Machine Learning

ETEC beschäftigt sich unter anderem mit dem maschinellen Anlernen von automatisierten Anlagen mittels künstlicher Intelligenz. Im Speziellen bei der Qualitätskontrolle wird dabei die Bildverarbeitung insofern konzipiert, dass das System fehlerhafte von intakten Fertigungsteilen unterscheiden kann.

Machbarkeitsstudien

Zeit- und kostenintensive Projekte benötigen eine umfangreiche Vorbereitungszeit. Bei komplizierten Innovationen ist zu Beginn oft nicht bekannt, ob sich diese Entwicklung erfolgreich realisieren lässt. Gerne offerieren wir Ihnen dazu eine gezielte Machbarkeitsstudie. Bei einem Bruchteil der gesamten Entwicklungskosten unterstützen wir Sie mit einer gezielten Machbarkeitsstudie. Hier wird anhand eines definierten Szenarios festgestellt, inwieweit eine geplante Neuentwicklung technisch funktioniert und betriebswirtschaftlich Sinn macht. 

Die Vorteile einer Machbarkeitsstudie sind:

  • Klare Bewertung des kommerziellen Risikos
  • Feststellung von physikalischen Einflüssen
  • Geringere Investitionskosten in Bezug auf Materialkosten und Verfügbarkeit
  • Aliquote Entwicklungskosten
  • Vorauswahl von Materialien, Lieferanten oder angewandten Technologien

Bildverarbeitung mit deep learning

Je nach Verfahren kann eine automatisierte Lösung sehr schnell komplex werden. Zum Erlernen dieser Fähigkeit verwendet ETEC daher grundsätzlich zwei Verfahren. Einerseits werden dem System nach Möglichkeit unzählige Beispielbilder von defekten Teilen zur Verfügung gestellt. Die erzeugten Fehlerbilder werden abschließend in einem Evaluierungsverfahren bewertet und eingeordnet. Das fehlerhafte Bildmaterial wird mittels Tagging markiert und dann anhand der spezifizierten Kundenanforderung gekennzeichnet oder aussortiert.

 

Vorteile aus diesem Prozess sind das große Know-how in diesem „Deep Learning Verfahren“ und die Möglichkeit, alle gesammelten Daten aus den unterschiedlichen Projekten als „Big Data“ zu sammeln. Dadurch erhöht sich die Anwendbarkeit, insbesondere wenn zu wenig reale Daten zur Verfügung stehen.

Synthetische Trainingsdaten

Aufgrund nicht zur Verfügung stehender Fehlerbilder oder hoher Komplexität der Anwendung besteht die Möglichkeit, Trainingsdaten auch synthetisch herzustellen. Hierbei wird das Werkstück oder das Fertigungsteil in fehlerhaftem Zustand randomisiert. Die Vervielfältigung von Bildern mit auffälligen Qualitätsmerkmalen wird durch eine spezielle Software simuliert. Die Markierung bzw. Aussortierung dieser Teile funktioniert analog.

Bereits während des Studiums beschäftigte ich mich mit dem Thema Machine Learning. Speziell die Generierung und Verwendung von synthetischen Trainingsdaten wurde wissenschaftlich beleuchtet. In dieser hochtechnologischen Materie unterstütze ich Sie gerne bei komplexen Fragenstellungen und helfe Ihnen bei der Durchführung einer Machbarkeitsstudie.
Andreas Amplatz, GF ETEC Automatisierungstechnik
Weitere Informationen zu Machine Learning

ETEC beschäftigt sich auch wissenschaftlich intensiv mit den Themen Bildverarbeitung und Machine Learning. Im Rahmen einer Kooperation mit dem Management Center Innsbruck (MCI) unterstützen wir innovative Unternehmen bei  hochtechnologischen Fragestellungen. Gerne leisten wir unseren Beitrag zur erfolgreichen Realisierung Ihrer Herausforderung.