Herzlich Willkommen beim beam-Verlag in Marburg, dem Fachverlag für anspruchsvolle Elektronik-Literatur.


Wir freuen uns, Sie auf unserem ePaper-Kiosk begrüßen zu können.

Aufrufe
vor 6 Jahren

EF 2018

  • Text
  • Antriebe
  • Robotik
  • Stromversorgung
  • Qualitaetssicherung
  • Bildverarbeitung
  • Automatisierungstechnik
  • Sensorik
  • Messtechnik
  • Visualisieren
  • Regeln
  • Msr
  • Boards
  • Systeme
  • Sbc
  • Ipc
  • Pc
  • Automation
  • Software
  • Components
  • Produktionsautomatisierung
EInkaufsführer Produktionsautomatisierung - Fachzeitschrift für Industrielle Automation, Mess-, Steuer- und Regeltechnik

Automatisierung Next

Automatisierung Next Level: Automatisierung dank Machine Learning Wie Bildverarbeitung und Künstliche Intelligenz komplexe Sortiervorgänge automatisieren Framos GmbH info@framos.com www.framos.com Die Umschlagvolumina im B2Cund B2B-Warenversand wachsen seit Jahren und bringen Anlagen und traditionelle Technologien in allen Industrien an ihre Grenzen. Vor allem die schwierige Sortierung unterschiedlichster Objekte verbraucht manuelle Ressourcen, dauert lange, ist fehleranfällig und verursacht hohe Kosten. Bildverarbeitung gepaart mit künstlicher Intelligenz hilft komplexe Sortiervorgänge direkt am Förderband zu automatisieren. Mit Bildverarbeitung erhobene Daten ermöglichen Machine Learning als nächsten Evolutionsschritt der Automatisierung in industriellen Sortierprozessen. Die „sehenden Maschinen“ lernen mit kognitiven Prozessen anhand großer Datenmengen selbst, ob beispielweise ein bestimmtes Objekt beschädigt ist, wie es klassifiziert und sortiert werden muss und ob es korrekt verschlossen ist. Mit der erlernten künstlichen Intelligenz können die „sehenden und denkenden Maschinen“ logistische Prozesse vollautomatisiert steuern. Uneinheitliche Verpackungen als Herausforderung Für Intralogistiker aller Branchen mit hoher Warenvielfalt, große E-Commerce-Versender sowie Versand- und Paketdienstleister ist die Sortierung unterschiedlichster Sendungen zur korrekten Weiterverarbeitung eine der größten Herausforderungen. Uneinheitliche Verpackungen machen eine maschinelle Sortierung fast unmöglich. Aufgrund der Vielzahl der verschiedenen Größenklassen und Formen, der Vielzahl der verwendeten Verpackungsmaterialien sowie der Stapelung und Häufung der Pakete auf dem Förderband sind die einzelnen Pakete mit herkömmlichen Technologien nicht erfassbar. Der Sortiervorgang ist daher auch bei hohen Umschlagvolumina oft noch stark manuell geprägt. Dies führt zu hohen Kosten sowie zu langsamen und fehleranfälligen Sortiervorgängen. Vollautomatische Sortierung mit Machine Learning Hier hilft Machine Learning. Die Methode verleiht einem Algorithmus selbstlernende Fähigkeiten. Dazu bekommt er zunächst eine hohe Anzahl an Bilddaten, zum Beispiel zehntausende Bilder von auf einem Förderband gestapelten Objekten..Für den Computer bedeutet dies zunächst Chaos. Anschließend werden die Bilddaten durch einen Menschen vorklassifiziert. Dem Algorithmus wird gesagt „Das ist ein Paket“ und anhand individueller Merkmale kann er die Objekte anschließend selbst in Kategorien einteilen. Diese Klassifizierungen finden durch die Anwendung eines neuronalen Netzes statt..Das neuronale Netz stellt einen mehrstufigen, rechenaufwendigen Prozess dar, der Daten über mehrere Stufen separiert und so die Klassifizierungen vornimmt. Die intelligente Leistung des Algorithmus liegt darin, dass er Bildmuster erkennt und anhand der vorher getätigten Klassifizierung lernt, warum und anhand welcher Merkmale diese Klassifizierung existiert..Die Maschine lernt in diesem Fall, anhand welcher Parameter ein Paket als Paket einzustufen ist..Damit kann der Algorithmus zukünftige einzelne Objekte selbstständig klassifizieren. Wo andere an ihre Grenzen kommen Machine Learning kommt dort zum Einsatz, wo die bildgebende oder taktile Sensortechnik ihre 18 Einkaufsführer Produktionsautomatisierung 2018

Automatisierung Grenzen erreicht. Beispielsweise in der Sortierung von stark diversifizierten Objekten..Mit 3D-Scannern wäre eine Identifizierung der Form nur unzureichend und bei niedriger Geschwindigkeit möglich. Für eine angeschlossene Anlage mit Greifroboter bedeutet dies potenzielle Sortierungenauigkeiten, Fehlleitungen, Anlagenausfälle, Wartezeiten und eine aufwendige manuelle Nachbereitung. Machine Learning gesteuerte Anlagen dagegen erkennen anhand des gelernten Klassifikations-Schemas die Objekte und deren Form exakt und der Roboter kann die Sortiervorgänge vollständig maschinell und in erhöhter Geschwindigkeit durchführen. Die Daten werden von einem Kamerasystem erfasst und in einer lokalen Recheneinheit analysiert..Der Algorithmus sieht das Bild, prozessiert, ob und welche seiner gelernten Muster er erkennt und kann damit den Sortiervorgang komplett automatisch steuern beziehungsweise Handlungsbefehle an die nachgelagerten Systemschritte triggern. Gleichzeitig lernt der Algorithmus mit jedem Bild weiter und verfeinert seine Kriterien..Mit Bildverarbeitung, angereichert durch künstliche Intelligenz, steht Unternehmen mit hohen Umschlagsvolumina und aufwändigen Sortiervorgängen eine vollintegrierte automatisierte Industrie-4.0-Lösung mit Machine Learning zur Verfügung. Machine Learning als strategischer Wettbewerbsvorteil Die Nutzung der dabei erfassten Daten ermöglicht erstmals eine lückenlose Analyse der gesamten Sortierzyklen und der nachgelagerten Prozessschritte. Dabei gilt die in vielen Branchen sehnsuchtsvoll angestrebte Losgröße 1 als Standard..In automatisierten Sortierprozessen werden im wahrsten Sinne des Wortes am laufenden Band Echtzeit-Entscheidungen auf unvorhersehbare Ereignisse mit ständig wechselnden Kriterien getroffen. Eine aufwendige Vorsortierung oder Vor-Klassifizierung kann wegfallen. Die mit Machine Learning erweiterten Bildverarbeitungsalgorithmen versetzen die Anlagen in die Lage, selbstständig valide Entscheidungen zu treffen. Damit rückt das Ziel der Null-Fehler-Logistik sowie eine präventive Fehlervermeidung in greifbare Nähe. Auf Basis der Komplettdaten sind Dashboards umsetzbar, welches aus Sicht des Prozessverantwortlichen eine Vielzahl von analytischen Fragen beantworten. Mit den riesigen Datenmengen der intelligenten Algorithmen lassen sich verlässlichere Prognosen bilden und optionale Handlungsoptionen für eine strategisch orientierte Planung ableiten..Die mit der Vernetzung von Sensortechnik und Datenbanken realisierte optimale Anlagennutzung schafft einen vereinfachten Workflow, bringt Ressourceneinsparungen und führt zu verringerten Handlingskosten. Die Durchlaufzeit der Objekte sowie die anschließende Weiterverarbeitung wird beschleunigt und weniger fehleranfällig, womit auch die Prozessqualität wächst. Strategischer Vorteil Mit Machine Learning steuert die Bildverarbeitung in der Wertschöpfungskette eine intelligente Handlung und lässt sich als strategischer Vorteil nutzen. Mit dem umfangreichen Sammeln und Bewerten von Bilddaten wird ein zuverlässiges und autonomes maschinelles Handeln möglich und erzeugt innerhalb der Automatisierung und Industrie 4.0 eine zusätzliche wirtschaftliche Bedeutung. Plötzlich lassen sich Zusammenhänge bilden und Erkenntnisse ableiten, die vorher unsichtbar waren. Die Bildverarbeitung avanciert so vom bloßen Inspektor zum Produktionsoptimierer und kann mit diesem Beratungscharakter und dessen strategischer Rolle ihr volles Potential entfalten. Die Systemeinbettung und -vernetzung der Bildverarbeitungssysteme eliminiert in variablen und hochflexiblen Umfeldern, unternehmerische Risiken..Die visuell erhobenen und intelligent verarbeiteten Daten zur Systemperformance, zu Wechselwirkungen und Output-Qualität sind eine valide Basis für analytisch-fundierte Entscheidungen. Damit fördert die intelligente Bildverarbeitung Prozessverbesserungen, eine erhöhte Kosteneffektivität und ein rentables Wachstum als Wettbewerbsvorteil. ◄ Einkaufsführer Produktionsautomatisierung 2018 19

hf-praxis

PC & Industrie

© beam-Verlag Dipl.-Ing. Reinhard Birchel