Visuelle Suche zur automatischen Identifikation von Industriekomponenten basierend auf mit synthetischen Daten trainierten Neuronalen Netzen (Synthnet)
Im Forschungsvorhaben wird eine innovative KI-Methodik zur visuellen Identifikation von Maschinenkomponenten im industriellen Umfeld realisiert.
Motivation: Der deutsche mittelständische Maschinenbau ist für innovative und qualitativ hochwertige Produkte und Maschinen bekannt, die weltweit exportiert werden. Die Globalisierung ist ein Wachstumsmotor, der allerdings auch große Herausforderungen mit sich bringt: Service und Wartung der Maschinen müssen nicht mehr lokal in einem eng begrenzten Einzugsgebiet, sondern für Kunden weltweit ausgeführt werden.
KMU unterhalten dafür ein Service-Netzwerk aus geeigneten Technologien. Die Effizienz dieses Netzwerks steht und fällt mit der schnellen und zuverlässigen Identifikation der Ursache des Maschinenstillstands. Diese ist ausschlaggebend für den Versand benötigter Ersatzteile, die Planung eines Technikereinsatzes und die Entscheidung, ob ein Techniker beim Kunden, ein lokaler Service-Partner oder aber der erfahrene, herstellereigene Service-Techniker für den Einbau benötigt wird.
Nach Stand der Technik haben Kunden die Wahl – Kontakt zur Hotline, Fernwartung durch Techniker oder ein Technikerbesuch. Soll nur ein Ersatzteil geordert werden, so muss es über Ersatzteillisten und Baugruppenbezeichnungen identifiziert werden – ein fehlerbehafteter Prozess, weil nicht nur die defekten Komponenten identifiziert, sondern dann auch noch dem richtigen Bauteil der Zeichnung zugeordnet werden muss.
Hier besteht das Potential, durch KI-basierte visuelle SST-Systeme zur verlässlichen Identifikation der defekten Maschinengruppen den kritischen Prozess der Ursachenfindung deutlich zu beschleunigen und dadurch die Einsätze der Service-Mitarbeiter effizienter zu planen.
Die Herausforderung bei der Übertragung etablierter KI-basierter Technologien zur visuellen Bildidentifikation in den Einsatz im industriellen Kontext liegt in der Anforderung, einen sogenannten visuellen Index zu erstellen, in dem die zu identifizierenden Komponenten trotz unterschiedlichster Blickwinkel, Defekte und Verschmutzungsgrade auffindbar sind. Etablierte KI-Verfahren benötigen dafür eine extrem hohe Anzahl von Bildern aus unterschiedlichen Blickwinkeln, deren Erzeugung für ein KMU weder sinnvoll noch mit den vorhandenen Ressourcen möglich ist.
SynthNet begegnet dieser Herausforderung durch die Realisierung einer innovativen KI-basierten Softwarelösung zur Erzeugung synthetischer Bilddaten aus 3D Konstruktiondaten. Diese werden dann für die visuelle Objektsuche komplexer Maschinenteile genutzt.
Projektleitung:
Prof. Dr. Kristian Hildebrand
Kooperationspartner:
Nyris GmbH, Berlin
topex GmbH, Erkenbrechtsweiler
Mittelgeber:
BMBF
Richtlinie: „KI4KMU“ zur Förderung von Projekten zum Thema „Erforschung, Entwicklung und Nutzung von Methoden der Künstlichen Intelligenz in KMU“
