Sensorik Wann sich Deep Learning in der Produktion lohnen kann
Anbieter zum Thema
Mit Deep Learning werden Anwendungen in der Produktion realisierbar, die bislang nicht möglich waren. Dabei lernt ein künstliches neuronales Netz in ähnlicher Weise wie ein Mensch. Was Deep Learning schon leisten kann und warum es nicht immer komplex sein muss.

Eine Maschine lernt wie ein Mensch. Das klingt nicht nur komplex, sondern auch ein bisschen nach Science-Fiction. Doch das sogenannte Deep Learning, ein Teilbereich der Künstlichen Intelligenz (KI), ist längst Realität in der industriellen Produktion geworden und findet dort immer mehr Anwendung.
Oftmals war das Erkennen, Prüfen oder Klassifizieren von Objekten und Merkmalen nur mit einer aufwendigen Programmierung möglich – oder sogar technisch gar nicht lösbar. Dank Deep Learning können nun Maschinen einfacher dazu befähigt werden. Die Grundlage dieser Technologie sind vielschichtige künstliche neuronale Netze. Algorithmen, die Zusammenhänge und Muster erkennen sowie weiterverarbeiten. Diese künstlichen neuronalen Netzwerke lernen aus Beispielen und Erfahrung. Sie können nicht nur komplexe Aufgaben in der Produktion lösen, sondern auch die Entwicklung optimieren.
Weil Sensoren die Bezugsquelle aller Informationen in der Fertigung bleiben, hat der Sensoranbieter Sick diese Machine-Learning-Technik auf seine Sensoren übertragen. Das Unternehmen fokussiert sich hier momentan auf die Vision-Produkte. Der Sensoranbieter nutzt Deep Learning, um die Funktionalität von Sensoren applikationsbezogen zu spezialisieren. „Bis vor kurzem war Deep Learning meist nur großen Unternehmen vorbehalten, die sich entsprechende Experten leisten konnten“, weiß Christoph Eichhorn, Produktmanager Deep Learning bei Sick aus Waldkirch: „Wir selbst haben zuerst ein Expertenteam aufgebaut um konkrete Kundenapplikationen mit Deep Learning lösen zu können. Dabei haben wir sehr viel Erfahrung gesammelt und in Werkzeuge übertragen. Damit können Anwender, die keine Deep-Learning-Kenntnisse habe, diese Technologie trotzdem nutzen – also auch kleine und mittelständische Unternehmen.“
Deep Learning sorgt für neue Automatisierungs-Chancen
Maschinelles Lernen eröffnet der Fertigungsautomatisierung neue Chancen. Da ist sich Prof. Stefan Wrobel, Institutsleiter des Fraunhofer IAIS, sicher: „Industrieunternehmen verfügen schon heute über entsprechend viele Daten bzw. Beispiele, um Maschinen trainieren zu können. Mit Deep Learning kann die Effizienz gesteigert und es können sogar neue Produkte angeboten werden.“
Deep-Learning-Anwendungen identifizieren
Zu Beginn stellt sich aus Sicht des maschinellen Lernens immer die Frage nach der Eindeutigkeit der Kriterien: Können diese durch eine gewisse Anzahl an Beispielbildern eindeutig erkannt und interpretiert werden? Kann eine erfahrungs- und wissensbasierte Beurteilungsfähigkeit eines Menschen überhaupt als Intelligenzleistung durch einen Sensor erbracht werden?
Werden diese Fragen durch den jeweiligen Anwendungstechniker positiv beurteilt, schaffen die erfassten Bilder unter realen Bedingungen die Trainingsdatenbasis für die späteren Deep-Learning-Algorithmen. Generell stehen für die Deep-Learning-Entwicklung offene Frameworks zur Verfügung, die jedoch meist eine tiefe Einarbeitung in das Thema neuronale Netze erforderlich machen. „Wir bieten erfahrenen Sensor-App-Entwicklern sowie Nutzern ohne Programmiererfahrung Werkzeuge an, die eine einfache Nutzung von Deep Learning ermöglichen“, erklärt Eichhorn.
Anwendungen, die schon auf Deep Learning setzen
Eines der ersten Pilotprojekte führte das Unternehmen aus dem Schwarzwald in der eigenen Logistik durch. In einer Applikation erkennt das Deep-Learning-System, ob eine Transportschale im Logistik-Hub tatsächlich nur mit einem Paket beladen ist. „Diese Aufgabe ist für Menschen einfach, war aber bisher nur schwer zu automatisieren, da Pakete sehr verschieden sein können“, beschreibt Eichhorn die Sensor-Software-Lösung. Eine weitere Anwendung überprüft in der Produktion von Sick Lötstellen auf Platinen. „Ein aufgetragener Tropfen Lötzinn kann unterschiedlich aussehen sowie reflektieren. Mit Deep Learning erhalten wir jetzt sehr gute Ergebnisse“, sagt Eichhorn. Auch in einem Sägewerk konnte bereits eine Applikation umgesetzt werden. Hier wird die Orientierung von Holzmaserungen bzw. Jahresringen automatisch erkannt. „Bei diesem Projekt haben wir im Vorfeld zigtausend Bilder gesammelt und sortiert. Damit konnten wir dann ein neuronales Netz trainieren. Der Aufwand hat sich gelohnt, wir können bei hoher Taktzeit zuverlässige Entscheidungen treffen“, resümiert der Produktmanager.
Deep-Learning-Algorithmen auf einem Sensor
Sowohl für die Durchführung des Trainings als auch für die Evaluierung des Ergebnisses bietet Sick einen Cloud-Service an. Das umfangreiche Rechnen für das Training einer Deep-Learning-Lösung erfolgt auf speziell dafür ausgestatteten Rechnern mit hoher GPU-Performance (Graphic Processing Unit). Die daraus generierten Algorithmen werden dann aber lokal auf einem Sensor bereitgestellt und ausgeführt. So kann beispielsweise eine intelligente Kamera selbständig Entscheidungen treffen.
Die Hürden beim Thema Deep Learning
Jedoch gibt es auch beim Thema Deep Learning Hürden. „Bei Deep Learning müssen potenzielle Anwender einen gewissen Vorinvest an Aufwand tätigen und mit Beispielen ein neuronales Netz trainieren. Zu diesem Zeitpunkt kann man noch nicht wissen, ob sich der Einsatz der Technologie lohnen wird“, stellt Eichhorn fest. Auch gerät das maschinelle Lernen an seine Grenzen, wenn nicht genügend Daten zur Verfügung stehen, um die Algorithmen für eine komplexe Aufgabe zu trainieren.
Deep Learning erreicht schon heute beeindruckende Ergebnisse. Die Technologie eignet sich für die Klassifizierung und Sortierung von Produkten mit leicht unterschiedlichem Aussehen innerhalb einer Objektklasse, Inspektionen, bei denen mehrere Ergebnisse möglich sind, oder aber auch für die automatisierte Prozessüberwachung. „Wichtig ist: künstliche neuronale Netze sind nicht so intelligent wie ein Mensch. Sie werden für eine bestimmte Aufgabe trainiert. Ihnen fehlt aber der allgemeine Erfahrungsschatz eines Menschen“, bemerkt Christoph Eichhorn abschließend.
Dieser Artikel stammt von unserem Partnerportal elektrotechnik.
(ID:47242983)