Model symulacyjny fischertechnik Qualitätssicherung mit KI 568416

Sztuczna inteligencja w badaniach, edukacji i przemyśle
Wykorzystanie sztucznej inteligencji w przemyśle, edukacji i badaniach nabiera coraz większego znaczenia. Qualitätssicherung mit KI firmy fischertechnik jest idealny do praktycznej wizualizacji tego złożonego tematu. Trwałe doświadczenie edukacyjne powstaje dzięki połączeniu teorii i praktyki.

Symulacja zapewnienia jakości przy pomocy sztucznej inteligencji z fischertechnik
Wykorzystanie sztucznej inteligencji w kontroli jakości niesie ze sobą wiele korzyści, które są już wykorzystywane np. w branży motoryzacyjne. Procesy mogą zostać skrócone, ilość błędów i koszty zminimalizowane, a ocena jakości pracy ustandaryzowana. System sortowania fischertechnik jest dostarczany z przedmiotami wykonanymi w trzech różnych kolorach. Przedmioty te są wyposażone w trzy funkcje przetwarzania i różne wzorce błędów. Przedmioty obrabiane są skanowane przez kamerę i klasyfikowane przy pomocy wyszkolonej sztucznej inteligencji. W zależności od koloru, cechy i wzorca błędów, przedmioty obrabiane są, a następnie sortowane przez sztuczną inteligencję na podstawie ich cech jakościowych. Zastosowana sztuczna inteligencja jest realizowana za pomocą uczenia maszynowego w Tensorflow, w którym sztuczna sieć neuronowa została wytrenowana z danymi obrazu. Nauczona sztuczna inteligencja działa na kontrolerze fischertechnik TXT 4.0. Sterowanie działaniem modelu realizowane jest w środowisku programistycznym ROBO Pro Coding oraz w języku Python.

Twórz własne aplikacje AI
Jeśli chcesz pójść o krok dalej, masz możliwość generowania własnych aplikacji AI. Szkolenie odbywa się w języku Python, którego przyswojenie ułatwiono poprzez przedstawienie odpowiedniego przykładowego projektu.

Modelowa budowa linii sortowniczej z AI
System sortowania detali w 3 kolorach (biały, czerwony, niebieski), z 3 charakterystykami obróbki (otwór, wycięcie, otwór + wycięcie) oraz różnymi schematami błędów (nieokrągły otwór, brak otworu, cięcie - całkowicie lub częściowo brakujące, pęknięcia w przedmiocie obrabianym). Te charakterystyki przetwarzania i błędów są symulowane za pomocą odpowiednich etykiet samoprzylepnych na przedmiotach obrabianych. Przedmioty obrabiane są skanowane przez kamerę i klasyfikowane przy pomocy wyszkolonej sztucznej inteligencji. Przedmioty obrabiane są następnie sortowane na 4 różne kategorie według koloru, cech i wzorca błędów.