Die Verantwortlichen des Forschungsprojekts MIDIH (Manufacturing Industry Digitalisation Hub) erkannten ein Problem, das Ihnen wieder und wieder in den Fertigungsanlagen Klein- und Mittelständischer Unternehmen begegnete – die Schwierigkeit der zeitlichen Auswertung manueller Produktionstätigkeiten aus der Holz- und Metallverarbeitung.

Selbst die komplexesten Produktionsprozesse in Produktionsbetrieben sind in einzelne Arbeitsschritte aufgeteilt und gegliedert. Jeder Arbeitsschritt besitzt – in seiner rudimentärsten Form – einen klar definierten Anfang, ein klar definiertes Ende und eine Vorgangszeit.

Die Summe der Vorgangszeiten aller einzelnen Arbeitsschritte eines Produkts bestimmt in erheblichen Maße die Gesamtarbeitszeit, die notwendig ist ein Produkt zu fertigen. Damit sind diese Vorgangszeiten auch ein erheblicher Faktor bei den Produktionskosten.

Die Vorgangszeiten, die bei einer vollautomatisierten Produkten sekundengenau bestimmt werden können, sind bei manuellen Tätigkeiten erheblich schwerer zu bestimmen.
Unter dem Strich galt es folgende 3 Leitfragen zu beantworten:

“Wie lange brauchen meine manuellen Arbeitsschritte gesamt?”

“Wurden alle Arbeitsschritte in der richtigen Reihenfolge durchgeführt?”

“Wie lange braucht ein einzelner Schritt durchschnittlich?”

Was also gebraucht wurde ist ein neuartiger Ansatz, der es ermöglicht diese Vorgangszeiten präzise zu messen und außerdem die richtige Reihenfolge der Arbeitsschritte zu bestimmen.

Nachdem das Problem von den Projektverantwortlichen an die Softwareentwickler der dmc-smartsystems herangetragen wurde, zerbrachen sie sich tagelang den Kopf wie denn eine solch neuartige Lösung aussehen konnte. 

Nachdem in langen Brainstorming-sessions mehrere Lösungen gegeneinander abgewogen wurden, stellte sich ein Ansatz als vielversprechend heraus – die Kombination zweier KI-basierter Technologien – die Idee der automatischen Aktionserkennung durch MAMOC (machine learning application for motion capture) war geboren.

MAMOC basiert auf zwei etablierten KI-Ansätzen. Auf der einen Seite die automatisierte Erkennung von Objekten (bspw. eines Hammers, Schraubenziehers oder Cutters) mittels eines neuronalen Netzes und auf der anderen Seite der Erkennung von Handgesten

Die Kombination beider Methoden erlaubt es nun nicht nur einzelne Objekte oder Gesten zu erkennen, sondern die Tätigkeiten selbst. In der manuellen Fertigung ist dies beispielsweise betrifft dies bspw. hämmern, schrauben oder auch schneiden.

MAMOC erlaubt es definierte Arbeittschritte somit verlässlich zu erkennen und mithilfe dieser Informationen Start & Endzeitpunkt einer manuellen Tätigkeit zu bestimmen. Dieses Wissen lässt sich im Anschluss analysieren. 

Die Ergebnisse dieser Analyse geben nun schließlich verlässliche und statistisch belastbare Antworten auf die genannten Leitfragen der Projektverantwortlichen.


Suchen auch Sie einen passenden Partner für Ihr Digital-Projekt?

Wir sind eine Community von über 150 Spezialisten aus den verschiedenen Segmenten der IT und Digitalisierung und finden auch für Ihr Problem eine perfekte Lösung. Lernen Sie uns kennen …