Mit intelligenten Entscheidungshilfen zu verbesserter Entscheidungsqualität

Die KSG GmbH ist ein europäischer Hersteller von Leiterplatten mit Standorten in Gornsdorf (Sachsen) und Gars am Kamp (Niederösterreich). Das Unternehmen stellt jährlich mehr als 350.000 m² Leiterplatten in allen Technologiesegmenten für den internationalen Markt her und arbeitet mit mehr als 1.000 Kunden zusammen. Der Standort Gornsdorf besteht seit 1878 – erst als Strumpfwaren-Fabrik und seit 1959 für die Produktion von Leiterplatten, welche aktuell vorrangig für die Segmente Industrie- und Automobilelektronik ausgerichtet sind.

Leiterplatten für hochkomplexe elektronische Anwendungen müssen höchsten Qualitäts-anforderungen entsprechen. Deshalb durchlaufen sie vor der Auslieferung einen mehrstufigen Prüfprozess mit dem Anspruch, dass kein relevanter Fehler unentdeckt bleibt.

Am Standort Gornsdorf sind acht vollautomatisierte Systeme zur automatischen optischen Inspektion im Einsatz (sogenannte AOI-Anlagen). Sie prüfen hochkomplexe Leiterplatten automatisiert auf sichtbare Auffälligkeiten und mögliche Defekte. Betrieben werden diese Anlagen von ca. 40 Mitarbeitenden. Da die Prüfstrategie bewusst sehr sensibel ausgelegt ist, werden neben tatsächlichen Fehlern auch zahlreiche unkritische Auffälligkeiten als potenzielle Fehler markiert. Die sogenannten Scheinfehler müssen anschließend manuell gegengeprüft und anhand eines Fehlerkatalogs bewertet werden.

Dieser Arbeitsprozess erfordert eine kontinuierlich hohe Konzentration, ein ausgeprägtes Qualitätsverständnis und schnelle Entscheidungen. Für die Prüfenden ist die Tätigkeit mental anspruchsvoll, da über längere Zeiträume sehr viele ähnliche Prüfbilder zuverlässig beurteilt werden müssen.

Zusätzlich müssen die Prüfparameter in den Anlagen für unterschiedliche Produkte, Oberflächen und Auftragsbedingungen aufwendig angepasst werden. Dadurch schwanken die Scheinfehler-Quoten je nach Auftrag und verursachen betriebliche Ineffizienzen.

Im Projekt wurde der KI-Anwendungsfall zur Qualitätsprüfung schrittweise und praxisnah entwickelt. Grundlage war eine strukturierte KI-Roadmap, die technische, organisatorische und arbeitsbezogene Fragen miteinander verband. Zu Beginn wurden der bestehende Prüfprozess, die eingesetzten AOI-Anlagen sowie die Anforderungen der Mitarbeitenden gemeinsam analysiert. Ziel war es, ein gemeinsames Verständnis für die Ausgangssituation, die verfügbaren Daten und die Möglichkeiten von KI zu schaffen.

Zunächst wurde untersucht, ob KI bereits in früheren Prüfschritten innerhalb des Produktionsprozesses eingesetzt werden kann. Da hierfür jedoch keine geeigneten Schnittstellen zu den relevanten Maschinen verfügbar waren und die Umsetzung mit hohem technischem Aufwand verbunden gewesen wäre, wurde dieser Ansatz nicht weiterverfolgt. Im weiteren Verlauf wurde der Fokus auf die Endprüfung der Leiterplatten gelegt. Dazu mussten zunächst die Bilddaten der AOI-Anlagen zugänglich gemacht werden. Die Anlagen erzeugen bereits zahlreiche Prüfbilder, stellen diese jedoch nicht über eine einfache Schnittstelle bereit. Durch Reverse Engineering wurde analysiert, wie die Bilder im bestehenden Prüfsystem abgelegt werden. So konnten die vorhandenen Fehlerbilder für das KI-System genutzt werden.

Anschließend wurden die vorhandenen Fehlerbilder für die KI-Entwicklung aufbereitet. Fachkundige sichteten dazu die Bilder manuell und ordneten sie den jeweiligen Fehlerklassen zu. Dieses sogenannte “Labeling” ist notwendig, damit ein KI-Modell aus Beispielen lernen kann. Daraus wurde ein erster Testdatensatz mit jeweils 100 gelabelten Bildern für vier Fehlerkategorien erstellt, um verschiedene KI-Modellansätze zu erproben und ihre Ergebnisse bewerten zu können.

Ein erster Ansatz zielte darauf ab, konkrete Fehlerklassen automatisch vorherzusagen. Dieser erwies sich jedoch als zu komplex für die verfügbare Datenbasis. Erfolgversprechender war ein vereinfachter Ansatz, bei dem die KI zunächst unterscheiden sollte, ob ein Bild einen tatsächlichen Fehler zeigt oder nicht. Ergänzend wurde geprüft, ob der Vergleich von fehlerfreien Referenzbildern, sogenannten Golden-Master-Bildern, mit aktuellen Fehlerbildern dazu beitragen kann, relevante Auffälligkeiten besser zu isolieren.

Parallel zur technischen Entwicklung wurden die Mitarbeitenden einbezogen. Vor der Ausrollung einer ersten prototypischen Version wurde eine Befragung durchgeführt, um einen Vergleich der MA-Arbeitsbelastung ohne und mit KI-Anwendung aufzunehmen. Zudem wurde frühzeitig betrachtet, wie sich KI-Komponenten perspektivisch in die vorhandene Prüfsoftware integrieren lassen.

Im Mittelpunkt stand dabei die Frage, wie Mitarbeitende bei der Bewertung von Scheinfehlern unterstützt und manuelle Prüfschritte gezielter reduziert werden können.

Der entwickelte Prototyp diente damit nicht als fertiges Produktivsystem, sondern als erprobbarer Zwischenschritt. Er machte sichtbar, welche Potenziale KI in der optischen Qualitätsprüfung bietet und welche Voraussetzungen für eine spätere betriebliche Einführung noch geschaffen werden müssen.

Der Use Case zeigte, dass KI in der Qualitätsprüfung vor allem dann wirksam werden kann, wenn Datenqualität, Prozessverständnis und Akzeptanz der Mitarbeitenden gemeinsam betrachtet werden. Besonders deutlich wurde, dass die technische Machbarkeit stark von verfügbaren Schnittstellen, strukturierten Daten und ausreichend gelabelten Fehlerbildern abhängt.

Ein wichtiges Learning war außerdem, den KI-Ansatz nicht zu komplex zu starten. Die automatische Vorhersage einzelner Fehlerklassen erwies sich zunächst als anspruchsvoll. Ein reduzierter Ansatz zur Unterscheidung zwischen Fehler und Nicht-Fehler war dagegen besser geeignet, um erste belastbare Ergebnisse zu erzielen.

Der im Projekt entwickelte Prototyp wird derzeit durch eine externe Firma in ein Produktivsystem überführt und betrieblich implementiert. Damit beginnt der Übergang von der prototypischen Erprobung zur praktischen Nutzung im Prüfprozess. Entscheidend ist eine gute Integration der KI-Lösung in die Arbeitsabläufe der Mitarbeitenden. Nach der Einführung soll bewertet werden, ob die Lösung im Arbeitsalltag zuverlässig unterstützt, Scheinfehler reduziert und die Prüfenden spürbar entlastet und dem hohen Qualitätsanspruch des Unternehmens genügt.