Gesponsert

KI in der Industrie Rückenwind für die Industrie. Deep Learning auf dem Sensor

KI kann Entwicklungsprozesse beschleunigen und völlig neue Anwendungen möglich machen. Das gilt auch für die Kombination aus Deep Learning und Sensorik, die Beispielsweise in der Qualitätssicherung ihr ganzes Potenzial entfaltet.

Gesponsert von

Technologischer Durchbruch in der Industrie. Erfahren Sie, wie intelligente Sensoren schon heute kluge Entscheidungen treffen.
Technologischer Durchbruch in der Industrie. Erfahren Sie, wie intelligente Sensoren schon heute kluge Entscheidungen treffen.
(Bild: SICK AG)

Wie intelligent ist KI eigentlich? Machen wir uns nichts vor: Es wird noch einige Jahre dauern, bis Künstliche Intelligenz die menschliche übertreffen wird. Martin Ford hat in seinem Buch „Architects of Intelligence“ dazu führende Köpfe auf dem Gebiet der KI befragt. Die Antworten, die er erhalten hat, schwanken zwischen dem Jahr 2029 und dem Jahr 2200. Menschen sind eben doch komplexer als es Maschinen abbilden könnten. Dennoch ermöglicht die Wissenschaft rund um KI Fortschritte, die so bis vor einigen Jahren nicht denkbar gewesen wären. „Vor allem in der Industrie beschleunigt KI Prozesse, löst komplexere Aufgabenstellungen und wird zu einer hilfreichen Unterstützung für die Arbeit“, weiß Christoph Eichhorn, verantwortlich für Deep Learning bei der SICK AG, einem Anbieter intelligenter Sensorlösungen für industrielle Anwendungen.

KI und Deep Learning – oder: wie Maschinen heute lernen

Wichtigste Technologie dafür ist Deep Learning – ein Teilbereich der KI. Diese verwendet künstliche neuronale Netze, die etwa wie ein menschliches Gehirn funktionieren. Die Algorithmen des künstlichen neuronalen Netzes arbeiten nach dem Muster, nachdem auch ein Kind lernt. Anders als ein Mensch, kann Deep Learning jedoch nur das, was man dem neuronalen Netzwerk zur Bewältigung einer bestimmten Aufgabe beibringt. Das künstliche neuronale Netz muss daher präzise mit sehr aussagekräftigen Beispielen gespeist werden, um den Kern der Aufgabe zu begreifen und die richtigen Zusammenhänge zu erkennen. „Dieser Paradigmenwechsel – weg von der Beschreibung einer Lösung mit starren Regeln, hin zu einer Beschreibung anhand von Beispielen – beschleunigt den Entwicklungsprozess wesentlich. Anwender mit interessanten Applikationen, aber ohne tiefgreifende Machine Vision und KI Erfahrung wird Deep Learning in die Lage versetzen, auch komplexere Aufgaben in Zukunft selbständig zu lösen, ohne Programmieren zu können“, beschreibt Eichhorn den Vorteil.

Sensor trifft kluge Entscheidungen in Millisekunden

dStudio SICK AppSpace Artificial Intelligence
dStudio SICK AppSpace Artificial Intelligence
(Bild: SICK AG)

Und so geht KI oder genauer gesagt, Deep Learning, über die bereits bekannten Verbesserungspotenziale hinaus. Neben der Entwicklung neuer Produkte und Services sowie einer höheren Innovationskraft bestätigen die Befragten in einer Studie von IDG Research Services in Kooperation mit der Lufthansa, dass 22 Prozent der Projekte sofort einen nachweislichen Nutzen bringen, 70 Prozent nach sechs Monaten1.

Das kann auch Christoph Eichhorn bestätigen: „Wir können Aufgabenstellungen für Kunden lösen, für die bisher noch der geschulte Blick eines Menschen nötig war, etwa in der Qualitätssicherung. Dazu nutzen wir lediglich eine programmierbare Kamera und eine auf die spezifische Aufgabe trainierte SensorApp.

Eine besonders herausfordernde und hoch individuelle Aufgabe ist die Qualitätsbeurteilung von Lötstellen. Hierbei bewertet die Kamera innerhalb weniger Millisekunden die Lötstelle nach ihrer Qualität und das bei einer Erfolgsquote von über 99 Prozent“, bestätigt Eichhorn. Auch in der Lebensmittelindustrie finden Lösungen, die mit Deep Learning arbeiten, immer mehr Einsatzzwecke. Wie etwa bei der Erkennung von Fremdkörpern in Nahrungsmitteln. „Niemand möchte am Morgen auf ein Stück Plastik in seinem Müsli beißen“, erklärt Eichhorn. Mit Deep Learning trainierte Kameras sind in der Lage, solche Fremdkörper sicher zu entdecken. Ein gut geschulter Sensor trifft entsprechende Entscheidungen zuverlässiger, schneller und mit größerer Konstanz als ein Mensch.

Deep Learning: plug & play

SensorApps werden speziell auf die zu lösende Aufgabe konfiguriert. Der Clou dabei: Selbst Personen ohne K. I. Erfahrung und Programmierkenntnisse können ihre App selbständig auf ihre Bedürfnisse und die zu lösende Aufgabe anpassen. Dadurch kann derjenige der die Anforderungen am besten kennt auch selber die Lösung erarbeiten. Das ist nicht nur kostengünstig, sondern beschleunigt auch Entwicklungszyklen. Vor allem kleine und mittelständische Unternehmen können damit mehr Unabhängigkeit gewinnen und ihren Automatisierungsgrad schnell erhöhen.

Logistik als Vorreiter

Lösungen, wie die Lötstellenkontrolle oder die Erkennung von Fremdkörpern in Nahrungsmitteln, profitieren von den Entwicklungen, die in weitaus komplexeren Aufgabenstellungen erarbeitet wurden. Etwa in der Logistikbranche. Dieser kommt in Zeiten von e-Commerce und bei immer steigenden Kundenbedürfnissen eine besondere Rolle zu. Der Kostenfaktor Logistik ist zum Effizienzbringer geworden und fördert immer mehr Potenziale zutage, produktiver und nachhaltiger zu werden. In diesem Umfeld kommen komplexere Systeme zum Einsatz, die bisherige Software mit KI kombinieren, um leistungsfähiger zu werden und bessere Ergebnisse zu liefern.

Die logistische Kette und die Vielzahl der Warensendungen werden zur wachsenden Herausforderung, bei der Versandfehler vermieden werden sollen. Eine Fehlerquelle stellt beispielsweise die Vereinzelung von Paketen, insbesondere in Verbindung mit einer automatisierten Entladung dar. Dabei werden Pakete automatisiert vom Lkw auf ein Förderband gelegt. Bei diesem Prozessschritt kommt es immer wieder vor, dass die Pakete zu nah bei- oder sogar aufeinanderliegen. Damit kann nur die Adresse von einem der Pakete identifiziert werden. Angenommen ein Paketzentrum sortiert 5.000 Objekte pro Stunde und nur ein Prozent davon ist nicht vereinzelt, dann kommt es pro Stunde zu 450 Paketen, die falsch sortiert und verteilt werden. Ein Paket, das eigentlich nach Hamburg soll, wird so unter Umständen nach München geschickt. Diese zusätzlichen Transportwege und längere Lieferzeiten kosten nicht nur Geld, sondern haben auch Einfluss auf die Zufriedenheit des Empfängers und den CO2-Abdruck.

Um diese Fehler zu vermeiden, hat SICK Single Item Verification entwickelt. Mit der auf KI basierten Lösung lässt sich bestimmen, ob es sich um ein einzelnes Paket handelt oder mehrere Pakete nicht korrekt vereinzelt wurden. Ist letzteres der Fall, werden die Pakete voneinander getrennt und erneut identifiziert. Durch die Qualitätskontrolle des Vereinzelungsprozesses wird eine vollautomatische Entladung möglich und ist damit ein Wegbereiter für die Weiterentwicklung des vollautomatischen Sortierprozesses. Mit dieser Lösung zählt das Unternehmen sogar zu den 100 Orten der Industrie 4.0; ein Wettbewerb, der vom Land Baden-Württemberg ausgerufen wird.

[1] IDG Research Services, Studie Machine Learning 2020

(ID:47480125)