Heraus­forderung

Automobilzulieferer prüft Ergebnis eines Lackierroboters manuell unter hohem zeitlichen Aufwand und bei großer Fehleranfälligkeit.

Vorgehen

  • Durchführung eines zweitägigen Workshops beim Kunden Vor-Ort
  • Analyse der bekannten Fehlerbilder
  • Erarbeitung von relevanten Variablen auf Basis der Log-Daten
  • Aufbau eines lernenden Bilderkennungs-Systems unter Anwendung von Amazon SageMaker
  • Erstellung von Klassifikationsmodellen zur Erkennung der Fehlerbilder
  • Trainieren von Machine Learning Algorithmen (Google Tensorflow) anhand von historischen Daten.

Ergebnis

  • Erkennung von 5 bekannten Fehlerbildern mit 96% Genauigkeit
  • Erkennung von 2 unbekannten Fehlerbildern mit 87% Genauigkeit
  • Einsatz der Fehlererkennungs-Komponenten in nächster Produktlinie geplant


Nutzen

  • Fehlerbilder-Erkennung mit mehr Genauigkeit

Daten

  • Fehlererkennungsdaten
  • Klassifikationsdaten
  • Trenddaten
  • Historische Daten

Technologien

  • Python
  • Tensor-Flow
  • Amazon SageMaker