Barcode-Leser identifizieren in Produktion oder Logistik Güter und Material, in dem sie unterschiedliche Strichcodes erfassen und deren IDs an ein übergeordnetes System liefern. Gerade beim Einsatz in automatisierten Anwendungen will man eine möglichst hohe Lesequalität erreichen. „Barcodeleser, die keine ausreichende Lesequalität liefern, zu finden, ist allerdings oft eine Herausforderung für die Anlagenbetreiber“, sagt Dr. Henning Grönzin, Chief Technology Officer (CTO) bei Leuze.
Gerade in großen Anlagen wie in der Intralogistik mit bis zu 1.000 Barcodelesern gleicht das der Suche nach der Nadel im Heuhaufen: Im Zweifel muss ein Techniker den kompletten Weg eines Transportgutes nachverfolgen, um einen schlecht ausgerichteten Sensor oder die Störfaktoren aus dessen direkter Umgebung zu identifizieren. Zwar überwachen die Sensoren ihren eigenen Status, allerdings funktioniert diese Selbstüberwachung nur sehr eingeschränkt. Ein Sensor betrachtet lediglich die eigene Sicht – etwa ‚Ich lese gerade besonders schlecht‘. „Den Grund für seine schlechte Lesequalität kann das Einzelgerät jedoch nicht erkennen“, so Grönzin.
KI liefert die Zusammenhänge
Für schlechte Lesequalität gibt es drei mögliche Einflussfaktoren: entweder das Gerät selbst (schlechte Ausrichtung oder ein technischer Defekt) oder die Barcode-Labels (diese können beschädigt, verschmutzt oder schlecht gedruckt sein) oder aber Störfaktoren aus der Umgebung wie Vibrationen, Staub, Sonneneinstrahlung oder Feuchtigkeit. Grönzin: „KI kann dabei helfen, die unterschiedlichen Ursachen voneinander zu trennen und damit die Gründe für Störungen oder eine schlechte Lesequalität schnell zu erkennen.“
Leuze arbeitet dazu gemeinsam mit einem Automobilhersteller an einer Lösung, die Sensoren mit Daten aus dem Gesamtkontext anreichert. Dabei geht es um große Datenmengen: Viele Labels kommen im Laufe des Prozesses an vielen Barcodelesern an vielen verschiedenen Orten vorbei und werden dort ausgelesen. An jeder Station und zu jedem Label gibt es ein unterschiedliches Ergebnis für die Lesequalität. KI löst diese komplizierte Gleichung mit vielen Unbekannten und kann erkennen, ob sich eine schlechte Lesequalität stets bei einem bestimmten Barcodeleser, bei einem Label oder einem bestimmten Labeltyp oder immer an einem bestimmten Einbauort zeigt.
Von Inbetriebnahme bis Betrieb
Leuze setzt hierfür auf Recommendation-Algorithmen, also KI-basierte Empfehlungsmethoden wie sie auch von Streaming-Diensten verwendet werden. Der Recommendation-Algorithmus bewertet ein Label als mehr oder weniger attraktiv für unterschiedliche Barcodeleser. Auf diese Weise lässt sich ermitteln, welcher Sensor oder welches Label mit einem gewissen Prozentsatz grenzwertig oder auffällig ist.
Technisch lässt sich eine solche KI-basierte Lösung über Edge Devices oder über eine Cloud umsetzen, abhängig von den Kundenwünschen und von der jeweiligen Anlage. Ein Edge Device sitzt als separates Gerät in der Nähe eines Sensorverbundes und sammelt sowie analysiert dessen Daten. Weil ein Edge Device Daten nicht nur sammelt, sondern die Analyse auch an den Sensor zurückspielt, kann ein Barcodeleser diese Information weitergeben. Vorteil: Die IT-Architektur des Kunden muss nicht verändert werden. Alternativ ist ein Betrieb über eine Cloud möglich, beispielsweise, wenn Daten über räumlich getrennte Orte zusammengeführt werden sollen.
KI-basierte Empfehlungen für die Fehleridentifikation zu nutzen, bietet sowohl bei der Inbetriebnahme als auch im laufenden Betrieb enorme Vorteile. Bei der Inbetriebnahme zeigen sich damit schnell die Ursachen schlechter Lesequalität. Und im laufenden Betrieb ermöglicht die Methode eine vorausschauende Wartung (Predictive Maintenance): Zeichnet sich ab, dass ein Stillstand erforderlich wird, können Anlagenbetreiber rechtzeitig geeignete Maßnahmen ergreifen. Zudem lernt das System laufend dazu. Grönzin: „Der Einsatz von KI zahlt sich so in jedem Fall aus, wenn es darum geht, Störfaktoren bei der Barcode-Identifikation schnell und zuverlässig zu erkennen.“
Leuze electronic Deutschland GmbH + Co. KG
