Materialflüsse in Produktion und insbesondere der Logistik sind oftmals intransparent. Ihre Nachverfolgung erfordert manuelle, potenziell fehlerbehaftete Tätigkeiten (zum Beispiel Scannen) oder aber das kostenintensive Tagging von Artikeln und Behältern. Um Materialflüsse entlang der Supply Chain automatisiert zu erfassen, muss festgestellt werden, welches Material in welcher Menge an einem bestimmten Ort lagert oder diesen passiert. Deshalb soll das Forschungsprojekt „SmaRackT“ ein autonomes System zur intelligenten Objektklassifikation und Mengenquantifizierung an definierten Aktionspunkten entwickeln und evaluieren. Die Besonderheit dabei ist, dass keines der Objekte mit Tags ausgestattet wird, sondern Identifikation und Tracking durch induktive Nahfeldortung und maschinelles Lernen ermöglicht werden.

Technologische Grundlage: „IndLoc“ - Ortung mit magnetischen Feldern

Die am Fraunhofer IIS entwickelte Lokalisierungstechnologie „IndLoc“ ist eine kostengünstige Lösung mit hoher Genauigkeit zur dreidimensionalen Echtzeitlokalisierung passiver Objekte in einem definierten Volumen: Ein stromdurchflossener Leiter umschließt ein vorbestimmtes Areal variabler Größe und erzeugt in diesem Bereich ein schwaches magnetisches Wechselfeld. Das zu lokalisierende Objekt trägt eine kleine, passive Spule, ähnlich einem RFID Transponder. Diese „Lokalisierungsspule“ erzeugt in dem beobachteten Volumen ein magnetisches Sekundärfeld, welches von Sensoren erfasst und vom „IndLoc“-System ausgewertet wird. So kann eine Grenzüberschreitung sowie die Position, Orientierung und Bewegung des zu ortenden Objektes hochgenau erfasst werden, ohne dass es aktive Elektronik beinhalten muss.

Induktive Nahfeldortung in Produktion und Logistik

Die Technologie kann in Produktion und Logistik etwa zur Kommissionierüberwachung eingesetzt werden, da sowohl Objekte als auch Pick- / Put-Bewegungen des Kommissionierers (über ein Wearable, zum Beispiel ein Armband) zentimetergenau nachvollzogen werden können.

Im Projekt „SmaRackT“ soll neben der reinen Lokalisierung passiver Objekte mit integrierter Spule auch eine Erkennung und Charakterisierung leitfähiger Objekte durch die „IndLoc“-Technologie möglich gemacht werden. Erste Versuche haben bereits vielversprechende Ergebnisse gezeigt. So konnten beispielsweise M6- von M8-Schraubengemengen unterschieden werden und auch die Erkennung unterschiedlicher Oberflächenveredelungen oder des Füllstandes in einzelnen Behältern verspricht positive Ergebnisse.

KI für höchste Genauigkeit in der Materialflussüberwachung

Um solche Ergebnisse auch zukünftig und mit hoher Genauigkeit zu erzielen, werden im Projekt Maschine Learning-Algorithmen entworfen, die eine Klassifizierung von relevanten Objekten ermöglicht. Dafür wird zunächst eine Datenbasis von weit verbreiteten Objekten, Materialien und Mengen erzeugt, auf welcher die Lernalgorithmen aufbauen können. Die dazu benötigten Daten und Informationen werden experimentell bestimmt oder im Zuge der Anforderungserhebung in Experteninterviews mit Interessenten aus der Industrie abgefragt.

Weitere Informationen über das Projekt „SmaRackT – Smart Rack Monitoring“ zur Technologie sowie Ansprechpartner sind hier zu finden….