Forum Künstliche Intelligenz

Artificial Intelligence (AI) is enabling Predictive Maintenance (PdM) which is crucial to reduce unexpected production system downtimes and maintenance cost. Machine or tool condition estimation are the central tasks that should be performed on premise close to the machine, like traditional monitoring approaches. This requires that the relevant data is collected at the machine, processed there and AI models are deployed on embedded hardware perform the analysis. Several challenges arise to make this scenario reality as often the analysis stops at a well performing model on a server or the cloud.

First, there are numerous options to collect corresponding information, such as vibrations, acoustics emissions, force, temperature, power, etc. However, the best combination of sensor data to fulfill the task is often unknown beforehand. This requires careful data exploration and feature selection. The major constraint here is a potentially high dimensionality of the input data and the goal is to reduce the amount of captured data and required data preprocessing while maintaining good prediction results.

Second, AI models come with certain computational requirements (computation, memory, and/or energy resources) that might be hard to meet on embedded platforms. While this can be leveraged by moving the computational expensive training process to a server and deploying the trained model for inference, the transition and tuning of models for the embedded solution is still an open topic.

Finally, the data to train the models is often unbalanced due to rare events of failure. This poses another challenge in designing the appropriate solutions. Regarding this, we show several approaches that can help to leverage this problem.

In this talk, we will present a case study for drill tool wear prediction and discuss options to address the mentioned challenges. To do that, we will cover possible sensors, their positioning, requirements during the data acquisition phase, the feature selection, two options to model the problems at hand and the respective results. Special attention is paid on multi-sensor data acquisition and fusion of the sensor data. In addition, we cover aspects such as retrofitability.

As a use case we chose a real-world example. The task is to estimate the remaining useful lifetime of drill bits or alternatively estimate the current wear condition of the drill bits. The data was collected during run to failure quality assurance testing.

Design-Erfahrung spielt vor allem beim geometrischen Entwurf von Leiterplatten und Chips eine große Rolle. Diese letzten Schritte auf dem Weg zur Fertigung erfordern Wissen darüber, welche Leitungen besonders empfindliche oder stark störende Signale führen und wie diese behandelt werden müssen. Oft wird hier die Qualitätssicherung auf Basis von Heuristiken, teils aufwendigen Simulationen und Reviews durchgeführt. KI-basierte Algorithmen zeigten in verschiedenen Anwendungen, dass sie in der Lage sind, solches nicht-formales Erfahrungswissen abzubilden. Jedoch entstehen beim Einsatz zwei wichtige Herausforderungen: Zunächst muss eine passende Datenrepräsentation gefunden werden, die effizient verarbeitet (und gespeichert) werden kann und gleichzeitig alle wichtigen Informationen über die Geometrie und Signaltypen abbildet. Außerdem stehen zum Training keine vorklassifizierten Daten zur Verfügung: Es gibt derzeit keinen offenen Datensatz, der typische Fehlerfälle repräsentativ enthält.

In der Forschergruppe IntelligEnt haben IMMS und TU Ilmenau deshalb ein KI-basiertes Anomalie-Erkennungsverfahren entwickelt, mit dem automatisiert nicht-erprobte und potenziell fehlerhafte Stellen in Layouts detektiert werden können. Durch eine flexible Datenrepräsentation lassen sich damit sowohl PCB- als auch ASIC-Layoutdaten verarbeiten.

Im Vortrag wird das daraus entstandene KiCad-Plugin AnoPCB vorgestellt, welches in einem studentischen Software-Projekt an der TU Ilmenau entwickelt wurde. Mit dem Plugin können in KiCad-Signale in Kategorien eingeteilt und an den Trainings- bzw. Evaluationsprozess übergeben werden. Der Kern des Verfahrens basiert auf einem Autoencoder zur Anomalieerkennung: Ein neuronales Netz soll aus „guten“ PCB Layouts typische Muster lernen und neue Layouts dahingehend bewerten, ob sie diesen Mustern entsprechen.

Für ein erstes Training wurde dabei auf quelloffene Entwürfe gesetzt, u.a. aus den Projekten Crazyflie und HackRF. Zur Evaluation wurden in HackRF Signale so verändert, dass sie von der Anomalie-Erkennung erkannt werden sollten: So wurde z.B. eine Taktleitung über einen sensitiven HF-Teil geführt. Die Auswertung zeigt, dass die eingebauten Fehlerstellen korrekt erkannt wurden. Aufgetretene Artefakte bzw. Falsch-Positive Regionen, die vermeintlich fehlerhaft sind, können beispielsweise dadurch erklärt werden, dass sie im Trainingsdatensatz unterrepräsentiert waren. Durch zusätzliche Trainingsdaten, die bei Anwendern vorhanden sind oder im Prozess entstehen, sollte dieser Effekt vermindert werden oder sogar ganz verschwinden.