Die Mitarbeitenden bei Systemair suchten nach einer Möglichkeit, Fehler im Fertigungsprozess zu reduzieren – und waren auch von der Idee angetan, dass künstliche Intelligenz ihnen dabei helfen könnte. Ausgehend von einem Proof of Concept halfen wir dabei, dieses Problem zu lösen.
Problem
Das Unternehmen Systemair hatte Probleme mit der Konsistenz der Qualität von Aluminiumrahmenverbindungen – vermutlich verursacht durch Bedienerfehler – obwohl ein visuelles Inspektionssystem bereits vorhanden war.
Unsere Lösung
Wir haben die Konsistenz der Qualität von Aluminiumrahmenverbindungen durch den Einsatz künstlicher Intelligenz verbessert – mit Echtzeit-Warnungen.
-
Ein Edge-Gerät mit einem neuronalen Netzwerk wurde an der Maschine installiert, um Bediener auf falsch positionierte Teile aufmerksam zu machen.
-
Eine Kamera und Deep-Learning-Algorithmen erkennen und klassifizieren falsch montierte Aluminiumrahmen (Lücken, scharfe Kanten usw.).
-
Die Videodaten werden lokal auf dem Edge-Gerät verarbeitet und auf einem Display angezeigt.
Unser Ansatz
Datenerfassung
Hochauflösende Kamera zur Erfassung der Aluminiumrahmen-verbindungen.
Modellentwicklung
Entwicklung eines Machine-Learning-Modells zur Klassifizierung der Verbindungsqualität.
Integration
Integration des Modells in ein Echtzeit-Überwachungssystem.
Anwendungsfall
Erkennung von Rissen in Aluminium-verbindungen
Erkennung von Rissen oder schlecht positionierten Aluminiumverbindungen. Die Benutzeroberfläche zeigt an, ob die Profile korrekt verbunden sind, und ermöglicht es dem Bediener, Bilder für weitere Trainingsdaten zu sammeln.
Unsere Methode nutzt eine Kamera und Deep-Learning-Algorithmen, um falsch verbundene Aluminiumrahmen zu erkennen und zu klassifizieren. Das aufgenommene Videomaterial wird von einem Edge-Computing-Gerät verarbeitet, das mit der Kamera und dem Display verbunden ist.
Die Maschine ist nun mit einem Edge-Gerät ausgestattet, das ein neuronales Netzwerkmodell ausführt und den Bediener warnt, wenn die Produktteile nicht korrekt positioniert sind.
Ergebnis
Die Automatisierung der visuellen Inspektion mit Echtzeitüberwachung verbessert die Qualitätskontrolle, reduziert den manuellen Aufwand, erhöht die Genauigkeit, fördert die Kompetenzentwicklung und steigert die Produktivität – sodass nur hochwertige Produkte die Prüfung bestehen.
Bei Systemair suchten wir nach einer Möglichkeit, Fehler im Fertigungsprozess zu reduzieren. Gleichzeitig waren wir von der Idee begeistert, dass künstliche Intelligenz uns dabei unterstützen könnte.
Das Team von Aston ITM arbeitete sehr eng mit unserem Team zusammen und präsentierte innerhalb weniger Wochen eine funktionierende Lösung. Ich habe es besonders geschätzt, dass sie die Lösung zunächst in ihrer eigenen Testumgebung ausprobierten – ohne direkt in die Produktion eingreifen zu müssen.
Ein weiterer Vorteil war, dass sie auch die passende Hardware zur Software auswählten, die alle Anforderungen für den Einsatz in der Produktion erfüllte.
Am Ende des Projekts erhielten wir zudem Berichte zur Bewertung der Produktionsqualität. Dadurch können wir die Ergebnisse nun noch besser messen und auswerten.
Der Proof of Concept war erfolgreich, und wir prüfen derzeit den Einsatz dieser Lösung in weiteren Produktionsphasen.
Maroš Chlebo, Geschäftsführer, Systemair
