Deep Learning Meine App sagt mir, wer du bist

Anbieter zum Thema

Klinkhammer Intralogistics GmbH

Paessler AG

HOPPE Unternehmensberatung

Schluss mit dem Rätselraten der Servicetechniker! Fehlt bei älteren Geräten die Typenbezeichnung müssen sie nun nur noch ihr Smartphone zücken und schon wissen sie, wen oder was sie vor sich haben.

• Mit der App von The unbelievable Machine Company kann jedes iOS-Smartphone Bauteile identifizieren.

• Die optischen Bauteilerkennung beruht auf Verfahren der Bilderverarbeitung und vortrainierten Neuronalen Netzwerken oder Deep Neural Networks.

• Mit der Technik sind auch Anwendungen aus der Oberflächenprüfung und Wareneingangskontrolle sowie der Predictive Maintenance denkbar.

Bei komplex verbauten Teilen kommt es im Zuge der Wartung häufig zu Überraschungen: Einzelne Bauteile sind verdeckt oder nur schwer zu erreichen. Bei älteren Geräten sind die Typenbezeichnungen oft gar nicht mehr lesbar oder fehlen komplett. In zahlreichen Fällen sehen einzelne Bauteile außerdem sehr ähnlich aus und lassen sich kaum voneinander unterscheiden. Für Techniker im Außendienst, die Abhilfe schaffen und handlungsfähig sein müssen, ist das ein Problem.

Was also tun, um Bauteile mit einfachen Mitteln zu identifizieren? Einfach sein Smartphone benutzen, empfiehlt The unbelievable Machine Company und hat schon vor geraumer Zeit eine entsprechende Applikation zur optischen Bauteilerkennung geschaffen, die auf weiterentwickelten Verfahren aus dem Bereich der Bilderverarbeitung und vortrainierten Neuronalen Netzwerken oder Deep Neural Networks beruht.

Bildergalerie

Bildergalerie mit 5 Bildern

Manchmal braucht es eine wirklich smarte Lösung

Dabei herausgekommen ist eine simple iOS-Smartphone-App zur optischen Bauteilerkennung mit der Bauteile oder Werkzeuge identifiziert werden können, was etwa die Wartung und Reparatur von Maschinen samt Identifikation und Zugriff benötigter Ersatzteile wesentlich erleichtert: Das einfache Abfotografieren eines Bauteils mit dem Mobilfunkgerät genügt, um wenige Sekunden später zu wissen, um welches es sich handelt, und alle Informationen vor Ort abzurufen. Es erfolgt ein direkter Verweis auf Maschinen- und Bauteildaten, etwa in Produktkatalogen. Eine Eingabe der Typenbezeichnung oder Gerätenummer ist überflüssig.

Auch die Schadenserkennung wird leichter gemacht, da zum Beispiel Schäden in der Oberflächenstruktur von Bauteilen im Abgleich mit Produktbildern und Verkaufsdaten durch ein einfaches Foto sichtbar werden.

Herausforderungen gibt es immer – Lösungen auch

Wie bei jeder Big-Data-Anwendung war die zentrale Herausforderung auch hier die Datenlage. Zumal auf Algorithmen basierende Bilderkennungsverfahren immer entsprechende Bilddatenbanken benötigen, die sie nach vergleichbaren Mustern durchsuchen. Im Fallbeispiel standen allerdings nur Bilder des Idealzustands zur Verfügung und es herrschten quasi Laborverhältnisse; das Produkt sollte jedoch auch in normalen Anwendungssituationen zuverlässig funktionieren.

Deshalb wurde die so genannte „Image Augmentation“ genutzt, um weitere notwendige Bilder der Bauteile künstlich zu generieren und beispielsweise Aufnahmen aus verschiedenen Winkeln zu simulieren.

Zu jeder Identifizierung wurde außerdem eine so genannte Heatmap oder Class Activation Map generiert, die auf einer Whitebox-KI beruht. Ähnlich wie bei einem Infrarot-Wärmebild, kann man daran erkennen, welche Bildteile der Algorithmus genutzt hat, und nachvollziehen, warum die Identifizierung erfolgreich oder fehlerhaft war. Mit den entsprechenden Tools muss ein Neuronales Netzwerk also keine Black Box (mehr) sein.

Von Oberflächenprüfung bis Wareneingang

Eine Applikation, die auf vorhandenen Verfahren aus der Bilderverabeitung und vortrainierten Deep Neural Networks beruht, ermöglicht auch in anderen Bereichen neue Modelle zu erstellen und zu trainieren. Die anderenfalls üblichen hohen Entwicklungsaufwände sind deutlich reduziert und die Anwendung dadurch schnell und kostengünstig einsatzfähig.

Ein mögliches Einsatzfeld ist etwa die Oberflächeninspektion. So lässt sich zum Beispiel direkt am Wareneingang die Oberfläche angelieferter Bauteile per Bilderkennung prüfen, um festzustellen, ob Kratzer oder Korrosionen, eventuelle Transportschäden oder bloß Verschmutzungen vorhanden sind. Abweichungen können identifiziert und die betreffenden Stellen auf dem Bild markiert werden, sodass sie umgehend überprüft werden können.

Eine andere Möglichkeit ist der Einsatz in der Logistik. Wenn angelieferte Bauteile zum Beispiel nicht komplett mit Barcodes oder Typenschildern ausgestattet sind und eine Zuordnung am Wareneingang nötig ist. In diesem Fall sind Mitarbeiter nicht mehr gezwungen, aufwändig im Katalog nach ähnlichen Einzelteilen zu suchen, um diese für die Weiterverarbeitung eindeutig identifizieren zu können.

Nächster Halt: Predictive Maintenance

Derartige Machine-Learning-Modelle bilden auch eine Grundlage für die vorausschauende Wartung (Predictive Maintenance), um mögliche Schäden zu erkennen, bevor sie überhaupt auftreten. Denn die Bestimmung eines Bauteils per Bild oder Ton und das Erkennen von Mustern und gravierenden Abweichungen lässt auch Rückschlüsse auf die Funktionsfähigkeit und Abnutzung zu.

So können auf Basis vergangener und vorhandener Daten mittels Machine Learning in einem mathematischen Modell eben auch quantitative Zukunftsvorhersagen getroffen werden – was insbesondere sinn- und wertvoll ist, wenn Maschinen und Anlagen in Produktionsprozesse eingebunden sind, die möglichst nicht unterbrochen werden sollten. Mit Predictive Analytics können somit Kosten und Ressourcen für unnötige Instandhaltungen vermieden werden. Außerdem kann das frühzeitige Erkennen die Lebensdauer der Maschinen verlängern und es ermöglicht, Wartungen zu dem Zeitpunkt durchzuführen, zu dem der Produktionsablauf am wenigsten gestört wird. Den Anwendungen sind, wie gesagt, kaum Grenzen gesetzt – wenn die Datenlage stimmt.

* Dr. Olivia Lewis ist Head of Data Science bei The unbelievable Machine Company (*um) in 10623 Berlin, Tel.: +49 (30) 88 92 65 60

(ID:47039720)