Diese Tüftler spüren per Algorithmus Auto-Lackfehler auf
Mit ihrer maschinenlernenden Anwendung holten sie beim 2. Thin(gk)athon des Smart Systems Hub in Dresden den ersten Platz. Die Veranstaltung suchte Ideen für die Fabrik der Zukunft.
Das Gewinnerteam des 2. Thin(gk)athon des Smart Systems Hub in Dresden. Foto: Smart Systems Hub
Dresden. Dass Spielzeugautos nicht nur für Kinder spannend sind, zeigte sich diese Woche beim 2. Thin[gk]athon des Smart Systems Hub in Dresden. Mit Hilfe der kleinen Flitzer führten einige Teilnehmer vor, wie sich mit künstlicher Intelligenz die Produktion von Autos verbessern lässt. Das überzeugte auch die Jury. Am Ende holte Team „Matchbox“ mit seiner Idee den ersten Platz. Die fünf Mitglieder des Siegerteams lösten ihre Aufgabe dabei ideenreich: Sie entwickelten einen maschinenlernenden Algorithmus, der Fahrzeuge auf Lackfehler überprüft. Dafür benutzten die Tüftler einen Live-Demonstrator aus Lego, der bestückt mit Sensoren und einer Kamera Bilder von vorbeifahrenden Spielzeugautos aufnahm.
Mittels Bilderkennung lernte der Algorithmus anhand von 300 Bildern selbstständig, kleinste Fehler im Lack zu erkennen. „Ziel ist es nun, die Idee weiter zu verfolgen und zu bewerten, inwiefern sie mithilfe des Smart Systems Hub zur Marktreife gebracht werden kann“, sagt Michael Kaiser, Geschäftsführer vom Smart Systems Hub.
Mit diesen Spielzeugautos entwickelte das Siegerteam des 2. Thin(gk)athon in Dresden einen maschinenlernenden Algorithmus, der Fahrzeuge auf Lackfehler überprüft. Foto: Smart Systems Hub
Das Modell des Siegerteams beim 2. Thin(gk)athon des Smart Systems Hub. Damit sollen Lackfehler bei Autos aufgespürt werden. Foto: Smart Systems Hub
Neue Anwendungen für das Internet der Dinge gesucht
Mit dem Thin[gk]athon hat der „Smart Systems Hub ein Format geschaffen, um neue Anwendungen für das Internet der Dinge zu entwickeln. Der 2. Thin[gk]athon stand unter dem Motto „Qualitätssicherung in der Produktion mit künstlicher Intelligenz (KI)“. Vom 3. bis 6. Juni 2019 arbeiteten die Teilnehmer an Lösungen. Insgesamt 20 Teilnehmer aus ganz Deutschland beteiligten sich an der Veranstaltung. Darunter befanden sich neben Studenten auch Berufseinsteiger und alte Hasen der Branche. Sie wurden in vier Teams eingeteilt und mussten jeweils eine Herausforderung aus der Praxis wie der maschinellen Produktion mittels künstlicher Intelligenz und Maschinenlernen lösen.
Rechtzeitig wissen, wann die Maschinen ausfallen
Neben dem Siegerteam gab es zahlreiche weitere interessante Ansätze. So entwickelten Teilnehmer eine App, die die Ausfallzeiten von Produktionsanlagen sicher vorhersagen kann. Ein anderes Team beschäftigte sich wiederum mit der radiologischen Erkennung von Ermüdungsbrüchen im Frühstadium. Beim Thin[gk]athon kam zudem erstmals die vom Smart Systems Hub entwickelte mobile Hub:Sensorbox zum Einsatz. Sie sammelt selbstständig Daten zu Temperatur, Luftfeuchte und Schadstoffen in einer Zeitreihe und verbindet diese mit GPS-Daten. Für die Sensorbox entwickelten die Teilnehmer einen ersten Anwendungsfall zur automatisierten Prognose von Umwelt- und Luftbelastungen.
Maschinenlernen gewinnt weiter an Bedeutung
Die Konzentration des 2. Thin[gk]athons auf die Themen künstliche Intelligenz und Machinenlernen war kein Zufall. Insbesondere in der maschinellen Fertigung wird das automatische Vorhersagen von Ausfall- und Stillstandszeiten für Unternehmen mehr und mehr zum entscheidenden Wettbewerbsvorteil. Laut einer aktuellen Studie von IDG Research Services zählen Führungskräfte und IT-Spezialisten maschinelles Lernen zu den aktuell wichtigsten IT-Themen. Obwohl ein Großteil der befragten Unternehmen bereits mindestens eine Anwendung in diesem Bereich nutzt, hält sich der Mittelstand bei der Förderung von Machinenlernen noch zurück.