elektro AUTOMATION 11.2018

TRENDS
ANALYTICS & AI
Grundlage für den Einsatz von Künstlicher Intelligenz
im Manufacturing sind die enormen Fortschritte im
Deep Learning, das sich an der spezifischen Arbeitsweise
des Gehirns orientiert und ein dicht verwobenes
Netz aus einfachen Nervenzellen simuliert
Bild: ustas/fotlia.com
Künstliche Intelligenz in der Automobilindustrie: Eine intelligente Bilderkennung
und -analyse erleichtert die Qualitätssicherung von Bauteilen
ganz erheblich. IBM Visual Insights lässt sich dabei auch von unterschiedlichen
Lichtverhältnissen nicht beeinflussen
Ein weiteres Beispiel ist die intelligente Auswertung von Bildaufnahmen
im Produktionsumfeld. Die IBM Watson IoT-Plattform bietet
mit „Visual Insights“ einen derartigen Service. Nach einem entsprechenden
Training, bei dem das System anhand von Fotos lernt, wie
eine Maschine oder ein Produkt auszusehen hat und welche Abweichungen
auf welche Probleme hindeuten, können sehr viel schneller
und gezielter Maschinen-, Produktions- oder Produktfehler identifiziert
und klassifiziert werden. Positiver Nebeneffekt: Visual Insights
lernt durch entsprechendes Feedback des Werkers oder Inspektors
beständig dazu und verbessert damit kontinuierlich die Erkennungsleistung.
Tests in der Qualitätsprüfung haben beispielsweise
ergeben, dass bei einem acht Tage dauernden Produktionszyklus
bis zu 80 % der ursprünglich für die Prüfung veranschlagten Zeit eingespart
werden konnte. Ähnliches gilt für die Beurteilung von Geräuschen:
Auch hier bieten KI-basierte Systeme Unterstützung bei
der Fehlersuche. Mit einem spezifischen Akustik-Modul kann beispielsweise
Watson KI Geräusche analysieren. Erkennt das System
Abweichungen vom Normalton, werden automatisch Benachrichtigungen
per Sprache oder Bild gegeben.
Bild: IBM
Intelligente Bild- und Geräuschanalysen
Ein Beispiel für den Einsatz von Visual Insights ist die automatische
Überprüfung des Einbaus eines spezifischen Bauteils in den Fahrzeugen
eines großen deutschen Automobilherstellers, die für den
US-Export bestimmt sind. Die entsprechenden Qualitäts-Überprüfungsprozesse
werden momentan noch mit Unterstützung zahlreicher
Kameras manuell durchgeführt. In einem Pilotprojekt wird nun
getestet, welche Hilfe die Nutzung Künstlicher Intelligenz bringen
kann. Konkret geht es dabei um die Frage, ob Abdeckungen für die
Lichtweiteneinstellung, die in den USA vorgeschrieben sind, ordnungsgemäß
im Auto verbaut wurden.
Die spezifische Herausforderung bei der Überprüfung ist, dass die
Abdeckungen unterschiedliche Formen haben, oft in der gleichen
Farbe wie ihre Träger sind, und damit meist schwer von ihnen zu unterscheiden.
Zusätzlich wird der Qualitätscheck dadurch erschwert,
dass die Abdeckungen je nach Blickwinkel kaum zu erkennen sind.
Die intelligente Bilderkennung und -analyse erleichtert diesen Prozess
nun ganz erheblich: Mit ihrer Hilfe werden die verbauten Lichtabdeckungen
nun auch aus ganz unterschiedlichen Blickwinkeln heraus
schnell und zuverlässig erkannt. Watson hat dabei auch keine
Probleme mit unterschiedlichen Lichtverhältnissen, denn sie werden
für eine schnelle, präzise Analyse automatisch angepasst. Zudem
kommt das System insgesamt mit wesentlich weniger hochauflösenden
Kameras aus.
Um das zu erreichen, wurde Watson zunächst mit Bildern unterschiedlicher
Abdeckungen gefüttert, wobei ihm die jeweiligen Unterscheidungsmerkmale
„erklärt“ – sie also klassifiziert wurden. Visual
Insights verwendet hierfür verschiedene, sogenannte Classifierund
Machine Learning-Algorithmen. Dieses Vorgehen zeigte schnell
Wirkung: Watson schaffte es innerhalb kurzer Zeit mit einer Treffgenauigkeit
von rund 95 Prozent, die verbauten, unterschiedlichen Deckel
zu erkennen. Gleichzeitig lernt das kognitive KI-System auch
24 elektro AUTOMATION 11 2018