Visuelle Qualitätskontrolle im Mittelstand
Mit der KI-basierten visuellen Qualitätskontrolle kann eine Null-Fehler-Strategie kosteneffizient umgesetzt werden. Die benötigte Hardware bildet ein vollumfängliches Gesamtsystem ab, das einfach und flexibel eingerichtet werden kann.
Viele mittelständische Unternehmen haben in den vergangenen Jahren erlebt, dass sowohl der Qualitätsanspruch an ihre Produkte als auch der globale Kostendruck gestiegen sind. Um diesen Veränderungen gerecht zu werden und die Kundenzufriedenheit zu gewährleisten, werden zunehmend Technologien aus dem Bereich der Künstlichen Intelligenz (KI) eingesetzt. Das Münchener Start-up Synsor.ai hat dazu ein vollumfängliches optisches Prüfsystem entwickelt, welches die Technologien „Predictive Maintenance“ und „Deep Learning“ einsetzt.
Sie sind Produktions- oder Qualitätsverantwortlicher in einem produzierenden Betrieb? Dann ist es sehr wahrscheinlich, dass der Qualitätsanspruch Ihrer Kunden in den letzten Jahren gestiegen ist, während gleichzeitig der globale Kostendruck nicht nachgelassen hat. Deswegen ist es für viele Produzenten oberstes Gebot, eine “Null-Fehler”-Strategie zu verfolgen und kein defektes Produkt an ihre Kunden zu versenden. Null Fehler zu erreichen ist jedoch nicht immer leicht oder gar kostengünstig. Eine schwierige Situation, die an der Marge knabbern kann.
Deswegen gibt es viele Firmen, die in Bereichen wie der visuellen Qualitätskontrolle oder dem Hype-Thema “Predictive Maintenance” Produkte und Services anbieten, die dabei helfen sollen, sowohl fehlerfrei als auch zu kompetitiven Preisen produzieren zu können.
Produktionsfehler durch Frühwarnsystem vermeiden
Synsor.ai als eine dieser Firmen hat es sich zum Ziel gesetzt, diese beiden Bereiche in einem Produkt zu vereinen - zur “Visual Process Optimization”. Das Start-up, welches am Strascheg Center for Entrepreneurship der Fachhochschule München beheimatet ist, bietet bereits ein vollumfängliches optisches Prüfsystem (Kamera, Software, IoT-Recheneinheit) basierend auf Deep Learning. Es möchte damit neben der reinen Unterscheidung zwischen Gut- und Schlechtteil seine Kunden auch vorwarnen, wenn sich produzierte Teile langsam Richtung Schlechtteil bzw. NIO-Teil („Nicht in Ordnung“-Teil) bewegen. Somit können Produktionsleiter auf die Fehlersuche gehen, bevor bereits Schlechtteile produziert wird.
Vorhandenes Datenset für die Prozessüberwachung nutzen
Die Münchner sehen sich dabei als Baustein einer Zukunft, in der an vielen Stellen des Produktionsprozesses Daten gesammelt und automatisch ausgewertet werden. Für eine möglichst vollständige Automatisierung (wo sinnvoll und möglich), ist es notwendig, auf verschiedenste Typen von Daten zu setzen: Vibration, Stromverbrauch, Wärme und eben auch visuelle Informationen. Nur dadurch lässt sich die Entscheidungsgrundlage für eine sinnvolle Automatisierung schaffen. Und warum nicht dieselben Daten auch noch gleich für die Prozessüberwachung selbst nutzen?
Verschiedene Einsatzmöglichkeiten für die automatisierte optische Prüfung
Während das Team an der Umsetzung erster Frühwarn-Features arbeitet, findet die optische Prüfung bereits Einsatz – zum Beispiel bei der Herstellung von Lippenstiften. Dort sitzen oft noch Mitarbeiter*innen am Band, um etwaige Kratzer, Löcher oder Dellen an der sogenannten Pomade zu erkennen. Hier beweist die Technologie des Jungunternehmens, dass auch bei komplexen Prüffällen mit sehr diversen Fehlerbildern eine einwandfreie Unterscheidung zwischen Gut- und Schlechtteil automatisierbar ist. Weitere mögliche Anwendungsgebiete sind die Lebensmittelindustrie, die Pharmaindustrie, Automotive-OEMs und -Zulieferer, die Kunststoff- und Metallteile-Produktion sowie die Möbelproduktion.
Die Zukunftsvision, zu der das aktuell neunköpfige Team beitragen will, ist es, den Standort Deutschland langfristig wettbewerbsfähig zu halten, indem moderne Produktion hier in Deutschland definiert wird. Dafür braucht es noch viele weitere Bausteine (Kulturwandel, IoT-Sensoren, ERP/MES/PPS/APS-Tools und viele weitere), aber auch den Willen der Industrie, über reine Pilotprojekte hinauszugehen und Systeme Schritt für Schritt in die Produktion zu integrieren.
Teil des Wegweisers Mittelstand trifft Start-up