Anomalieerkennung

Datenqualität und Expertise für robusten KI-Einsatz

Datenqualität und Expertise für robusten KI-Einsatz

Integration von Anomalie- und Label-Fehlererkennung in industrielle Defektdetektion
Pavlos Rath-Manakidis, Henry Huick, Erdi Ünal, Björn Krämer ORCID Icon, Laurenz Wiskott ORCID Icon
Der Einsatz künstlicher Intelligenz (KI) transformiert Arbeitspraktiken in der industriellen Qualitätskontrolle grundlegend. Dieser Beitrag untersucht, wie technische Ansätze zur Datenqualität und Modelltransparenz einen ethischen KI-Einsatz unterstützen – insbesondere die Handlungsfähigkeit, das Vertrauen und eine nachhaltige Arbeitsgestaltung in automatisierten Oberflächeninspektionssystemen (ASIS). Wir identifizieren Herausforderungen wie Datenineffizienz, variable Modellzuverlässigkeit und begrenzte KI-Expertise, die ein menschenzentriertes Design sowie verantwortungsvolles Datenmanagement erfordern. Gemeinsam mit ASIS-Anbietern entwickelte und mit ASIS-Anwendern getestete Pilotlösungen zeigen, dass KI-Systeme Fachpersonal effektiv unterstützen und deren Fähigkeiten erweitern müssen. Wir schlagen technische Lösungen zur Erkennung von Anomalien, Label-Fehlern und Domain Drift vor, um die Modellzuverlässigkeit zu erhöhen. Transparenz in der Datenqualität stärkt ...
Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 1 | Seite 128-135 | DOI 10.30844/I4SD.26.1.128
KI-Ethik im Multi-Stakeholder-Umfeld in der Radiologie

KI-Ethik im Multi-Stakeholder-Umfeld in der Radiologie

Implikationen für eine integrierte Technik- und Arbeitsplatzgestaltung
Valentin Langholf ORCID Icon, Alexander Ranft, Lena Will, Robin Denz ORCID Icon, Johannes Schwarz ORCID Icon, Majd Syoufi, Pavlos Rath-Manakidis, Marc Kämmerer, Marcus Kremers, Axel Mosig ORCID Icon, Uta Wilkens ORCID Icon, Jörg Wellmer ORCID Icon
Die Radiologie muss an der Schnittstelle mit anderen medizinischen Disziplinen unter Zeitdruck hervorragende diagnostische Qualität liefern. Künstliche Intelligenz (KI)-Anwendungen in diesem Umfeld müssen eine optimale Anomalie-Detektion in hochauflösenden, dreidimensionalen Bilddatensätze liefern und im Rahmen der Mensch-Maschine Befund-Co-Kreation den ethischen Anforderungen einer responsible AI genügen. Wir haben entlang eines komplexen Anwendungsfalls ein modulares System entwickelt, das (i) die Weiterentwicklung der Anomalieerkennung, (ii) die Erweiterung der KI-Befunde um diagnostische und therapeutische Konsequenzen, (iii) eine Metrik zur Messung der KI/menschlichen Ko-Kreation, (iv) die Analyse der Einstellung von Radiologen zur KI-Unterstützung und (v) die arbeitsplatzspezifische Implementierung von KI-Anwendungen umfasst. Alle Module werden im Hinblick auf die FUTURE-AI-Ethik-Konsenskriterien diskutiert. Dieser integrierte Technologie- und Arbeitsgestaltungsansatz kann ...
Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 1 | Seite 136-143 | DOI 10.30844/I4SD.26.1.136
Passgenaue Schuhe mittels 3D-Druck

Passgenaue Schuhe mittels 3D-Druck

Deep Learning unterstützt die Defekt-Erkennung bei Mass Customization
Markus Trapp, Markus Kreutz, Alexander Böttjer, Michael Lütjen ORCID Icon, Michael Freitag ORCID Icon
Die additive Fertigung hat sich als Produktionsverfahren etabliert und auch Einzug in die Modeindustrie gefunden, in der individualisierte Schuhe im 3D-Druckverfahren hergestellt werden. Die Herstellung von solchen Einzelstücken stellt jedoch hohe Herausforderungen an eine automatisierte Qualitätskontrolle, da durch die vergleichsweise geringen Stückzahlen auch wenig Informationen über mögliche Defekte erzeugt werden. In diesem Beitrag wird ein Vorgehen zur Qualitätskontrolle durch Nutzung eines Autoencoders vorgestellt, welcher mittels Bildern von defektfreien Testobjekten so trainiert wird, dass auftretende Anomalien erkannt werden können. Mit einem ROC AUC score von 0,87 zeigen erste Tests vielversprechende Ergebnisse und belegen, dass durch diese Methode Defekte an den verwendeten Schuhmodellen erkannt werden können.
Industrie 4.0 Management | 38. Jahrgang | 2022 | Ausgabe 4 | Seite 15-18
Sichere Prozesse für moderne Geschäftsmodelle

Sichere Prozesse für moderne Geschäftsmodelle

Alexander Giehl, Peter Schneider
Technologischer Fortschritt ermöglicht einerseits Chancen für die Einführung neuer Geschäftsmodelle, eröffnet jedoch andererseits auch neue Wege für Angreifer. Es ist daher wichtig, die Sicherheit der Fabrik bei der Umsetzung neuer Technologien von Beginn an zu beachten. Dies wird als Security-by-Design bezeichnet und integriert Sicherheitslösungen in die Fabrik, um Verlusten, z. B. durch Sabotage oder Industriespionage, vorzubeugen. Dabei handelt es sich um einen kontinuierlichen Prozess, der wiederum auf verschiedene Bausteine zurückgreift. In diesem Beitrag werden aktuelle Forschungsergebnisse aus dem nationalen Referenzprojekt zur IT-Sicherheit in der Industrie 4.0 (IUNO) für die Umsetzung sicherer Prozesse in Fabriken anhand konkreter Fallbeispiele erläutert: Zum einen Anomalieerkennung in Wertschöpfungsnetzen, zum anderen sichere Produktionsplanung mittels Simulation. Die hier beschriebenen Beispiele sind für die Umsetzung in KMUs und großen Unternehmen geeignet.
Industrie 4.0 Management | 34. Jahrgang | 2018 | Ausgabe 1 | Seite 55-58
Anomalieerkennung im Bereich Industrie 4.0

Anomalieerkennung im Bereich Industrie 4.0

Astrid Frey, Matthias Hagen, Benno Stein
Im BMBF-geförderten Verbundprojekt „Provenance Analytics“ werden an der Bauhaus-Universität Weimar gemeinsam mit der Hochschule Ostwestfalen-Lippe Verfahren und Technologien zur Anomalieerkennung in Sensordaten erforscht. Im vorliegenden allgemeinen Überblicksbeitrag tellen wir wichtige Verfahren zur Anomalieerkennung in Sensordatenströmen und zur Prognose von Maschinenausfällen im Industrie-4.0-Kontext kurz vor und skizzieren die von uns geplanten Forschungsarbeiten. Der Beitrag ist wie folgt gegliedert: Nach einer kurzen Klärung des Anomaliebegriffes werden im Hauptteil verschiedene Anomalietypen und Verfahren zur Anomalieerkennung eingeführt. Dabei wird deutlich, dass die existierenden Verfahren oft nicht sämtliche zur Verfügung stehende Informationen benutzen, was wiederum bei der Entwicklung besserer Verfahren berücksichtigt werden sollte.
Industrie 4.0 Management | 33. Jahrgang | 2017 | Ausgabe 4 | Seite 53-56
Statistische Detektion von Anomalien in Bilddaten von Mikrobauteilen

Statistische Detektion von Anomalien in Bilddaten von Mikrobauteilen

Statistische Defekterkennung mittels Hauptkomponentenanalyse
Benjamin Staar ORCID Icon, Mirko Kück, Abderrahim Ait Alla ORCID Icon, Michael Lütjen ORCID Icon, Michael Freitag ORCID Icon, Aleksandar Simic
Optische Messsysteme sind eine populäre Wahl für die Qualitätsprüfung, da sie nicht nur kontaktfrei funktionieren, sondern auch präzise und vergleichsweise schnell sind. Vor allem in Fällen, in denen eine 100 %-Qualitätsprüfung angestrebt wird, ist eine geringe Mess- und Auswertezeit von essentieller Bedeutung. Bei hohen Taktzahlen von mehreren Teilen pro Sekunde, wie bspw. beim Mikrokaltumformen, wird die Auswertung dabei von Algorithmen übernommen. Um eine schnelle und präzise Defekterkennung zu ermöglichen, werden solche Algorithmen üblicherweise auf die Erkennung einer beschränkten Anzahl vordefinierter Defektklassen zugeschnitten. Der Nachteil gegenüber der manuellen Prüfung ist dabei jedoch, dass unbekannte bzw. unerwartet auftretende Defektarten eventuell nicht erkannt werden. Bei neu entwickelten Verfahren und/oder einer hohen Anzahl von Einflussfaktoren ist es daher wichtig, dass die Auswertealgorithmen solche Anomalien zuverlässig und schnell erkennen.
Industrie 4.0 Management | 33. Jahrgang | 2017 | Ausgabe 2 | Seite 52-56