So wählen Sie moderne KI-Technologie für Fertigungs- und Automatisierungsanwendungen aus

Im täglichen Leben außerhalb von Produktion und Laboren im Bereich der industriellen Automatisierung variieren die Definitionen von Künstlicher Intelligenz (KI) stark.

„Künstliche Intelligenz“ bezieht sich auf eine Wissenschaft, die mehrere verschiedene technische und ingenieurwissenschaftliche Disziplinen umfasst, darunter maschinelles Sehen, Computer Vision, maschinelles Lernen und Deep Learning. Wenn ein System, das auf dieser Kombination von Technologien basiert, richtig konzipiert ist (von der Anwendungsanalyse bis zur endgültigen Validierung), kann es der Fabrik einen enormen Mehrwert verleihen.

Der Aufstieg der künstlichen Intelligenz in der Fertigung

John McCarthy, Professor für Informatik an der Stanford University, gilt als „Vater der künstlichen Intelligenz“. Künstliche Intelligenz kann definiert werden als „die Wissenschaft und Technik zur Herstellung intelligenter Maschinen, insbesondere intelligenter Computerprogramme“. Es geht darum, mithilfe von Computern ähnliche Aufgaben beim Menschen zu verstehen, aber künstliche Intelligenz muss nicht auf biologisch wahrnehmbare Methoden beschränkt sein.

In diesem Fall kann künstliche Intelligenz Herstellern in verschiedenen Branchen wertvolle Werkzeuge zur automatisierten Inspektion von Bildverarbeitungssystemen liefern. Innerhalb der künstlichen Intelligenz gibt es Teilbereiche des maschinellen Lernens und des Deep Learning. Maschinelles Lernen nutzt Techniken, mit denen Maschinen „lernen“ können, um sich bei verschiedenen Aufgaben zu verbessern. Eine dieser Techniken ist Deep Learning, bei dem künstliche neuronale Netze, etwa Faltungs-Neuronale Netze, zum Einsatz kommen, um den Lernprozess des menschlichen Gehirns zu simulieren.

Deep Learning, eine Teilmenge des maschinellen Lernens sowie des maschinellen Lernens, ist im Bereich der industriellen Automatisierung aufgrund seiner Fähigkeit, aus der kontinuierlichen Analyse von Modellen im Laufe der Zeit zu „lernen“, populär geworden. Der Prozess des Deep Learning beginnt mit Daten. Um beispielsweise die maschinelle Bildverarbeitung bei der Suche nach Produktfehlern zu unterstützen, erstellen Hersteller einen vorläufigen Datensatz, indem sie neben „guten“ Bildern Bilder hochladen, die Mängel oder Merkmale beschreiben, die erkannt werden müssen. Deep Learning erfolgt durch die gemeinsame Kennzeichnung eines vorläufigen Datensatzes, das Training des Modells und die Validierung der Ergebnisse mithilfe von Testbildern des Originaldatensatzes, das Testen der Leistung in der Produktion und das Umschulen, um neue Fälle oder Funktionen abzudecken.

Wenn alle Faktoren berücksichtigt und die entsprechenden Schritte befolgt werden, bietet die Software einen Mehrwert bei der Implementierung von Deep-Learning-Tools in neue oder bestehende automatisierte Inspektionssysteme, einschließlich Aufgaben wie Fehlererkennung, Merkmalsklassifizierung und Montageverifizierung. Insbesondere bietet diese Software einen Mehrwert für viele Anwendungen, beispielsweise für Aufgaben wie Fehlererkennung, Merkmalsklassifizierung und Validierungsüberprüfung. KI-Technologie kann bei subjektiven Inspektionsentscheidungen helfen, die andernfalls eine manuelle Inspektion erfordern würden. KI-Technologie kann dabei helfen, Szenarien zu identifizieren, die ein hohes Maß an Komplexität oder Variabilität aufweisen, was die Identifizierung spezifischer Merkmale erschwert.

Verbesserte Bildverarbeitungssysteme

Der Einsatz künstlicher Intelligenz in Anwendungen kommt nicht jeder Anwendung zugute und es handelt sich nicht um eine eigenständige Technologie. Vielmehr stellt die KI-Technologie ein leistungsstarkes Werkzeug im Werkzeugkasten der automatisierten Inspektion dar, das in verschiedenen Branchen eingesetzt werden kann und Herstellern vielfältige Optionen bei der Auswahl einer Lösung bietet. Sie können Lösungen intern mit Frameworks wie PyTorch oder TensorFlow programmieren, Standardlösungen erwerben oder anwendungsspezifische KI-fähige Produkte oder Systeme auswählen.

Es gibt mehrere vorgefertigte KI-Lösungen auf dem Markt, die es Endbenutzern ermöglichen, ihre eigenen Modelle zu erstellen, ohne an eine bestimmte Anwendung gebunden zu sein. Die QA-Plattform von Elementary bietet beispielsweise ein sogenanntes „Full-Stack-Vision-System“ mit Bildgebungsköpfen und Software für maschinelles Lernen mit fortschrittlicher Analyse, die darauf ausgelegt ist, Probleme zu identifizieren, kontinuierlich zu verbessern und neue Funktionen für eine Vielzahl von Herstellungsprozessen freizuschalten. Das System kombiniert traditionelle Bildverarbeitungstools wie das Lesen von Barcodes und die optische Zeichenerkennung mit maschinellen Lernfunktionen, um dem System externe Inspektionsfunktionen hinzuzufügen. Insgesamt bietet das System zusätzliche Erkennungsmöglichkeiten.

Mike Bruchanski sagte: „Künstliche Intelligenz ist keine Zauberei, sie kann nicht alles, aber sie kann den automatischen Erkennungssystemen, auf denen sie basiert, leistungsstarke neue Funktionen hinzufügen – beispielsweise das Auffinden eines offensichtlichen Klumpens im Getreide.“ Ein klares Beispiel für ein Machine-Learning-Vision-Tool, das mit Machine-Vision-Systemen zur Qualitätskontrolle zusammenarbeiten kann, sind gängige Inspektionsanwendungen für Elementary-Vision-Systeme, darunter Verpackungen von Konsumgütern (einschließlich Etiketten, Kappen und Zubehör), medizinische Geräte, Automobilteile usw Baugruppen sowie Lebensmittel- und Getränkeprodukte (häufig mit einzigartigen Versionen der Baugruppeninspektion).

Er sagte: „Zum Beispiel wäre es bei einer Inspektion von abgepackten Frühstücksbrötchen schwierig, ein Muster zu etablieren, das es einer Software ermöglichen würde, zu verstehen, ob der Käse nicht an der richtigen Stelle oder gar nicht ist, aber unser maschinelles Lerntool.“ ermöglicht es einem Bildverarbeitungssystem, gestapelte Sandwiches zu betrachten und schnell Entscheidungen zu treffen. Unsere Plattform bietet einen ähnlichen Ansatz bei der Inspektion medizinischer Geräte und führt gleichzeitig eine Reihe von Inspektionen im Automobilbereich durch, von der Identifizierung von Zulassungsetiketten bis hin zur Prüfung von Schweißnähten auf Dellen, Hohlräume oder Risse.

Die Einführung von Robotern nimmt zu.

In den letzten Jahren sind eine Reihe anwendungsspezifischer Produkte für künstliche Intelligenz entstanden, mit dem Ziel, bestimmte Aufgaben zu rationalisieren und zu vereinfachen. In manchen Fällen kann es sein, dass ein ganzes System innerhalb weniger Stunden betriebsbereit ist. Der Rapid Machine Operator (RMO) von Rapid Robotics ist ein Paradebeispiel für ein solches System. Jeder RMO ist für die Bewältigung gängiger Maschinenbedieneraufgaben konzipiert und umfasst einen 6-Achsen-Roboterarm, einen 3D-Tiefensensor, einen Greifer und eine Steuerbox für Edge Computing und Verarbeitung künstlicher Intelligenz. Nach Angaben des Unternehmens ist RMO mit vorab trainierten Algorithmen der künstlichen Intelligenz ausgestattet.

Juan Aparicio, Vice President of Product bei RapidRobotics, sagte: „Jeder RMO ist so konzipiert, dass er die individuellen Produktionsanforderungen des Kunden erfüllt. Diese modularen Arbeitszellen ermöglichen es Herstellern, die Automatisierung schnell, kostengünstig und mit geringem Risiko zu erweitern.“ Fortschritte in der künstlichen Intelligenz machen den Einsatz der Roboterautomatisierung einfacher und effizienter als je zuvor.

„Eines der wichtigsten Wertversprechen von KI ist die Vielfalt an Automatisierungstalenten. Das allgemeine Narrativ ist, dass die Automatisierung in die US-Fertigung eingedrungen ist. Wir haben festgestellt, dass dies sicherlich nicht der Fall ist.“

Zur Überraschung der Forscher stellte ein aktueller MIT-Bericht über die Zukunft der Arbeit fest, dass auf künstlicher Intelligenz basierende Roboter in kleinen und mittleren Herstellern selten vorhanden sind, fügte er hinzu. Es gebe viele Möglichkeiten für den Einsatz, einschließlich Qualitätsprüfung und autonomer Mobilgeräte Roboter, Montage und generatives Design.

Im Bereich Robotik nutzt Photoneo in seinen Automatisierungslösungen Methoden der künstlichen Intelligenz, um gemischte Artikeltypen zu identifizieren, zu kommissionieren und zu klassifizieren. Das Unternehmen verwendet CNNs, die auf einem großen Objektdatensatz trainiert wurden, um Gegenstände unterschiedlicher Form, Größe, Farbe oder Material zu identifizieren. Wenn die Software auf ein Objekt stößt, das sie zuvor noch nicht gesehen hat, kann sie das Objekt anhand ähnlicher Objekte, auf die sie gestoßen ist oder auf die sie zuvor trainiert wurde, identifizieren und klassifizieren. Darüber hinaus kann die Software anhand eines bestimmten Datensatzes trainiert werden, wenn ein Kunde Anomalien oder Anpassungselemente erkennen muss, die zu einer Verschlechterung der Modellleistung führen können.

Photoneo PR-Spezialistin Andrea Pufflerova sagte: „Kunden benötigen oft ein Roboter-Artikel-Kommissioniersystem, das Artikel verschiedener Formen, Größen, Farben oder Materialien identifizieren, kommissionieren und sortieren kann.“ Die Integration künstlicher Intelligenz in eine solche Lösung ermöglicht es den Kunden, sie zu lokalisieren und verarbeiten gemischte Objekttypen, darunter auch Bio-Produkte wie Obst oder Fisch.

Sie fügte hinzu: „Dazu können sogar Gegenstände gehören, die oft schwer zu identifizieren sind, wie zum Beispiel Taschen, die flexibel, verformbar, voller Falten und Unregelmäßigkeiten sind.“ „

Umfassende maßgeschneiderte Lösungen

Unternehmen, die KI-Software in ihren Betrieben einsetzen möchten, können einen Schritt weiter gehen und Unternehmen wie Prolucid benutzerdefinierte Modelle für maschinelles Lernen erstellen und integrieren lassen, einschließlich Unterstützung für Datenerfassung und -kennzeichnung, Modellschulung und -bereitstellung

Darcy Bachert, CEO von Prolucid, erklärt: „Als Systemintegrator liegt unser Fokus auf der Anwendung fortschrittlicher Computer Vision und KI-basierter Modelle zur Unterstützung komplexer Fertigungsinspektionsanwendungen sowie einer Vielzahl von Kunden außerhalb der Fertigung, einschließlich der Nuklear- und Medizinversorgung.“ „Unser typischer Ansatz besteht darin, Computer Vision oder andere vorhandene Tools zu nutzen, um das Problem auf einfachste Weise zu lösen. Wenn wir auf eine Anwendung stoßen, für die diese nicht geeignet sind, schauen wir uns KI als Option an und suchen zunächst nach Standardmodellen, die zum konkreten Anwendungsfall passen, etwa zur Anomalieerkennung oder zur Merkmalsklassifizierung. „

Bachert stellte fest, dass Open-Source-Plattformen wie TensorFlow, die über vorab trainierte Modelle für relevante Anwendungsfälle verfügen, sowie das gesamte Python-Ökosystem einen erheblichen positiven Einfluss auf die Einführung künstlicher Intelligenz in der Fertigung und anderen Bereichen hatten Anwendungen.

Er erklärte: „Die Entwicklung eines Modells von Grund auf kann sehr zeitaufwändig sein, was für Fertigungskunden oft unpraktisch ist. „Wenn jedoch vorab trainierte Versionen genutzt werden können, vereinfacht dies die Anfangsinvestition erheblich.“ Fehlertrends frühzeitig erkennen und letztendlich deren Auftreten verhindern. Beispielsweise kann maschinelles Lernen erkennen, wann ein Unternehmen zu bestimmten Tageszeiten mehr Fehler produziert oder wann Datumscode-Etiketten zu verblassen beginnen, weil ein Drucker nur noch wenig Tinte enthält. Laut Bruchanski erkennt die Technologie, wenn ein Prozess fehlerhaft läuft, und sendet Befehle an das System oder den Bediener, um Anpassungen vorzunehmen.

Er sagte: „In Zukunft kann maschinelles Lernen dabei helfen, Prozesse zu optimieren, indem es Fehler erkennt, Trends an der Fehlerursache identifiziert und diese Daten den Herstellern zur Verfügung stellt, um ihnen letztendlich dabei zu helfen, eine fehlerfreie Umgebung zu erreichen.“ ist der Ansicht, dass die Entwicklung hybrider KI-Modelle, die modellbasierte und KI-getriebene Ansätze kombinieren, auch Potenzial für industrielle Anwendungen bietet.

Sie sagte: „Heutzutage reicht es möglicherweise nicht aus, ein System so zu trainieren, dass es anhand einer begrenzten Anzahl von Beispielen einigermaßen gut funktioniert – man muss auch seine interne Darstellung im Vergleich zu herkömmlichen Black-Box-Ansätzen für maschinelles Lernen oder Deep-Learning-Hybrid verstehen.“ KI-Modelle ermöglichen schnelleres, einfacheres Lernen und bessere Interpretierbarkeit.“

Für Aparicio ist es schwierig, über Roboterautomatisierung zu sprechen, ohne über die Zukunft der Belegschaft zu sprechen.

Er sagte: „Insofern KI und Automatisierung menschliche Rollen überflüssig machen, werden Innovationen in der Robotik Veränderungen mit sich bringen, aber letztendlich auch mehr Chancen für den Menschen.“ „Zum Beispiel wird der Einsatz von Robotern immer die Einbeziehung von Ingenieuren erfordern, weil sie es müssen.“ Koordinieren Sie verschiedene Integrationsprozesse, kombinieren Sie Hardware und Software und entwerfen Sie ein zuverlässiges System. Angesichts der Geschwindigkeit, mit der sich diese Technologien weiterentwickeln, entscheiden sich Unternehmen möglicherweise für eine Partnerschaft mit einem vertikal integrierten Lösungsanbieter, sodass sie sich stärker auf das Wachstum ihres Unternehmens konzentrieren können, während der Anbieter die Roboterflotte verwaltet. Bachert erklärte, dass sich die Roboterbelegschaft in diesem Szenario von verteilten Teams zu einem zentralisierten Ansatz verlagern wird, was es Robotics-as-a-Service-Unternehmen ermöglicht, von Skaleneffekten und zentralisierter Schulung zu profitieren.

Wenn es darum geht, die Hindernisse zu überwinden, die die schnelle Einführung von KI behindern, kam Bachette zu dem Schluss, dass KI nur ein weiteres Werkzeug ist, das für die industrielle Automatisierung eingesetzt werden kann. Er warnt jedoch: „Da die Open-Source-Community weiter wächst und immer mehr vorab trainierte Modelle verfügbar werden, wird die Eintrittsbarriere dieser Technologien in reale Anwendungen sinken. Diese Einführung erfordert, dass Endkunden in die Schulung investieren.“ Teams, da künstliche Intelligenz ganz besondere Herausforderungen mit sich bringt, die in einfachen Computer-Vision- oder Inspektionsanwendungen nicht immer vorhanden sind

.

Das obige ist der detaillierte Inhalt vonSo wählen Sie moderne KI-Technologie für Fertigungs- und Automatisierungsanwendungen aus. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!