fischertechnik Qualitätssicherung mit KI Simulatiemodel Kant-en-klaar 9 V

Kunstmatige intelligentie in onderzoek, onderwijs en industrie
Het gebruik van kunstmatige intelligentie in de industrie, het onderwijs en het onderzoek wordt steeds belangrijker. Om dit complexe thema met de hand-on te visualiseren, is het kwaliteitsgarantiemodel met het AI-systeem van fischertechnik uitstekend geschikt. Het creëert een duurzame leerervaring dankzij de combinatie van theorie en praktijk.

Visualisering van kwaliteitsborging door KI met fischertechnik
Het gebruik van kunstmatige intelligentie bij de kwaliteitscontrole brengt vele voordelen met zich mee, die bijvoorbeeld al in de auto-industrie worden gebruikt. Processen kunnen worden verkort, foutenpercentages en kosten kunnen worden geminimaliseerd en de foutenbeoordeling kan worden gestandaardiseerd. De fischertechnik sorteerinstallatie wordt met werkstukken in drie verschillende kleuren geleverd. Deze werkstukken zijn voorzien van drie bewerkingskenmerken en verschillende foutafbeeldingen. De werkstukken worden door de camera gescand en met behulp van de geïntraineerde KI geclassificeerd. Afhankelijk van de kleur, het kenmerk en het foutbeeld worden de werkstukken vervolgens op basis van hun kwaliteitskenmerken door de kunstmatige intelligentie gesorteerd. De gebruikte AI is gerealiseerd met machine learning in Tensorflow, waarbij een kunstmatig neuraal netwerk met beeldgegevens is geïntrained. De ingeleerde KI wordt uitgevoerd op de fischertechnik TXT 4.0 controller. De procesbesturing van het model is geïmplementeerd in de programmeeromgeving ROBO Pro Coding en in Python.

Eigen AI-toepassingen genereren
Wie een stap verder wil gaan, heeft de mogelijkheid om eigen AI-toepassingen te genereren. Het trainen vindt hierbij in Python plaats, waarvoor een voorbeeld ter verklaring wordt gegeven.

Modelbouw van de sorteerroute met KI
Sorteerinstallatie voor werkstukken in 3 verschillende kleuren (wit, rood, blauw), met 3 verschillende bewerkingskenmerken (boring, uitfrezen, boring+uitfrezen) en verschillende foutbeelden (boring rond, boring ontbreekt, uitfrezen ontbreekt geheel of gedeeltelijk, scheuren in het werkstuk. Deze bewerkings- en foutkenmerken worden met passende kleefetiketten op de werkstukken gesimuleerd. De werkstukken worden door de camera gescand en met behulp van de geïntraineerde KI geclassificeerd. Afhankelijk van de kleur, het kenmerk en het foutbeeld worden de werkstukken vervolgens in 4 verschillende schachten gesorteerd. De AI is gerealiseerd met Tensorflow en wordt uitgevoerd op de TXT 4.0 controller. Er kunnen ook eigen AI-modellen worden gegenereerd. Het trainen vindt plaats op een computer in Python. Er wordt een voorbeeldproject ter beschikking gesteld. De afvoerregeling voor de sorteerinstallatie is geïmplementeerd in de programmeeromgeving ROBO Pro Coding en in Python.

De teksten voor dit artikel zijn automatisch vertaald.