KI-basierte Qualitätssicherung bei der Homologation von Autos

Falsch geklebt

KI-basierte Qualitätssicherung bei der Homologation von Autos

Bei der Bilderkennung hilft KI, die Genauigkeit sowie die Produktionsgeschwindigkeit zu steigern – auch bei der Homologation von Autos.

Der Inhalt des Aufklebers wird in Echtzeit mit einem Handscanner gelesen und die Position des Aufklebers bestimmt. Sind beide Merkmale korrekt, vibriert das Gerät. (Bild: Elunic AG)

Der Inhalt des Aufklebers wird in Echtzeit mit einem Handscanner gelesen und die Position des Aufklebers bestimmt. Sind beide Merkmale korrekt, vibriert das Gerät. (Bild: Elunic AG)

Anfang des Jahres steckten tausende Teslas am chinesischen Zoll fest. Der Grund waren fehlerhafte Kennzeichnungen der Autos. Diese ist Teil des Zulassungsprozesses, der sogenannte Homologation, die sich oft als Nadelöhr erweist, wodurch vielen Automobilherstellern Zeit verloren geht. Das betrifft auch die Aufbringung von Aufklebern, die wichtige Daten zum Fahrzeug enthalten. Wenn diese falsch gesetzt sind, muss vieles noch einmal manuell geprüft werden. Um das zu vermeiden, hat sich ein Automobilhersteller entschieden, mit KI die QS innerhalb der Homologation zu optimieren. Am Anfang des Projekts stand ein Workshop, bei dem die verschiedenen Arten der Aufkleber analysiert und relevante Variablen auf Basis der Log-Daten erarbeitet wurden. Zudem wurden neue Trainingsbilder erstellt und in das System eingefügt. Je nach Aufgabe können die Prüfobjekte, in diesem Fall die Sticker, aus unterschiedlichen Blickwinkeln und vor verschiedenen Hintergründen dargestellt werden. Der Machine Learning Prozess erfolgte mittels TensorFlow. Die dazu benötigte Hardware liegt preislich im unteren bis mittleren vierstelligen Eurobereich. Es ist sogar möglich, mit herkömmlichen Computern Bilder mit deren Grafikprozessoren zu erkennen, allerdings sind Tensor Processing Units (TPUs) besser geeignet. Sie sind günstiger, leistungsfähiger und benötigen weniger Strom, da sie für die benötigten Matrixmultiplikationen konzipiert sind. Auch die Cloud kann eine Option sein. Entscheidend ist, wie zeitkritisch die Anwendung ist, d.h. ob die Bilderkennung in Echtzeit oder eine Auswertungen am Ende eines Produktionsprozesses erfolgen soll. Daraus ergeben sich die entsprechenden Kosten. Im Falle der Prüfzeichenerkennung wurden die Daten durch einen Handscanner eingelesen und zum Abgleich in die Bibliothek geladen. Der Inhalt des Aufklebers wird in Echtzeit gelesen und die Position des Aufklebers bestimmt. Sind beide Merkmale korrekt, vibriert das Gerät und dem Prüfer wird angezeigt, dass alles OK ist. Zudem wurde das MES mit angebunden. Alle erfassten Daten werden zeitgleich in das Tool Dataface, eine IIoT-Suite integriert, wo die Vorgänge und Fehler weiterhin abrufbar sind.

Thematik: Allgemein
www.elunic.com

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Anzeige

Anzeige

Anzeige

Anzeige

Anzeige