Vorhersage der verbleibenden Restlebensdauer von Kunststoffzahnrädern

Use Case Beschreibung

Aufgrund periodisch wiederkehrender, kundenseitig geforderter Qualifizierungstests werden mit Hilfe eines Prüfstandes Kunststoffzahnräder bis zum Materialversagen getestet, um die maximal erreichte Lastzyklusanzahl zu ermitteln. Dies ist wichtig, weil es sich bei den Zahnrädern um Sicherheitsbauteile handelt. Die Prüfungen erfordern einen sehr hohen Zeit- und Maschinenaufwand.

Mit Hilfe eines neuronalen Netzes wird während des Dauerlauftests, basierend auf mehreren Messgrößen, kontinuierlich die Anzahl der verbleibenden Lastzyklen bis zum Ausfall vorhergesagt. Wie Evaluierungen zeigen, kann so der Test nach wenigen absolvierten Lastzyklen gestoppt werden, da die Vorhersage die maximal erreichbare Zykluszahl zuverlässig vorhersagen kann. Dies spart sowohl Zeit- als auch Maschinenaufwand. Resultierend erhält der Kunde basierend auf der KI-Vorhersage eine Einschätzung ob die Anforderungen an das Zahnrad erfüllt werden oder nicht.

Rechtliche Einordnung

• Es handelt sich um ein KI-System i.S.d. Art. 3 Nr. 1 KI-Verordnung.
• Das Unternehmen ist Anbieter nach Art. 2 Abs. 1 lit. A., weil es das KI-System entwickelt und in Betrieb genommen hat.
• Es handelt sich nicht um eine Hochrisiko-KI, da das KI-System lediglich zur Qualitätssicherung und Prognose dient. Es hat keinen direkten Einfluss auf die Sicherheit von Personen. Daran ändert auch die Tatsache nichts, dass Sicherheitsbauteile geprüft werden.

Besondere Herausforderungen

• Da der genutzte Datensatz geprüfter Serien von Zahnrädern einen begrenzten Umfang aufweist, muss sichergestellt werden, dass der Datensatz das gesamte Qualitätsspektrum der Produktion repräsentativ abbildet und alle relevanten Extremfälle einschließt. Dies muss insbesondere auch dann erfüllt sein, wenn der Datensatz in einen Trainings- und einen Testdatensatz aufgeteilt werden.
• Durch die fortlaufende Prüfung ausgewählter Teile bis zum Ausfall lässt sich die Vorhersagequalität der KI kontinuierlich validieren. Dabei sollte bereits vorab festgelegt werden, welche Abweichung zwischen KI-Prognose und realem Testergebnis akzeptabel ist und wie bei Überschreitung dieser Grenzen vorzugehen ist.