Künstliche Intelligenz für die Umgebungserfassung

Gestenerkennung für manuelle Montageprozesse
 

Wofür ist das gut?
Um Werker bei manuellen Montageprozessen anzuleiten und Fehler im Ablauf frühzeitig zu erkennen, wird im Forschungsprojekt MonSiKo ein Montageassistenzsystem entwickelt.

Was ist neu?
Mit einem 3D-Sensor wird die aktuelle Szene, also der Montagebereich mit den Objekten und den Händen des Werkers, erfasst. Anschließend kommen maschinelle Lernverfahren für die Segmentierung, Handposen- und Gestenerkennung zum Einsatz, die den aktuell erfassten Arbeitsablauf mit dem vorgegebenen Prozedere abgleichen und Abweichungen melden.

Dokumentation von manuellen Laborprozessen

Wofür ist das gut?
Manuelle Laborprozesse unterliegen strengen Richtlinien, die insbesondere eine detaillierte Dokumentation von nahezu allen Arbeitsschritten erfordern.

Was ist neu?
Um den Laboranten diese zeitintensive und den Arbeitsablauf störende Dokumentationspflicht zu erleichtern, wird der Prozess mit einem 3D-Sensor erfasst und automatisiert dokumentiert. Maschinelle Lernverfahren zur Handposen- und Gestenerkennung ermöglichen diese Automatisierung, die zusätzlich noch mit Spracherkennung kombiniert werden kann.

Frühwarnsysteme für den Reinraum

a) Cleanroom Reliability Equipment Monitoring System (CREMS)

Wofür ist das gut?
Wenn in einem Reinraum Verunreinigungen festgestellt werden, ist es meist schon zu spät. Mit dem »Cleanroom Reliability Equipment Monitoring System« (CREMS) entwickeln Forscher des Fraunhofer IPA deshalb aktuell ein Frühwarnsystem: Hochsensible Sensoren im Inneren von Produktionseinrichtungen erkennen selbst minimale Verunreinigungen (Partikel und/oder chemische Kontaminationen) bereits am Entstehungsort.

Was ist neu?
Damit können Verunreinigungen bereits frühzeitig detektiert werden – lange bevor diese in hochreine Bereiche vordringen und dort Schaden anrichten. Zusätzlich können Informationen über auftretende Partikelgrößenverhältnisse und -konzentrationen inklusive ihres zeitlichen Auftretens automatisch an übergeordnete IT-gestützte Analysesysteme weitergegeben und ausgewertet werden. Durch lernende Systeme und unter Anwendung spezifisch entwickelter Auswertungsalgorithmen ist dann sogar die frühzeitige Erkennung von drohendem Verschleiß (Predictive Maintenance) möglich.

b) FlexNote

Wofür ist das gut?
Erkennt ein Mitarbeiter Mängel oder Schäden an einer Maschine, steht ihm mit FlexNote ein am Fraunhofer IPA entwickeltes, softwaregestütztes Tool zur Verfügung, das alle Informationen schnell, transparent und vollständig digital dokumentiert und an alle relevanten Personen kommuniziert. Zusätzlich liefert ein Konnektor auf der Maschine die zugehörigen Prozessdaten.

Was ist neu?
Derzeit entwickeln Forscher FlexNote weiter: Daten aus der Steuerung sollen künftig über eine längere Zeit situationsabhängig gesammelt und von lernenden Algorithmen ausgewertet werden. So wird einerseits ein Frühwarnsystem entwickelt, bei dem die betroffene Maschine selbst vorab mögliche Störungen oder Schäden meldet. Andererseits soll das Tool Handlungsempfehlungen für die Behebung von Störungen vorschlagen, welche über geführte Prozessabläufe abgearbeitet und dokumentiert werden können.

Weiterführende Informationen

 

Referenzprojekt

Cleanroom Reliability Equipment Monitoring System (CREMS)

 

Referenzprojekt

FlexNote

 

Pressemitteilung

FlexNote

 

Referenzprojekt

MonSiKo