KI-ULTRA
Fallberichte
Hier finden Sie Fallbeispiele aus den Organisationen, die als Unternehmenslabore am Projekt KI-ULTRA teilgenommen haben.
Fallberichte
29 Unternehmen wurden im Rahmen der Feldforschungsphase von KI-ULTRA bei einem KI-Einführungs-projekt begleitet. Dabei wurden über einen Zeitraum von 6 bis 18 Monaten immer wieder Gespräche geführt, unterschiedliche Stakeholder befragt, gemeinsame Workshops zu wichtigen KI-Themen durchgeführt und so eine tiefgehende ethnographische Begleitung des Einführungsprojekts erreicht. Im Rahmen dieser Feld-forschung entstanden Fallstudien aus den einzelnen Unternehmen, die als wertvolle „Best-Practice“ ebenso wie als „Lessons Learned“ für andere Unternehmen dienen können. Stöbern Sie durch die einzelnen Berichte und lassen Sie sich inspirieren!
29 Unternehmen wurden begleitet
Dauer der Begleitung: 6-18 Monate
Entstanden sind wertvolle Best Practices!
Stöbern Sie jetzt durch die Fallberichte!
Alle Angebote dieser Website sind kostenfrei!
Eine Auswahl spannender Fallberichte
MTU Aero Engines
Mit Künstlicher Intelligenz die Zuordnung von Montageobjekten automatisieren
MTU Aero Engines AG
Ort: München
Anzahl der Mitarbeitenden: >250
Gründungsjahr: 1934
Branche: Luftfahrt
MTU Aero Engines
Automating the assignment of assembly objects with artificial intelligence
MTU Aero Engines AG
Place: Munich
Number of employees: >250
Founding year: 1934
Industry: Aviation
Ausgangssituation
MTU Aero Engines ist ein Maschinenbauunternehmen, das sich auf die Herstellung und Instandhaltung von Triebwerken spezialisiert hat und dabei international in verschiedenen Ländern tätig ist (u.a. China, Kanada, EU-Länder). In Projekten rund um die Triebwerkswartung stellt die intensive Nachverfolgung einzelner Montageteile, die nicht untereinander durchgemischt werden dürfen, einen komplexen Prozess dar. Dazu findet eine händische Hinterlegung von Informationen (Bauteil-, Serien-, Teilenummer) im System statt, welche aufgrund der Monotonie der Aufgabe fehleranfällig und somit für menschliche Faktoren sehr anfällig ist. Für solche nicht wertschöpfende Tätigkeiten sollten in der Produktion automatisierte Lösungen eingesetzt werden, die der Informationskomplexität entgegenkommen.
Lösungsansatz
Über ein KI-basiertes Objekterkennungssystem zur automatischen Bauteilerfassung (ABE), das auf der Basis von Deep-Learning Algorithmen sowie Bild- und Gewichtsdaten arbeitet, soll die automatisierte Klassifizierung von Triebwerksbauteilen im Rahmen der Instandsetzung stattfinden. Auf diese Weise kann eine große Anzahl an Montageteilen anhand von relevanten Parametern effizient und präzise erkannt werden.
Beteiligte Interessensgruppen
- Bei MTU: Strategieabteilung, Prozessverantwortliche (Engineering), Produktionsmitarbeitende (Triebwerkswartung), Standort-IT
- Motius GmbH fungiert als externes Entwicklungsunternehmen, das die technische Umsetzung und Programmierung vorantreibt
Technologie
Hardware:
Der ABE arbeitet mit fünf Kameras und einer Waage. Die Kamera verfügt über eine Sensor-Auflösung von 13 Megapixel, um der KI Bilddaten in ausreichender Qualität zu liefern. Die Waage misst das Gewicht des Bauteils mit einer Genauigkeit von ± 0,1 Gramm. Der Innenraum wird durch zwei LED-Dioden ausgeleuchtet, sodass kein Schattenwurf entsteht. Der ABE wurde so konstruiert, dass für Mechaniker*innen ein ergonomisches Einlegen der Bauteile möglich ist.
Software:
Um eine Klassifikation der Bauteile vorzunehmen, verwendet der ABE Ansätze zum überwachten Lernen. Hierbei errechnet die KI eine Wahrscheinlichkeit für jede Klasse, in diesem Fall die Teilenummer. Das Bild, welches aus der Vogelperspektive aufgenommen wird, wird mittels Computer Vision (CV) zugeschnitten, sodass nur das Bauteil selbst zu sehen ist. Dabei erkennt CV wo sich das Bauteil auf dem Bild befindet und schneidet das Bild zu. Das Bild wird dann in das Neuronale Netz gegeben, welches als Ergebnis eine Klassifizierung ausgibt. Das Gewicht wird mit einer Waage gemessen und mittels einer Gauß-Klassifizierung weiter verarbeitet.
Herausforderungen
Bis zur Einführung der KI-Lösung musste MTU Aero Engines verschiedene Herausforderungen bewältigen. So ist zur Entwicklung der KI-Lösung eine bestimmte Datenqualität notwendig, die den Mitarbeitenden im Rahmen des Projekts zeitintensiv beigebracht werden musste. Darüber hinaus fehlten zu Beginn des Projekts regelmäßige und beständige Kontrollinstanzen zur Qualitätsprüfung, die erst später implementiert werden konnten. Außerdem hat es eine gewisse Zeit gedauert, alle in das Projekt involvierten Stakeholder mit Blick auf Funktionsweise und Erfordernisse der KI-basierten Implementierung zu einem gemeinsamen Verständnis zu bringen, das Grundlage für den Erfolg ist.
Ergebnis
Das Projekt ABE ist das größte und am weitesten fortgeschrittene KI-Projekt an der MTU Berlin Brandenburg. Es ist ein Entwicklungsprojekt, das die Erkennung eines Bauteils ermöglicht. Beim herkömmlichen Prozess müssen Mechaniker*innen das Bauteil manuell erkennen. Nun soll der ABE die Bauteile erkennen und die Teilenummer in ein internes Verzeichnis übertragen. Um das Bauteil zu erkennen, arbeitet der ABE mit einer Waage, mehreren Kameras und KI-Software. Der ABE wurde mit den Bauteilen und Daten eines Triebwerkstyps entwickelt, bei dem er aktuell bereits zum Einsatz kommt.
Learnings
- KI-Lösung benötigt mehrere frühe Kontrollinstanzen.
- Herausforderung für die Mitarbeitenden, Daten- und Modellanforderungen zu verstehen -> erweitertes Kompetenzprofil.
- KI-Projekt läuft iterativ und das erwartete Ergebnis kann sich im Laufe der Zeit stetig verändern -> Unterschied zum klassischen IT-Projekt mit konkreten Erwartungen im Lastenheft.
Eine KI-förderliche Unternehmenskultur ist wichtig zur erfolgreichen Projektdurchführung.
Initial situation
MTU Aero Engines is a mechanical engineering company that specializes in the manufacture and maintenance of engines and operates internationally in various countries (including China, Canada and EU countries). In engine maintenance projects, the intensive tracking of individual assembly parts, which must not be mixed with each other, is a complex process. This involves manually storing information (component, serial and part numbers) in the system, which is prone to errors due to the monotony of the task and therefore highly susceptible to human factors. For such non-value-adding activities, automated solutions should be used in production to cope with the complexity of the information.
Solution approach
An AI-based object recognition system for automatic component recognition (ABE), which works on the basis of deep learning algorithms as well as image and weight data, will be used to automatically classify engine components during maintenance. In this way, a large number of assembly parts can be recognized efficiently and precisely based on relevant parameters.
Stakeholders involved
- At MTU: Strategy department, process managers (engineering), production employees (engine maintenance), site IT
- Motius GmbH acts as an external development company that drives the technical implementation and programming
Technology
Hardware:
The ABE works with five cameras and a scale. The camera has a sensor resolution of 13 megapixels to provide the AI with image data of sufficient quality. The scales measure the weight of the component with an accuracy of ± 0.1 grams. The interior is illuminated by two LED diodes so that no shadows are cast. The ABE was designed in such a way that mechanics can insert the components ergonomically.
Software:
To classify the components, the ABE uses supervised learning approaches. The AI calculates a probability for each class, in this case the part number. The image, which is taken from a bird’s eye view, is cropped using computer vision (CV) so that only the component itself is visible. CV recognizes where the part is located on the image and crops the image. The image is then fed into the neural network, which outputs a classification as a result. The weight is measured with a scale and further processed using a Gaussian classification.
Challenges
MTU Aero Engines had to overcome various challenges before the AI solution could be introduced. For example, the development of the AI solution requires a certain level of data quality, which employees had to be taught in a time-consuming process as part of the project. Furthermore, at the beginning of the project, there was a lack of regular and consistent control instances for quality checks, which could only be implemented later. It also took some time to bring all stakeholders involved in the project to a common understanding of the functionality and requirements of AI-based implementation, which is the basis for success.
Result
The ABE project is the largest and most advanced AI project at MTU Berlin Brandenburg. It is a development project that enables the recognition of a component. In the conventional process, mechanics have to recognize the component manually. Now the ABE is supposed to recognize the components and transfer the part number to an internal directory. To recognize the component, the ABE works with a scale, several cameras and AI software. The ABE was developed using the components and data of an engine type in which it is already being used.
Learnings
- AI solution requires several early control instances.
- Challenge for employees to understand data and model requirements -> extended skills profile.
- AI project runs iteratively and the expected result can change constantly over time -> Difference to the classic IT project with concrete expectations in the specifications.
An AI-promoting corporate culture is important for successful project implementation.
