichungen von diesem erlernten Normalzustand werden im laufenden Betrieb als statistische Ausreißer erkannt.
Das System kommt in der Industrie in zahlreichen Bereichen zum Einsatz – überall dort, wo frühzeitige Abweichungen erkannt und Prozesse stabil gehalten werden sollen.
Anomalieerkennung mit Machine Learning bietet einen schnellen Einstieg in die automatisierte Qualitätsprüfung, da sie ohne aufwendige Fehlerannotation auskommt. In industriellen Anwendungen stößt das algorithmische Verfahren jedoch oft an Grenzen – insbesondere, wenn hohe Präzision oder detaillierte Fehlerinformationen erforderlich sind.
Einfache Implementierung
Da keine Defektannotationen benötigt werden, ist der manuelle Aufwand deutlich geringer. Zudem treten fehlerfreie Teile in der Regel wesentlich häufiger auf als defekte.
Erkennt neue Defekte
Ein Anomaliedetektionsmodell erkennt auch unbekannte Defekte zuverlässig, da es ungewöhnliche Muster unabhängig von zuvor definierten Fehlerklassen identifiziert.
Weniger präzise
Bei komplexen Bilddaten ist Segmentierung oft effizienter als Anomalieerkennung. Diese neigt dazu, selbst unkritische Abweichungen als Fehler zu werten, was in der Praxis zu unnötigem Pseudoausschuss führen kann.
Weniger Information
Im Vergleich zur Anomalieerkennung bietet Segmentierung tiefere Einblicke in die Produktion, da Segmentierung auch eine Analyse der verschiedenen Fehlertypen ermöglicht.
Anomalieerkennung und Segmentierungsmodelle haben jeweils spezifische Stärken – und ergänzen sich optimal, wenn es darum geht, eine zuverlässige und effiziente Qualitätskontrolle in der Produktion zu gewährleisten.
Während die Detektion von Anomalien ohne aufwendige Fehlerannotation auskommt und frühzeitig auf neue oder unbekannte Abweichungen hinweist, liefern Segmentierungs-, Klassifizierungs- oder Objekterkennungsmodelle präzisere Informationen zu Art und Ort konkreter Defekte.
So wird sichergestellt, dass keine relevanten Ausreißer Abweichungen unentdeckt bleiben, auch wenn sich Produkte, Prozesse oder Fehlerarten im Laufe der Zeit verändern.
„Anomalieerkennung kann eigenständig oder ergänzend zu bestehenden Prüfprozessen eingesetzt werden. Sie unterstützt unsere Kunden dabei unbekannte Fehlerbilder frühzeitig zu identifizieren. So können die Datensätze kontinuierlich erweitert, und die Qualität der Systeme nachhaltig verbessert werden.”
ML Engineer
Das Verfahren identifiziert Anomalien, also Abweichungen vom „Normalzustand“, ohne dass der Fehler explizit bekannt sein muss. Es eignet sich besonders für die Entdeckung bisher unbekannter Fehlerbilder.
Zum Training genügen in der Regel fehlerfreie Produktdaten (unüberwachtes Lernen), was den Annotierungsaufwand gering hält. Einige gelabelte Fehlerbilder sind jedoch hilfreich, um die Sensitivität zu kalibrieren und die Modellleistung zu validieren.
In den meisten industriellen Anwendungen ist sie eine ergänzende Technologie innerhalb eines umfassenden Prüfsystems. Sie liefert wertvolle Hinweise auf unbekannte Abweichungen, ersetzt jedoch in der Regel nicht die Modelle, die auf manuell gelabelten Fehlerbildern basieren und für die präzise Klassifikation spezifischer Fehler optimiert sind.
We are ISO 27001 certified.
