Blog

Das *umBlog – Wissenswertes aus der Welt der Daten, Tech-Trends, Termine und Einblicke in unsere unglaubliche Company.

Erstelle dein eigenes Machine-Learning-Modell: *um live auf der Hannover Messe 2018

Verfasst am 20.04.2018 von Michaela Fränzer

Erstelle dein eigenes Machine-Learning-Modell: *um live auf der Hannover Messe 2018 (c) Hannover Messe

Vom 23. bis 27. April präsentiert die Hannover Messe die aktuellen und zukünftigen Maßstäbe der modernen Industrie. Mit mehr als 5.000 Ausstellern und über 500 Praxisbeispielen verwandelt die Weltleitmesse Hannover in den globalen Hotspot rund um das Thema Industrie 4.0. Im Zentrum des Interesses stehen dabei die produktiven Anwendungen Künstlicher Intelligenz. Eines der Highlights ist unsere Deep-Learning-basierte Bauteilidentifizierung per Bilderkennung. Sie vereinfacht sowohl Wartung als auch Schadenserkennung komplexer Maschinenstrukturen, reduziert Einsatzkosten enorm und ermöglicht die Erstellung von Machine-Learning-Modellen für Laien. Jeder Messebesucher kann auf unserer Präsentationsfläche am HPE Stand die Künstliche Intelligenz testen und antrainieren – ohne jegliches Vorwissen!

Auf der Hannover Messe Industrie 2018 machen wir Bauteilidentifizierung per Bilderkennung dank Deep Learning erlebbar:

Deep Learning Showcase „Bauteilerkennung"
am Stand von Hewlett Packard Enterprise (HPE)
Stand A38 Halle 6 

Bauteilidentifizierung per Bilderkennung dank Deep Learning

Bei komplex verbauten Teilen kommt es im Zuge der Wartung häufig zu Problemen. Einzelne Bauteile sind verdeckt oder nur schwer zu erreichen. Bezeichnungen bei älteren Geräten sind nicht mehr lesbar oder fehlen komplett. Hinzu kommt, dass sich einzelne Bauteile kaum voneinander unterscheiden. 

Bereits im letzten Jahr haben wir auf der Hannover Messe einen Case vorgestellt, der die Wartung wesentlich vereinfacht: Eine Applikation zur optischen Bauteilerkennung. Diese beruht auf weiterentwickelten Verfahren aus dem Bereich der Bilderkennung mit einem vortrainierten Deep-Neural-Networks-Kern.  

Beteiligte im Fertigungsprozess können in der Anwendung Informationen zur Wartung und Reparatur durch das einfache Abfotografieren des entsprechenden Bauteils mit ihrem Mobilgerät abrufen. Die Applikation liefert einen direkten Verweis auf die benötigten Daten, ohne eine Eingabe der Typbezeichnung oder Gerätenummer zu benötigen. Auch die Schadenserkennung wird vereinfacht: Schäden in der Oberflächenstruktur von Bauteilen oder in der Analyse des Zusammenhangs zwischen Bildmerkmalen in Produktbildern und Verkaufsdaten können durch ein einfaches Foto festgestellt werden. 

Deep Learning Case: Bauteilidentifizierung per Bilderkennung 2.0

2018 gehen wir noch einen Schritt weiter. Eine simple von uns entwickelte iOS-Smartphone-App erlaubt es, Bauteile oder Werkzeuge zu identifizieren. Zu Demozwecken haben wir speziell für die Messe ein Modell antrainiert, das die Werkzeuge eines Taschenmessers erkennen kann. Zusätzlich haben Besucher die Möglichkeit, ein komplett neues Modell zu trainieren. Dazu muss man nur mit der iOS-App mehrere Beispielbilder aufnehmen und diese mit einem Label versehen. Die Benutzung ähnelt damit Anwendungen, die bereits auf dem Markt verfügbar sind. 

Neu ist allerdings, dass wir zu jeder Identifizierung eine sogenannte Heatmap (auch Class Activation Map genannt) generieren können, die auf einer Whitebox-KI beruht. Anhand der Heatmap kann man erkennen, welche Teile des Bildes das Neuronale Netzwerk zur Identifizierung genutzt hat. Vergleichbar mit der Aufnahme eines Infrarot-Wärmebildes. Auf diese Weise wird nachvollziehbar, warum eine Identifikation erfolgreich oder fehlerhaft war. Mit den entsprechenden Tools muss ein Neuronales Netzwerk also keine Black Box sein.

Das Erstellen von Machine-Learning-Modellen ist meist sehr komplex und nur mit dem nötigen Vorwissen umsetzbar. Unsere Applikation erlaubt es Developern, ohne oder mit nur geringen Vorkenntnissen neue Modelle zu erstellen und zu trainieren. Die in der Regel üblichen hohen Entwicklungsaufwände sind überflüssig. Dadurch ist die Anwendung schnell und kostengünstig einsatzfähig. 

Wettbewerbsvorteil Predictive Analytics  

Derartige Machine-Learning-Modelle bilden die Grundlage für Predictive Analytics bzw. Predictive Maintenance. Die Bestimmung eines Bauteils lässt auch Rückschlüsse auf die Funktionsfähigkeit und Abnutzung zu. In einem mathematischen Modell werden auf der Grundlage von vergangenen und vorhandenen Daten in Kombination mit Machine Learning quantitative Zukunftsvorhersagen getroffen. Im Verlauf der letzten Jahre haben immer mehr Unternehmen auf Predictive Analytics und Predicitve Maintenance gesetzt, insbesondere wenn Maschinen in Produktionsprozesse eingebunden sind. 

Denn: Durch Predictive Analytics werden Kosten und Ressourcen für unnötige Instandhaltungen vermieden. Außerdem werden Stillstandzeiten von Maschinen und Anlagen verringert. Das frühzeitige Erkennen verlängert die Lebensdauer der Maschinen und ermöglicht es, Wartungen zu dem Zeitpunkt durchzuführen, wenn der Produktionsablauf am wenigsten gestört wird. Ein Kunststoff- und Folienhersteller spart beispielsweise monatlich bis zu 50.000 Euro mit einer Anwendung für eine vorausschauende Instandhaltung, die Ausfallzeiten reduziert und die Verschwendung von Materialien für die Produktion minimiert. 

Wir freuen uns auf deinen Besuch am Stand A38 in Halle 6. Hier kannst du einen Termin mit unserem Kollegen Philipp Schlüter vereinbaren:

Jetzte Termin buchen


Das könnte dich auch interessieren:
Positionspapier zum Thema Whitebox AI
Künstliche Intelligenz als komfortabler Service – auch für Einsteiger

Aktuelle Blogeinträge

Social Media

Kontakt

The unbelievable Machine
Company GmbH
Grolmanstr. 40
D-10623 Berlin

+49-30-889 26 56-0 +49-30-889 26 56-11 info@unbelievable-machine.com

Kostenloses Whitepaper

Data Thinking:
Erfolgsrezept für den digitalen Wandel

Zum Whitepaper