Für unterschiedliche Anwendungen in der industriellen Automation hat Sick erfolgreich KI-Technologien in verschiedene Kamera- und Sensorlösungen integriert. So ermöglicht die Bildverarbeitungsplattform Sick Nova in einer Reihe von Kamera- und LiDAR-Sensoren von Sick u.a. eine präzise Roboterführung sowie anspruchsvolle Qualitätskontrollen in Echtzeit. Der PLOC2D-Vision-Sensor Inspector83x ist dank bedienungsfreundlicher KI und leistungsfähigem DL besonders für vielfältige und umfangreiche Inline-Inspektionsaufgaben in der anspruchsvollen Hochgeschwindigkeitsproduktion geeignet. Und Palloc – das KI-gestützte, adaptive Lokalisierungssystem mit einem vorinstallierten und vortrainierten neuronalen Netz sowie einem leistungsfähigen DL-basierter Lokalisierungsalgorithmus – automatisiert das schwere und monotone, manuelle Entstapeln von Kisten auf Paletten durch eine automatische passgenaue Depalettierung mit Robotern. In allen drei Beispielen verbessert KI – oder genauer gesagt DL – die flexible Leistungs- und Anpassungsfähigkeit von Sensorlösungen, um intralogistische und industrielle Anwendungen effizienter und flexibler zu gestalten.
Künstliche Intelligenz, Machine Learning, Deep Learning – die Zusammenhänge der Technologien
Die Begriffe Künstliche Intelligenz, Machine Learning (ML) und Deep Learning beschreiben ineinander übergehende Technologien der Informatik zur Lösung komplexer Aufgabenstellungen. KI als Oberbegriff beschäftigt sich generell mit der Automatisierung von Maschinenverhalten im Sinne der Lernfähigkeit und menschlichen Intelligenz. Es geht darum, insbesondere aus Umgebungsinformationen und Sinneseindrücken z.B. von Sensoren und Aktuatoren maschinelle Messmerkmale zu erzeugen, mit dem beispielsweise Daten analysiert, Sprache verstanden, eintrainiert und Aufgaben erfüllt werden können. Als Teilgebiet der KI konzentriert sich das ML auf die Entwicklung, Untersuchung und Anwendung von Lernalgorithmen. Maschinen werden dadurch in die Lage versetzt, durch die Analyse von Beispieldaten selbstständig Muster zu erkennen, daraus zu lernen und mit immer wieder neuen Trainingsdaten u.a. Empfehlungen, Entscheidungsfindungen oder Vorhersagen zu präzisieren und sicherer zu gestalten. Unter DL, dem tiefen, mehrschichtigen Lernen, wird seinerseits ein Teilbereich des ML verstanden, der mit künstlichen neuronalen Netzen arbeitet. Deren hierarchisch mehrschichtige Struktur ermöglicht es, aus großen Datenmengen automatisch abstrakte Merkmale zu identifizieren und damit komplexe Muster in Daten zu erkennen. Ein für die Automatisierung wesentlicher Unterschied zwischen ML und DL besteht darin, dass DL nicht nur erheblich größere Datenmengen verarbeiten kann – was eine entsprechend höhere Rechenleistung voraussetzt, sondern die Extraktion der Merkmale nicht durch Training, sondern automatisiert durch die neuronalen Netze erfolgt. Die DL-gestützten Sensorlösungen von Sick ermöglichen daher präzise Vorhersagen und Entscheidungen in Automatisierungsprozessen. Dadurch lässt sich deren Qualität in den jeweiligen Anwendungen ohne Zutun von außen automatisch weiterentwickeln und verbessern.
Wichtige Anwendungsfelder von KI in der Intralogistik
Ohne Anspruch auf Vollständigkeit lassen sich die wesentlichen Anwendungsbereiche von KI allgemein in drei Segmente clustern: die Management-, die Prozess- und die operative Feldebene. In der Managementebene wird KI beispielsweise dazu genutzt, durch Datenanalysen Trends und mögliche Schwankungen oder Engpässe für Bedarfsprognosen und Ressourcenplanungen zu erkennen. Sogar die Simulation unterschiedlicher Szenarien ist möglich. Maßnahmen zur Verbesserung von Lagerprozessen und Regalplatzverfügbarkeiten, von Auslastungsgraden in Wareneingang, Kommissionierung und Versand oder zur Optimierung innerbetrieblicher Transportmittel und -wege erfahren durch KI-Technologien eine signifikante Entscheidungsunterstützung – zumal sich selbstlernende Systeme dynamisch an neue Situationen, Umgebungsbedingungen oder Geschäftsmodelle adaptieren können. Das MOVEsystem von IEF-Werner transportiert Bauteile und Produkte zuverlässig, modular und kosteneffizient – ob auf Werkstückträgern, direkt auf Riemen oder in Paletten. Anwender profitieren von maximaler Flexibilität. ‣ weiterlesen
MOVEsystem bewegt mehr:
DL-gestützte Sensorlösungen ermöglichen präzise Vorhersagen und Entscheidungen in Automatisierungsprozessen.
Wichtige Informationen für intralogistische Entscheidungen können KI-Tools liefern, die in der Prozessebene zum Einsatz kommen. Sie sind zum einen oftmals direkt in Abläufe des Warehouse Management integriert. Hierunter fallen u.a. die Stellplatz-, Bestands-, Zugriffs- und Bereitstellungsoptimierung von Artikeln oder marktabhängige Auslastungsprognosen und damit die Bereitstellung von Personal, Flächen und Betriebsmitteln. Zum anderen ist KI in der Lage, das Condition Monitoring beispielsweise von Fördersystemen, Materialflussmodulen, Transportlösungen oder Robotern wirkungsvoll zu unterstützen. Hierzu überwacht sie Maschinenzustände, erkannt Verschleiß, identifiziert Anomalien in Prozessen und Energieverbräuchen und optimiert vorbeugende Wartungsmaßnahmen anhand aktueller Betriebsdaten.
KI-Einsatz in der Feldebene direkt erlebbar
Direkt sichtbar und erlebbar wird der Einsatz von KI in der Feldebene – wie die Beispiele Sick Nova, Inspector83x und Palloc zeigen. So werden OEMs, Anlagenbauern, Integratoren und Endanwendern der Intralogistik mit der Softwareplattform Sick Nova in die Lage versetzt, über eine intuitive Benutzeroberfläche Visionlösungen auch ohne Expertenwissen in der Programmierung, der Bildverarbeitung oder der Künstlichen Intelligenz entwickeln zu können. Sick Sensorik und Kamerasysteme wie die der Baureihen InspectorP, Inspector83x, Visionary, PicoCam2 und MidiCam2 mit SIM (Sensor Integration Machine) oder Ruler ermöglichen so in der Feldebene technologie- und zukunftssichere Lösungen für unterschiedliche intralogistische Aufgabenstellungen. Hierzu zählen u.a. die Paket- und Warenflusssteuerung, die Artikel- und Sendungsidentifikation, Anwesenheits- und Qualitätsprüfung, Klassifizierungsaufgaben oder die Hinderniserkennung und Navigationsunterstützung von FTS sowie die Detektion potenzieller Gefahrenzonen um autonome Fahrzeuge und Roboter.
Explizit für die Intralogistik entwickelt Sick das KI-unterstützte Lokalisierungssystem für die automatische Depalettierung mit Robotern – das Leitsystem „Pallet content Localization“, kurz Palloc. Mit einem ab Werk vorinstallierten und vortrainierten neuronalen Netz sowie einem neuen, DL-basierten Lokalisierungsalgorithmus bietet es die Möglichkeit, nahezu unbegrenzte Varianten von Kartons zu erlernen, sie auf Paletten gestapelt zu identifizieren und Positionskoordinaten jedes Kartons für eine zuverlässige und griffsichere Roboterbedienung zu generieren. Die von Haus aus ohnehin sehr großen Datenmengen von Boxen unterschiedlicher Größe, Farbe, Design und Bedruckung können nicht nur durch einfaches Hinzufügen neuer Boxentypen im laufenden Betrieb erweitert werden – das neuronale Mehrschichten-Netzwerk von Palloc ist zudem in der Lage, automatisch ähnliche Boxen wie die trainierten zu finden und auch abweichende Objektvarianten und deren Daten durch abgestufte Abstraktionsgrade von Bilddetails mit hoher Wahrscheinlichkeit korrekt zu verarbeiten. Damit ist Palloc einzigartig und zukunftssicherste Roboterleitsystem im Markt – zumal die Sensor-App des neuronalen Netzwerks direkt in die Kamera des Systems integriert ist und das Webbrowser basierte Kamerasystem keinen separaten, teuren PC benötigt.
An Bildern und Beispielen trainieren, Bewertungsverfahren entwickeln, menschliche Erfahrung in Sensoren integrieren, komplexe Merkmale und Muster zuverlässig erkennen, die Genauigkeit von Prognosen permanent verbessern und Entscheidungen sicherer machen – dies sind nur einige Beispiele dafür, weshalb und wie KI-Technologien zunehmend in die Welt der industriellen Sensorik vordringen und auch in der Intralogistik ein zunehmend breiteres Anwendungsfeld finden.
