Anomalies Detector mit ML in den Produktionslinien

Szenario

Mängel und Abweichungen innerhalb von Produktionslinien zu erkennen, ist oftmals von fundamentaler Bedeutung, um Beanstandungen von Kunden vorzubeugen bzw. Schäden, die den Kunden entstehen könnten, zu verhindern.

Um einen hohen Qualitätsstandard zu garantieren, erfolgt eine konstante Prozessüberwachung. In der Vergangenheit wurde diese Tätigkeit manuell durchgeführt, während heute mithilfe von Bildverarbeitungsinstrumenten und Machine-Learning-Algorithmen alles automatisiert abläuft.

Durch die Umstellung von manuellen Kontrollen auf automatisierte Verfahren lassen sich auch Zeit und Kosten sparen: Während ein einzelner Mitarbeiter Überprüfungen nur mit einer bestimmten Geschwindigkeit durchführen kann, können die Kontrollen mithilfe der Machine-Learning-Techniken wesentlich schneller vor sich gehen.

Die Bildverarbeitungstechniken und die Machine-Learning-Techniken erfordern jedoch eine hohe Präzision bei der Klassifizierung, um eine automatisierte Qualitätskontrolle zu ermöglichen.

HERAUSFORDERUNG UND LÖSUNG

Eine falsche Klassifizierung könnte dazu führen, dass ein ungeeignetes Produkt den Fertigungsprozess weiter durchläuft und hierbei ein minderwertiges Endprodukt entsteht oder Schäden an der Produktionslinie selbst verursacht werden.

Die für die Klassifizierung angewandten Algorithmen gehören zum Deep Learning, die zur Erzielung zufriedenstellender Ergebnisse lange „Trainingszeiten“ erfordern.

Die mit Quantenalgorithmen erstellten neuronalen Netzwerke mit der Bezeichnung Quantum Neural Network (QNN) sind hier weitaus schneller.

VORTEILE DES QUANTUM COMPUTINGS

Die Quantentechnologien werden genutzt, um die Bildung tiefer neuronaler Netzwerke zu beschleunigen, die gewöhnlich aufgrund der von den herkömmlichen Computern erforderlichen Bearbeitungszeit einen Engpass darstellen.

Ein auf der Basis quantenmechanischer Zustände „vorab trainiertes“ Deep Neural Network ist in der Lage, Produktabweichungen bei einer Produktionslinie zu erkennen.