Künstliche Intelligenz im Mittelstand: Automatisierung für mehr Effizienz

Mit der geeigneten digitalen Sensorik zu guter Datenqualität

Textilien, die Feuerwehrleute schützen, die vor Regen schützen, in einer bestimmten Farbe verwendet werden oder hoher Beanspruchung standhalten müssen – damit Textilien ihre volle Funktion in verschiedenen Anwendungen entfalten können, werden sie mit bestimmten Eigenschaften ausgerüstet bzw. veredelt. Der Veredlungsprozess ist dabei auf die Eigenschaften des verwendeten Textils abgestimmt. Die Trocknungs- und Thermobehandlungsprozesse in Textilveredlungsunternehmen gilt es kontinuierlich zu optimieren, z. B. indem textile Eigenschaften des Trägermaterials automatisiert mittels eines Textilscanners erkannt werden.

An dieser Aufgabe arbeiten derzeit die Expertinnen und Experten der Mittelstand-Digital Zentren Klima.Neutral.Digital und Smarte Kreisläufe in einem Tandem-Projekt. Gemeinsam mit dem Unternehmen Brückner Textile Technologies GmbH & Co. KG und den Projektpartnern Hahn-Schickard sowie den Deutschen Instituten für Textil- und Faserforschung, DITF, soll herausgefunden werden, welche Sensoren sich in einem Textilscanner besonders eignen, um textile Eigenschaften automatisiert zu erkennen.

Dafür wurden bereits vorhandene Datensätze von rund 120 Stoffproben, welche bei Hahn-Schickard über NIR-Spektroskopie und Impedanzspektroskopie gemessen wurden, herangezogen. Diese Daten wurden von den Projektpartnern eingelesen und erstmals analysiert. Die Projektpartner sind in einem gemeinsamen Online-Meeting zunächst in die Analyse des Datenraums eingestiegen. Hier wurde geprüft, wie häufig welche Werte der einzelnen Eigenschaften bei den untersuchten Textilproben vorkommen. Dies hat nachher Einfluss auf die Interpretation der von einer KI erzeugten Aussagen.

Um die KI später möglichst gut anzulernen, liegt bestenfalls eine Gleichverteilung der Stoffproben mit ihren jeweiligen Eigenschaften (Dicke, Druckverlust, Material etc.) über den gesamten Datenraum vor. Dies ist aber nicht für alle analysierten Proben und deren Eigenschaften gegeben. Es gibt Stoffproben mit Eigenschaften, die häufiger vertreten sind als andere. So sind z. B. bei der Eigenschaft „Bindungsunterstruktur“ Jersey und Leinwand häufiger vertreten als Doppel Jersey (DJ) und Satin und bei der Eigenschaft „Material“ Baumwolle häufiger als Wolle.

Im Verlauf des Projektes wird das Team von Hahn-Schickard und den DITF eine Machine Learning (ML)-Methode anwenden, um herauszufinden, ob die Datensätze der jeweiligen Sensortypen zur Bestimmung von textilen Eigenschaften geeignet sind. Wichtig hierbei ist es herauszufinden, welche Merkmale in den Sensordaten benötigt werden, um die KI anzulernen, die sogenannte Feature Extraction. Letztlich geht es darum herauszufinden: Wie gut sind die ML-Testdaten? Wie gut stimmen sie mit den angelernten Daten überein? Was kann ich von meinen Ergebnissen erwarten? Wie gut ist die ML-Methode für den Einsatz geeignet? Die Antworten auf diese Fragen sollen eine Basis für die Entscheidung des Projektteams legen, welcher Sensor zur Bestimmung von textilen Eigenschaften geeignet ist.

Wissenswertes zum Schwerpunkt KI im Mittelstand finden Sie hier.

Haben Sie Ihr erstes KI-Projekt schon im Blick? Unsere KI-Trainer unterstützen Sie gern.