KEM Konstruktion Systems Engineering 02.2018
Themenschwerpunkte: Methoden, Tools sowie Anwendungen; KEM Porträt: Christian Sallach, Chief Digital Officer, Wago; KEM Perspektiven: Systems Engineering einführen - ein soziales Projekt
Themenschwerpunkte: Methoden, Tools sowie Anwendungen; KEM Porträt: Christian Sallach, Chief Digital Officer, Wago; KEM Perspektiven: Systems Engineering einführen - ein soziales Projekt
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
ANWENDUNG<br />
KÜNSTLICHE INTELLIGENZ<br />
Eine herstellerübergreifende<br />
Industrie 4.0-Produktionslinie<br />
kann der SmartFactory KL<br />
repräsentieren. Der Industrie<br />
4.0-Demonstrator ist der erste<br />
seiner Art<br />
Bild: IBM<br />
Intelligente Bild- und Geräuschanalysen<br />
Ein Beispiel für den Einsatz von Watson Visual Insights ist die automatische<br />
Überprüfung des Einbaus eines spezifischen Bauteils in<br />
den Fahrzeugen eines großen deutschen Automobilherstellers, die<br />
für den US-Export bestimmt sind. Die entsprechenden Qualitäts-<br />
Überprüfungsprozesse werden momentan noch mit Unterstützung<br />
zahlreicher Kameras manuell durchgeführt. In einem Pilotprojekt<br />
wird nun getestet, welche Hilfe die Nutzung Künstlicher Intelligenz<br />
bringen kann. Konkret geht es dabei um die Frage, ob Abdeckungen<br />
für die Lichtweiteneinstellung, die in den USA vorgeschrieben sind,<br />
ordnungsgemäß im Auto verbaut wurden.<br />
Die spezifische Herausforderung bei der Überprüfung ist, dass die<br />
Abdeckungen unterschiedliche Formen haben, oft in der gleichen<br />
Farbe wie ihre Träger sind, und damit meist schwer von ihnen zu unterscheiden.<br />
Zusätzlich wird der Qualitätscheck dadurch erschwert,<br />
dass die Abdeckungen je nach Blickwinkel kaum zu erkennen sind.<br />
Die intelligente Bilderkennung und -analyse erleichtert diesen Prozess<br />
nun ganz erheblich: Mit ihrer Hilfe werden die verbauten Lichtabdeckungen<br />
nun auch aus ganz unterschiedlichen Blickwinkeln heraus<br />
schnell und zuverlässig erkannt. Watson hat dabei auch keine<br />
Probleme mit unterschiedlichen Lichtverhältnissen, denn sie werden<br />
für eine schnelle, präzise Analyse automatisch angepasst. Zudem<br />
kommt das System insgesamt mit wesentlich weniger hochauflösenden<br />
Kameras aus.<br />
Um das zu erreichen, wurde Watson zunächst mit Bildern unterschiedlicher<br />
Abdeckungen gefüttert, wobei ihm die jeweiligen Unterscheidungsmerkmale<br />
„erklärt“ – sie also klassifiziert wurden. Watson<br />
Visual Recognition verwendet hierfür verschiedene, sogenannte<br />
Classifier- und Machine Learning-Algorithmen. Dieses Vorgehen<br />
zeigte schnell Wirkung: Watson schaffte es innerhalb kurzer Zeit mit<br />
einer Treffgenauigkeit von rund 95 Prozent, die verbauten, unterschiedlichen<br />
Deckel zu erkennen. Gleichzeitig lernt das kognitive KI-<br />
System auch hier durch das Feedback der Inspektoren beständig dazu<br />
und verbessert damit kontinuierlich seine Erkennungsleistung.<br />
Ein anderes Beispiel ist die Ausstattung von Industrierobotern mit<br />
intelligenten Werkzeugen. Auf der Hannover Messe 2018 hat IBM<br />
einen Mitsubishi Industrieroboter präsentiert, der im konkreten Fall<br />
Bilder und Geräusche von Fertigungsaktivitäten in Kombination mit<br />
entsprechenden Sensordaten des Roboters simultan erfassen kann<br />
und mit unterschiedlichen KI-basierten Werkzeugen auswertet. Dazu<br />
gehören unter anderem die bereits erwähnte Watson Visual Insights<br />
sowie intelligente Geräuschanalysen.<br />
Predictive Quality für Mettler Toledo<br />
Ein weiterer Anwendungs-Case im Bereich Predictive Quality und<br />
Maintenance im Kontext der bereits erwähnten SmartFactory, ist<br />
die KI-basierte Datenanalyse bei der Herstellung von Präzisionswaagen<br />
des Herstellers Mettler Toledo. Das Problem: Externe Faktoren<br />
wie Vibration, Temperatur oder sogar ein einzelner Luftzug können<br />
die Genauigkeit der Waage beeinträchtigen und damit zu verzerrten<br />
Messergebnissen führen. Auf der anderen Seite zeigen die Messergebnisse<br />
etwaige Qualitätsprobleme beim Endprodukt an. Im konkreten<br />
Fall werden nun die an der Präzisionswaage gesammelten<br />
Qualitäts-, Gewichts- und Schwingungsdaten in Echtzeit in die IBM<br />
Cloud übertragen, in der mit Hilfe eines eigens für Mettler Toledo<br />
entwickelten Machine-Learning-Modells analysiert wird, ob die Präzision<br />
der Messung und hiermit die Beurteilung der Produktqualität<br />
zuversichtlich und ungestört sind. Besteht die Gefahr, dass die Waage<br />
falsche Ergebnisse liefern könnte oder die Messergebnisse von<br />
der Norm abweichen, wird automatisch der Produktionsverantwortliche<br />
informiert. Hiermit kann Mettler Toledo seinen Kunden Aufwand<br />
und Kosten im Falle einer möglichen „Blindfahrt“ bei der Qualitätssicherung,<br />
im Extremfall bis zur Geltendmachung etwaiger<br />
Qualitätsansprüche ersparen.<br />
Die Beispiele zeigen: Der Einsatz von Künstlicher Intelligenz in Manufacturing<br />
ist keine Zukunftsmusik mehr. Sie kommt auf ganz unterschiedlichen<br />
Ebenen und für ganz verschiedene Aufgaben in Betracht<br />
– doch sie wird nicht die menschliche Urteilskraft und Erfahrung<br />
ersetzen können.<br />
eve<br />
www.ibm.com<br />
Details zu IBM Watson:<br />
hier.pro/wtxYu<br />
66 K|E|M <strong>Konstruktion</strong> <strong>Systems</strong> <strong>Engineering</strong> 02 2018