Deep Learning

Ein neuer Blick in die Tiefe technischer Zeichnungen: Ein Deep-Learning-Framework liest CAD-Grafiken so genau wie nie zuvor – erkennt Formtoleranzen, Maße und jedes Detail. Was früher mühsam von Hand geschah, übernimmt nun eine KI, die sich in die Besonderheiten jeder Linie und Beschriftung einfühlt. Diese vielversprechende Technologie steigert nicht nur die Genauigkeit, sondern beschleunigt auch die Verarbeitung von Zeichnungen erheblich. So eröffnet das System neue Wege für Präzision in der Produktion.

Die komplexe Dynamik von Blocklagern stellt die manuelle Bestandserfassung vor große Herausforderungen. Häufiges Umlagern von Paletten, Kisten oder Gitterboxen ohne feste Stellplätze führt zu einem zeitaufwändigen und fehleranfälligen Prozess, bei dem Waren oft gesucht werden müssen und Schäden durch unsachgemäße Lagerung auftreten können. Der Einsatz von (teil-)autonomen Fahrzeugen bietet eine vielversprechende Lösung, um eine automatisierte Bestandserfassung zu ermöglichen – insbesondere wenn sie mit einer optischen Erfassung der Waren ausgestattet sind.

Deep Learning-basierte Methoden zur Fehlererkennung sind traditionellen Methoden aufgrund der stetig steigenden Komplexität technischer Systeme und der damit verbundenen Flexibilität und Skalierbarkeit von Deep-Learning-Techniken überlegen. Dieser Beitrag stellt die KrakenBox vor − einen autonomen Deep Learning-basierten Fehlerdetektor für Cyber-Physische-Produktions-Systeme (CPPS). Dieser nutzt ein in der Komplexität speicherreduziertes Long Short-Term Memory (LSTM) Netzwerk, das zur Online-Fehlererkennung geeignet ist und auf einer eingebetteten Plattform wie dem NVIDIA Jetson AGX Xavier oder der Google Coral Edge TPU eingesetzt werden kann. Dieser Beitrag beschreibt die Architektur der KrakenBox und demonstriert ihre Anwendung anhand von zwei Fallstudien.

Produzierende Unternehmen müssen effizient und wirtschaftlich arbeiten, gleichzeitig aber kompromisslos Qualität liefern. Denn Kunden sind anspruchsvoll, und in manchen Branchen gilt gar eine Null-Fehler-Toleranz. Häufig findet die Qualitätskontrolle noch manuell und zeitversetzt statt. Das ist eine aufwendige, monotone und oft unbequeme Arbeit. Zudem können Fehler erst spät korrigiert werden. Mithilfe von Künstlicher Intelligenz lässt sich die visuelle Qualitätskontrolle dagegen automatisieren, in Echtzeit durchführen und in den Produktionsprozess integrieren. Sie wird dadurch genauer, effizienter und kostengünstiger. Was man für ein solches Projekt braucht und wie man es in der Praxis am besten umsetzt, zeigt der folgende Beitrag.

Im Zuge des zunehmenden Wettbewerbsdrucks sind auch Pharmaunternehmen getrieben ihre Produktionsprozesse stetig effizienter zu gestalten. Insbesondere gilt es Verluste des typischerweise hochpreisigen Produkts zu minimieren. Folgend wird ein Ansatz zur prädiktiven Erkennung des Fehlverhaltens im Betrieb von Abfüllanlagen für pulvrige pharmazeutische Erzeugnisse mit Maschinellen Lernverfahren vorgestellt. Im Fokus steht hierbei die Prognose der Füllabweichungen mit Rekurrenten Neuronalen Netzen, eine Methode der Künstlichen Intelligenz. Ein Überschreiten bzw. Unterschreiten der Toleranz des Abfüllgewichts führt dazu, dass die abgefüllten Einheiten nicht weiterverwendet werden können. Ziel ist es, frühzeitig ein Abdriften der Prozessstabilität zu erkennen und entsprechend einzugreifen. Die nötigen Schritte hierzu werden folgend vorgestellt.

Die zunehmende Vernetzung und Digitalisierung von Systemen greift mittlerweile in vielen Feldern um sich. Auf Unternehmerseite hat sich vor allem um die Industrie 4.0 eine Vielzahl von Konzepten, Ideen, Erwartungen und Ängsten gebildet. Ein Blick in die Medien heute reicht aus, um zu begreifen, dass die umfassende Vernetzung kritischer Strukturen auch Gefahren birgt. Neben einer grundlegenden Beschäftigung mit der Absicherung von Informationsnetzwerken, sollte verstärkt berücksichtigt werden, wie die Masse an Daten und Informationen gezielt eingesetzt werden kann, um Systeme zu schützen. Das Auswerten von Big Data bzw. die Umwandlung in Smart Data mithilfe Künstlicher Intelligenz und ihre Nutzung als Sicherheitsfaktor wird in der Zukunft unverzichtbar sein.