KI-Projekte

Unsere Vision ist es, Unternehmen dabei zu unterstützen, innovative, besonders effiziente KI-Technologien in ihre Geschäftsprozesse zu integrieren. Hier stellen wir Ihnen einige Projekte vor, die wir gemeinsam mit unseren Partnern realisieren und realisiert haben.

Diese Inhalte präsentieren Projekte und Anwendungsbeispiele, die das Potenzial von ZaKI.D veranschaulichen und zeigen, wie die KI-Lösungsansätze in der Praxis aussehen könnten.

Beispielprojekt: red cable robots

KI-Lösung für die Automatisierung mit Seilrobotern

red cable robots bietet spezialisierte Seilroboter für industrielle Anwendungen, die sich besonders für die Automatisierung in großen Arbeitsbereichen eignen und sich wie Stadionkameras bewegen.

Seilroboter sind hochkomplexe, nicht-lineare Systeme mit vielen variablen Parametern. Eine Kalibrierung und regelmäßiges Referenzieren verbessern die Genauigkeit solcher Systeme und wirken Störungen entgegen. Eine manuelle Kalibrierung ist jedoch zeitaufwändig.

Um die Kalibrierung von Seilrobotern zu automatisieren und somit zeiteffizienter zu gestalten, wird eine Machine-Learning-basierte Kalibrierung entwickelt und implementiert. Diese innovative Lösung ermittelt Abweichungen vom Ideal und ermöglicht eine Kompensation im laufenden Betrieb. Dadurch kann die Genauigkeit von Seilrobotern optimiert werden, auch wenn Unregelmäßigkeiten auftreten. Die KI ermöglicht es Kalibrierungs- und Referenzierungsmechanismen mit deutlich geringerem Aufwand als mit konventioneller Algorithmik umzusetzen und Entwicklungszyklen zu verkürzen.

Simulationen der Roboter werden durchgeführt, um realistische Szenarien und Verhaltensweisen zu testen. Darüber hinaus werden synthetische Messdaten erzeugt, indem Abweichungen in die Simulation eingebracht werden. Machine-Learning-Modelle ermitteln Fehler anhand dieser Messdaten und tragen somit zur kontinuierlichen Optimierung der Robotergenauigkeit bei. Am Ende soll die KI direkt in die Steuerung des Roboters integriert werden. Dazu muss das KI-Modell besonders effizient und auf dem Steuerungsrechner des Roboters lauffähig sein.

Beispielprojekt: Häuser

KI-unterstützte METallROhr-Beschichtung (KIMETRO)

Das Unternehmen Häuser & Co GmbH beschäftigt sich mit der Entwicklung von (Hochtemperatur-) Beschichtungen, die speziell zum Schutz vor temperaturbedingten Korrosionsprozessen dienen.

Eine der größten Herausforderungen ist die Notwendigkeit einer nachträglichen manuellen Wärmebehandlung bei speziellen Werkstofflegierungen, bis das Rohr den gewünschten Glanz erreicht. Dieser Glanz ist nicht durch Temperatur messbar, da unterschiedlichste Werkstofflegierungen verwendet werden.

Zur Lösung dieses Problems wird eine Machine-Learning-basierte Bilderkennung eingesetzt, die den Glanz der Beschichtungen ermittelt. Diese Technologie ermöglicht eine zukünftige Automatisierung des Prozesses. Die Implementierung der automatisierten Glanzerkennung bringt mehrere Vorteile mit sich. Zum einen wird die Belastung für die Arbeiter durch Hitze und monotone Arbeit verringert. Zum anderen führt die Automatisierung zu einem schnelleren und damit kosteneffizienteren Prozess.

Für die Bilddatenaufnahme wird eine schwarz-weiß 2D-Kamera eingesetzt. Die Glanzermittlung erfolgt durch Bildsegmentierungsverfahren unter Verwendung neuronaler Netze. Die genutzten Deep-Learning-Architekturen sind SegNet, SegFormer und U-Net. Auch hier spielt die Effizienz eine besonders große Rolle: Später könnte der Schweiß-Prozess automatisiert ablaufen und von einem Mini-Rechner, auf dem die KI läuft, gesteuert werden.

Beispielprojekt: Julius Schöbel

KI-Lösung für die Automatisierung der Angebotserstellung

Die Julius Schöbel GmbH & Co. KG, ein renommierter Handwerksbetrieb für Sanitär-, Heizungs- und Klimatechnik.

Das Unternehmen sieht sich bei der Angebotserstellung mit erheblichen Herausforderungen konfrontiert. Die Daten zur Angebotserstellung und das Aufmaß für die Bestellung der Komponenten müssen mit einem hohen Personaleinsatz eingeholt werden. Dennoch treten immer wieder Fehler in der Dokumentation auf. Diese Fehler führen zu vermehrten Anfahrten, was nicht nur die Umwelt belastet, sondern auch aufwendigere Installationsarbeiten und Verzögerungen in der Planung zur Folge hat. Zusätzlich entstehen erhöhte Kosten im Lagermanagement durch falsche Bestellungen, was Frust auf allen Seiten verursacht.

Ein Voice-to-Text-System wird implementiert, das die Datenaufnahme beim Kunden erleichtert und durch ein Large Language Model (LLM) unterstützt wird. Dieses System ermöglicht die automatische Erstellung eines Angebots basierend auf den eingegebenen Daten. Die KI analysiert zudem vergangene Angebote und Projektkosten, um realistische und präzise Schätzungen zu liefern.

Ein RAG (Retrieval Augmented Generation)-basiertes KI-System auf Basis eines großen Sprachmodelles (Large Language Models, LLMs) wird implementiert, das die Stärken von Informationsabruf und generativen Modellansätzen vereint. Diese Innovation trägt dazu bei, die Effizienz und Präzision bei der Erstellung von Angeboten erheblich zu steigern. Dies führt nicht nur zu einer Verringerung des Arbeitsaufwands, sondern verbessert auch die Qualität der Dokumentation, was langfristig die Zufriedenheit der Kunden fördert.

Beispielprojekt: GAR

KI-gestützte Gefahrstofferkennung

Die GAR Gesellschaft für Abfallsortierung und Recycling mbH mit Stammsitz in Duisburg, betreibt seit 2015 eine moderne Gewerbeabfallsortieranlage zur Aufbereitung von gemischten Industrie- und Gewerbeabfällen.

Als regionaler Recyclingpartner kombiniert GAR Erfahrung mit innovativer Technik für die nachhaltige Rückführung von Wertstoffen aus Abfällen.

Bevor der Abfall sortiert werden kann, zerkleinert ein Schredder das Material in kleine Teile. Sowohl der Schredder als auch die Mitarbeitenden sind dabei während der Anlieferung unterschiedlichen Gefahren ausgesetzt. Viele Gefahrstoffe sind sehr verschieden beschaffen und oft im Müllhaufen mit bloßem Auge nicht erkennbar.

Bildbasierte Sensorsysteme sollen die Mitarbeitenden bereits bei der Anlieferung des Abfalls dabei unterstützen, Gefahrstoffe im Müllhaufen zu erkennen. So lässt sich die Sicherheit erhöhen und Komplikationen am Schredder vermeiden.​

Durch Computer-Vision-Ansätze können wir Gefahrenstoffe per Objektdetektion identifizieren und das dahinterliegende Modell weiter anpassen, optimieren und erweitern. Dieses Konzept hilft Entsorgungsbetrieben in Zukunft bei der Realisierung von portablen Assistenzsystemen.

Beispielprojekt: momac

Schweißroboter-Automatisierung mittels KI

Die momac Group bietet seit über 100 Jahren Lösungen für Antriebstechnik und Fertigungsautomation von ABB, KUKA und FANUC. Unter momac Robotics, momac Maschinenbau und egm Elektrotechnik vereint sie Instandsetzung, Sondermaschinenbau und Automatisierung aus einer Hand.

Beim Bearbeiten von Einzelteilen sind Schweißroboter bisher wenig effizient, da jedes Werkstück individuell eingelernt werden muss. Abhängig von seiner Form erfordert jedes Teil an verschiedenen Stellen unterschiedliche Bearbeitungsmethoden.

Jedes Werkstück soll automatisiert erfasst werden und ein Roboter entsprechend die Bearbeitung übernehmen. Dadurch kann das Einlernen des Roboters vollständig automatisiert erfolgen. Dies erleichtert zudem die Arbeit des eingebundenen Mitarbeiters, was eine Effizienzsteigerung zur Folge haben soll.

Eine Tiefenkamera erfasst in einem definierten Raum die zu bearbeitenden Bereiche des Werkstücks. KI ermöglicht dabei auch die Erkennung unbekannter Objekte und Bereiche. Über ROS erfolgt die herstellerunabhängige Steuerung des Roboters.

Beispielprojekt: Techno Trading Services​

Effiziente Angebotserstellung​

Die Techno Trading Services GmbH ist ein Industrie-Großhändler für Präzisionsrohre und Kolbenkomponenten im Metallbereich und bietet ergänzende Beratung sowie internationale Lieferantenkontakte.​

Für jeden neuen Auftrag und jedes neue Produkt muss ein individuelles Angebot erstellt werden. Die dafür benötigten Informationen hängen zum einen stark vom jeweiligen Produkt ab, zum anderen beruhen sie auf den Erfahrungswerten des Unternehmens.

Zu jedem angeforderten Produkt gibt es eine CAD-Zeichnung aus der relevante Informationen ausgelesen werden. Basierend auf den Informationen werden die Angebote automatisiert vorbereitet.

Mittels synthetischer Daten werden Segmentierungsmodelle und Text-Extraktionsmodelle trainiert und auf den speziellen Anwendungsfall angepasst.

Beispielprojekt: Roskothen

Automatisierte Inventur​

Roskothen – Die Kunst zu spielen ist ein traditionsreicher Spielwarenhändler in Duisburg. Auf den Verkaufsflächen wird ein Sortiment von mehreren Tausend Produkten angeboten.

Nahezu täglich müssen Mitarbeitende den Bestand auf der Verkaufsfläche mit dem Bestand im Lager abgleichen, um z.B. fehlende Produkte nachzuräumen. Dies wird auch bereits jetzt mit Fotos auf einem Smartphone gemacht.

Segmentierung mittels vortrainierter Modelle ermöglicht es ohne manuellem Aufwand die Spielwaren in den Regalen zu unterscheiden. Text- und Bilderkennungsmodelle schaffen dann den Abgleich zwischen zwei Beständen. Zusätzlich können ERP-Systeme angebunden werden.

Es gibt bereits „Segment Anything Modelle“, die ohne Aufwand die Spielwaren unterscheiden können.

Beispielprojekt: Walzer Elektronik

Modularer Anruf- und Routing-Assistent

Die Walzer Elektronik Vertriebsgesellschaft mbH übernimmt den technischen Support, die Reparatur und Ersatzteilversorgung Ihres Vertragspartners Procter & Gamble Service GmbH in den Bereichen Haushalt, Lifestyle und Beauty. ​

Stark frequentierte Kundenanrufe in der Mitarbeiterhotline führen zu langen Wartezeiten, wodurch die Mitarbeitenden dauerhaft stark belastet werden und gleichzeitig Unzufriedenheit auf Kundenseite entsteht. Insbesondere wiederkehrende, einfache Anfragen binden erhebliche personelle Ressourcen und erschweren eine zeitnahe Bearbeitung komplexerer Anliegen.

Ein KI-gestützter Telefonassistent beantwortet wiederkehrende Serviceanfragen, führt Kunden Schritt für Schritt durch Standardfälle (z. B. Auftragsstatus, Retourenlabel, Garantieprüfung). Nur bei komplexen Fällen oder auf Wunsch des Kunden erfolgt eine strukturierte Übergabe an Mitarbeitende.

Speech-to-Speech Pipeline mit Sprach­erkennung (STT), lokalem Sprachmodell (LLM) und Sprach­synthese (TTS). Wissenszugriff über RAG zusammen mit einer Vektor-Datenbank.

Beispielprojekt: SCIO Automation Duisburg

KI-gestützte Optimierung von Wartezeiten in der Produktionstechnik

Das Unternehmen SCIO Automation Duisburg GmbH ist ein mittelständischer Anlagenbauer.​ Die Firma programmiert Software-Ansteuerungen für Fertigungsanlagen.

In Fertigungsanlagen kommen zahlreiche pneumatische Zylinder und elektrische Motoren zum Einsatz, die zentral und nacheinander gesteuert werden. Bei ihrer Bewegung entstehen Vibrationen, die den weiteren Prozess beeinträchtigen können. Um dies zu vermeiden, werden vor dem nächsten Prozessschritt Wartezeiten eingeplant – bislang auf Basis von Schätzungen. Kürzere, optimierte Wartezeiten würden die Auslastung der Anlage erhöhen und die Effizienz steigern.

Ein KI-System kann dynamisch die Wartezeiten anpassen und auf Störgrößen reagieren.​

Sensoren erfassen die wichtigsten Störgrößen des Fertigungsprozesses. Eine externe Rechnereinheit berechnet mithilfe des KI-Systems eine Wartezeit für den nächsten Prozessschritt. Dieser Wert wird der Anlage übermittelt.​

Beispielprojekt: ArborTerra

Computer Vision-basierte Messung der Bruchsicherheit von Bäumen

Die ArborTerra GmbH ist ein Sachverständigenbüro, das sich u. a. mit der Begutachtung von Bäumen im städtischen Umfeld bzgl. ihrer Stand- und Bruchsicherheit beschäftigt.​

Die Bruchsicherheit von Bäumen wird üblicherweise mithilfe von Dehnungsmessern bestimmt, die mit Nägeln in der äußeren Faserschicht des Baumstamms verankert sind. Für die Biegung des Baumes ist ein aufwändiger Aufbau notwendig. Der Faserverlauf unter der Rinde von außen nicht eindeutig erkennbar. Wird der Dehnungsmesser nicht entlang einer einzelnen Faser montiert, führt dies zu fehlerhaften Messungen.

Statt eines klassischen Dehnungssensors wird eine Nadelmatrix in die äußere Faserschicht eingebracht. Diese erfasst mehrere Fasern gleichzeitig und bildet unterschiedliche Faserverläufe ab. Die durch die Baumbiegung verursachte Bewegung der Nadeln wird mittels Kamerasystem verfolgt und zur Berechnung der Faserdehnung genutzt.

Mit dem Einsatz herkömmlicher RGB-Kameras wird auf eine kostengünstige Lösung abgezielt. Für das Tracking der Nadeln sowie die den Rückschluss auf den Faserverlauf werden im Laufe des Projekts verschiedene KI-Modelle für eingebettete Hardware erprobt.

Was unsere Partner sagen

Vertrauen, das durch erfolgreiche Zusammenarbeit gewachsen ist.

Die Zusammenarbeit mit dem ZaKI.D-Team war unkompliziert. Es gab einen starken Teamgeist und das gemeinsame Ziel, den Prozess zu optimieren. Gerade als kleines Unternehmen benötigt man Partner wie das ZaKI.D, um Herausforderungen im Unternehmensalltag mithilfe von KI zu bewältigen.“

Hendrik Häuser, Geschäftsführer der Häuser und Co GMBH
Die fruchtbare Zusammenarbeit mit ZaKI.D hat meine Überzeugung bestätigt: die Unterstützung unternehmerischer Transformation mittels KI erzielt die besten Resultate durch die Kombination von tiefer fachlicher Expertise und unternehmerischem „out-of-the-box“-Denken. Diese Kombination war in der Projekt-Konstellation mit ZaKI.D konstant gegeben.“
Frank Hufen , General Manager CUT58 Ventures GmbH