Inhaltsverzeichnis
1. Das Angebot auf dem Marktplatz
2. Intern entwickeltes Software-Tool
3. Mehrschichtiges Erlernen komplexer Modelle und Muster
4. Anpassung vortrainierter Netze
Bei vielen Kundenanfragen handelt es sich um Bestellungen, die individuell, einmalig sowie in einer bestimmten Stückzahl hergestellt werden sollen – und das meist kurzfristig. Daher müssen die bei verschiedenen Unternehmen eingeholten Angebote schnell und zu möglichst geringen Erstellungskosten vorliegen. Eine Herausforderung, mit der sich Produzenten bei der Fertigung von Einzelstücken sowie kleinen Serien konfrontiert sehen, besteht in der Preisfindung, denn es gibt keine vergleichbaren Kalkulationen. Umfangreiche Berechnungen machen das Angebot teurer. Werden die angefragten Bauteile später gar nicht geordert, muss der Hersteller den Aufwand auf andere Bestellungen umlegen. Während die Kosten der Angebotserstellung bei großen Stückzahlen eine untergeordnete Rolle spielen, fallen sie bei Einzelstücken oder geringen Bestellmengen stärker ins Gewicht. Neben dem Wunsch des kurzfristigen Angebots kommt der preiswerten Angebotserzeugung eine große Bedeutung zu.
Das Angebot auf dem Marktplatz
Als ein Tochterunternehmen der Phoenix-Contact-Gruppe betreibt die Protiq GmbH seit 2017 unter www.protiq.com einen Online-Marktplatz für die industrielle 3D-Produktion von Bauteilen. Die Mitarbeiter haben sich bereits ab 2010 umfassende Kompetenzen im Bereich der additiven Fertigung angeeignet. Abgesehen von Herstellungsverfahren wie dem selektiven Laserschmelzen für Metalle, Lasersintern, Polyjet/Multijet und der Stereolithographie umfasst das Produktportfolio zudem Angebote zur Topologieoptimierung sowie Induktorenkonfiguration. Da der Marktplatz offen ist, stellen dort mittlerweile 19 Unternehmen ihre Dienste zur Verfügung. Somit können Interessenten auf der einen Seite bei jedem für das Projekt passenden Partner ein Angebot einholen und diese anschließend direkt miteinander vergleichen. Andererseits profitieren die Marktplatz-Unternehmen von den Vorteilen des E-Commerce und erschließen sich häufig ein neues Geschäftsmodell. Um den zuvor beschriebenen Herausforderungen zu begegnen, gibt es auf dem Protiq-Marketplace schon ein Online Prizing Tool für den 3D-Druck. Allerdings lässt sich der Algorithmus nicht ohne weiteres auf die Fräsbearbeitung übertragen. Dies, weil sie von der individuellen Geometrie und Komplexität der Bauteile abhängig ist. Gerade in der Prototypen-Fertigung unterliegen die Bauteile einer hohen Diversität, weshalb sie nicht einfach zu klassifizieren und zu kalkulieren sind. Das Potenzial zur automatischen Errechnung von Aufwänden erweist sich dabei als groß.
Intern entwickeltes Software-Tool
Technologien der künstlichen Intelligenz (KI) und des Computersehens bieten hier effiziente Methoden zur Analyse von 3D-Geometrien, die sich ebenfalls für die automatische Ermittlung von Aufwänden zwecks Reduzierung der Herstellungskosten eignen. Vor der Vorstellung der automatischen Berechnung der Fräsbearbeitung mittels KI sei der folgende Sachverhalt ins Gedächtnis gerufen: Der Interessent kann das 3D-Modell seines gewünschten Bauteils einfach auf den Protiq-Marktplatz laden, die zu produzierende Stückzahl angeben und erhält danach von den einzelnen auf dem Marktplatz aktiven Unternehmen die Preise für verschiedene Fertigungsverfahren in unterschiedlichen Materialien. Anschließend wählt er das beste Angebot für seine Anforderungen aus. Zur additiven Herstellung von Bauteilen inklusive deren Topologieoptimierung sowie der Konfiguration von Induktoren gibt es also bereits Lösungen für die automatische Kalkulation des Aufwands.
Um diesen Service ebenso im Bereich der Fräsbearbeitung bereitstellen zu können, hat die Unit Manufacturing Solutions von Phoenix Contact auf der Grundlage von Technologien aus dem Umfeld der künstlichen Intelligenz und des Computersehens ein weiteres Software-Tool entwickelt, mit dem auch dieser Herstellungsaufwand ermittelt und sofort online ein Angebot abgegeben werden kann.
Mehrschichtiges Erlernen komplexer Modelle und Muster
Der Produktionsaufwand hängt erheblich von der individuellen Geometrie und Komplexität der Bauteile ab. In den letzten Jahren haben moderne Algorithmen und die geschickte Einbindung von klassischen Verfahren des Computersehens erstaunliche Ergebnisse im Bereich der Geometrieanalyse gebracht, die klassische Algorithmen oftmals in den Schatten stellen. Sie liefern teils bessere Resultate bei der Lösung spezieller Aufgaben als die menschlichen Experten. Als Beispiel seien die Convolutional Neural Neworks (CNN) genannt, in der deutschen Sprache ebenfalls als faltende neuronale Netze bekannt. Dabei handelt es sich um eine Klasse von neuronalen Netzen, die in vielen Anwendungen der Bildverarbeitung zum Einsatz kommen. Algorithmen, die dem aktuellen Stand der Forschung entsprechen – etwa im Bereich der Objekterkennung oder Bildklassifizierung -, nutzen die CNN ebenso, die zu den Methoden aus dem Umfeld des Deep Learning gehören.
Beim Fachbegriff Deep Learning geht es um mehrschichtiges Lernen. Neuronale Netze werden durch das Trainieren/Lernen auf Daten für spezifische Aufgabenstellungen angepasst. Durch das Verwenden von mehreren Schichten, die sich im Fall von Convolutional Neural Networks jeweils verschiedene Bildfilter aneignen, ist das Netz in der Lage, hierarchisch aus einfachen Konzepten – wie Linien, Ecken und Kanten – komplizierte Modelle und Muster zu erlernen und diese dann in Bildern zu erkennen.
Anpassung vortrainierter Netze
Bisher werden CNN vor allem bei der Bildanalyse eingesetzt. In diesem Kontext wandern die erlernten Filter schrittweise über ein Bild. Jeder Filter sucht das Bild nach einem anderen Kriterium ab. Je tiefer die Schicht, desto komplexere Strukturen werden durch die Filter abgefragt. Am einfachsten lässt sich das am Beispiel des Fotos eines Gesichts beschreiben: Dort verarbeiten die Filter der ersten Ebene einzelne Pixel. Dann erwirbt das System die Fähigkeit, Punkte, Linien und Kanten zu unterscheiden. In weiteren Schichten wird es aus diesen Punkten, Linien und Kanten Augen, Nase oder Mund identifizieren, bis das System ein individuelles Gesicht ermittelt. Das vom Technology Management von Phoenix Contact entwickelte Software-Tool basiert neben anderen Technologien aus dem Bereich der KI und des Computersehens auch auf CNN. Darüber hinaus nutzt es klassische Verfahren zur automatischen Kalkulation des Aufwands bei der Fräsbearbeitung. Auf dieser Grundlage kann die Software räumliche Gegenstände studieren sowie sie letztendlich erkennen und vergleichen. Zum Erlernen der Netze passen die KI-Spezialisten vorhandene, vortrainierte Netze an die bereits im Unternehmen erstellten Produkte an. Die vortrainierten Netze eignen sich danach die wesentlichen Merkmale der Produkte an und können diese auf neue Artikel übertragen. So stellen die Technologieexperten von Phoenix Contact dem Unternehmen Protiq sowie dessen Partnern den Service bereit, Angebote online zu erstellen. (ge)
Weitere Details zum Konfigurator: http://hier.pro/RDoMl
Kontakt:
Protiq GmbH
A Phoenix Contact Company
Flachsmarktstraße 54
32825 Blomberg
Tel.: +49 (0) 5235 3–43800
service@protiq.com
www.protiq.com
KI in Produkten und Prozessen
Es gibt in jedem Unternehmen Aufgaben, die die Mitarbeiter weniger gern lösen – seien es sich ständig wiederholende Tätigkeiten mit hohem Fehlerpotenzial oder komplexe Problemstellungen. So auch bei Phoenix Contact. Deshalb sucht das Unternehmen ständig nach Methoden, um Prozesse einfacher und effizienter zu gestalten. Oftmals bietet sich die künstliche Intelligenz (KI) mit all ihren Ausprägungen für vielfältige konkrete Anwendungen an. Im Bereich additiv gefertigter Bauteile zählen dazu Systeme zur Vorhersage von deren Produzierbarkeit oder zur sofortigen Abgabe eines entsprechenden Online-Angebots. KI fließt ebenfalls in Produkte wie IoT-Gateways und Steuerungen ein, damit die Anwender eine Infrastruktur zur Bereitstellung von Daten aufbauen und in diesem Rahmen das Potenzial von KI-Technologien nutzen können.
Hier finden Sie mehr über:
