Machine Learning für die Qualitätssicherung
in der Industrie 4.0
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.
Künstliche Intelligenz – Das Gehirn der Smart Factory
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 vs. Deep Learning
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.
Praxisbeispiel
Qualitätssicherung in der Produktion durch AI.SEE™
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.
Deep Learning Workflow
Warum elunic?
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.
Routinierter Partner für I4.0 &
Machine Learning Projekte
Dutzende mittelständische Unternehmen sind mit elunic erfolgreich den Weg ins I4.0-Zeitalter gegangen. Mit seiner 15-jährigen Erfahrung bringt der elunic auch Ihr Digitalisierungsvorhaben zum Erfolg.
Bestens vernetzt mit Herstellern und Lieferanten
I4.0-Projekte gelingen nur in Zusammenarbeit mit Herstellern und Lieferanten. Sein Netzwerk stellt elunic in den Dienst der Kunden und ermöglicht damit kurze Entscheidungswege und den Zugang zu Best Practices.
Strategie und Plattform
aus einer Hand
Für seine Kunden entwirft elunic passgenaue I4.0-Strategien. Die hauseigene Softwareplattform ermöglicht eine zügige Implementierung und einen raschen Projekterfolg.