Automatisierte Qualitäts­sicherung
durch Künstliche Intelligenz
für die Produktion

Durch die digitale Transformation und die Anwenderinteraktion mit verschiedenen Applikationen entstehen wertvolle Nutzungsdaten. Zusammen mit den Betriebsdaten von Sensoren und Maschinen (IIoT) bilden diese Daten die Basis, auf der sich Optimierungspotenziale identifizieren und Vorhersagen treffen lassen. Die zunehmende Datenkomplexität und -menge überfordert allerdings traditionelle, regelbasierte Systeme.

Selbstlernende Modelle auf Basis von Machine Learning (ML), Deep Learning (DL) und künstlicher Intelligenz (KI) sind dagegen in der Lage, das Datenpotenzial auch bei zunehmender Komplexität vollständig auszuschöpfen.

Machine Learning Modelle lernen die Zusammenhänge zwischen verschiedenen Sensorwerten und Prozessdaten und erkennen beispielsweise Anomalien, die ein Programmierer der Maschine aufgrund ihrer Vielzahl und Diversität nicht hätte beibringen können. Durch die Möglichkeit einer Realtimeüberwachung können auch unbekannte Probleme rechtzeitig identifiziert und teure Ausfälle vermieden werden. Die schnelle Weiterentwicklung spezialisierter Hardware für das Lösen von KI-Aufgaben eröffnet heute den wirtschaftlichen Einsatz in vielen Bereichen der Produktion. Beispiele sind:

Regelbasierte Computer Vision, die in herkömmlichen AOI-Testsystemen verwendet wird, beschäftigt sich nur mit der Identifizierung von Bildern nach fest programmierten Regeln zur Erkennung von Linien und Formen. Im Gegensatz dazu werden in Deep Learning Modelle eingesetzt, die die Zusammenhänge zwischen verschiedenen Datensätzen in Echtzeit durch Machine Learning mit modernsten künstlichen neuronalen Netzen erlernen.

AI.SEE™ ist ein auf Deep Learning basierendes Oberflächeninspektionssystem, das eine genaue, schnelle und kosteneffektive Qualitätssicherung ermöglicht. Die angewandten selbstlerndenden Machine-Learning-Modelle konnten ihre durchschnittliche Präzision im Verlauf des Projekts im Gegensatz zu herkömmlichen regelbasierten Computer Vision Algorithmen signifikant verbessern.

Doch Oberflächenprüfung, Größen- und Formenvermessung oder Lage- und Positionserkennung sind nur einige Beispiele der Anwendungsbereiche von maschineller Bilderkennung. Neben einem großen Spektrum an Einsatzmöglichkeiten zeichnet sich die Schlüsseltechnologie von AI.SEE™ durch enormes Datenpotenzial und höchst flexible Möglichkeiten bei der Anwendung aus.

Die Leistungsfähigkeit des Systems basiert auf einer speziell für die Verarbeitung von Bilddaten optimierten Hardware. Durch sogenannte „Tensor Cores“ und dem Zusammenspiel von brandneuen Algorithmen und State-of-the-art-Technologien ist es möglich, Objekte oder Prozessfehler unabhängig vom jeweiligen Hintergrund zu erfassen und zu lokalisieren.

Mehr zu AI.SEE erfahren

Jedes Unternehmen muss sich der digitalen Transformation stellen und den Wandel vom traditionellen Maschinenbauer zum Softwareunternehmen vollziehen. Die Projektsteuerung sollte zum Zwecke des Kompetenzaufbaus intern erfolgen.

Mit einem erfahrenen I4.0-Dienstleister wie elunic können Unternehmen ihre Digitalisierung jedoch stark beschleunigen. Sie werden zudem bei der Technologiewahl unterstützt und wählen aus der Vielzahl an Lösungsansätzen den für sie besten Weg.