KI4Tools - Künstliche Intelligenz für Handwerkzeuge

Die Kerntechnologie hinter den intelligenten Werkzeugen bildet ein eigens entworfenes Modul mit Beschleunigungs-, Drehraten- und Magnetfeldsensor, sowie einem optional einsetzbaren Mikrofon. Es ist sowohl kompakt als auch kostengünstig und kann somit an verschiedenste handgetragene Werkzeuge problemlos angebracht werden. Diese Nachrüstlösung ermöglicht somit flexibles arbeiten und ist universell einsetzbar. Die vom Modul übertragenen Daten, welche über WLAN oder Bluetooth drahtlos und kontinuierlich gesendet werden, bilden die Grundlage für eine KI-Pipeline, welche sämtliche Arbeitsschritte detektiert und identifiziert.

Ein erster binärer Klassifikator fungiert hierbei als Aktionsdetektor und filtert zunächst diejenigen Zeitintervalle heraus, in welchen die für das entsprechende Werkzeug relevanten Aktionen (beispielsweise das Festziehen oder Lösen einer Schraube mit dem Akkuschrauber) stattfinden. Als Output erhält man dann sogenannte Aktionsfenster, welche die Sensordaten der jeweils erkannten Zeitintervalle beinhalten. Ein zweiter KI-basierter Klassifikator nimmt anschließend diese Aktionsfenster entgegen und erkennt, um welche konkrete Aktion es sich bei dem herausgefilterten Datensegment handelt. Darüber hinaus wird auch die Lage des Werkzeugs im Raum zum Zeitpunkt der erfolgten Aktion identifiziert.

Ein zusätzliches, vom Sensormodul unabhängiges Lokalisierungssystem (QR-Code Tracking), stellt außerdem sicher, dass die Arbeitsschritte auch am korrekten Ort bzw. in der richtigen Reihenfolge durchgeführt werden. Über eine App erhält der Werker Feedback in Echtzeit über den Fortschritt seiner Arbeit und wird bei Abweichen vom Sollprozess sofort informiert. Hervorzuheben ist, dass die beschriebenen Verarbeitungsketten mittels automatischem Maschinellem Lernen trainiert werden. Der gesamte Prozess des Trainierens und Evaluierens neuer Modelle geschieht somit vollständig automatisiert und erfordert kein Expertenwissen. In Zukunft soll eine Optimierung (Continual Learning) per Knopfdruck über die bestehende App, mit semi-automatisch annotierten Messdaten, erfolgen. Ziel ist es somit die eingesetzten Modelle kontinuierlich noch robuster und performanter zu machen.