Das Team besteht aus Béla Paragh und Tamás Kovács. Organisatorisch gehört es zum Motoranlaufcenter (MAC), fungiert jedoch von seiner Tätigkeit her eher wie eine eigenständige Start-up-Werkstatt.
Die Idee zur Gründung eines Entwicklerteams entstand vor einigen Jahren im MAC, aber Realität wurde das Projekt 2019 durch den Ausbau des bis dahin einmannstarken Bereichs. Damals stieß Béla als Ingenieur für Mechatronik aus der Instandhaltung hinzu, zeitgleich kam Tamás mit einem Abschluss als Maschinenbauingenieur. Heute bilden die beiden gemeinsam das Team.
Was rief das Makerspace-Konzept ins Leben?
Innovative technologische Entwicklungen, die Fachwissen, eigene Entwicklungen, Marktbeobachtungen sowie die innovativen Lösungen von Wettbewerbern und Dienstleistern vereinen – und nach einzigartigen Antworten auf Herausforderungen suchen, für die externe Partner keine oder nur wesentlich teurere Lösungen bieten könnten. Die kreative Entwicklungsarbeit, die sich oft nur schwer in die Strukturen eines multinationalen Unternehmens einfügt, lässt die Rentabilitätskennzahlen nicht anhand von Excel-Tabellen erreichen. Die in Forschung und Entwicklung investierte Zeit und das dort erworbene Wissen machen sich erst bei später implementierten Projekten bezahlt. Es kommt auf die Fachkompetenzen des Entwicklerteams an, in welche Richtung sie nach neuen, zu lösenden Projekten suchen – sei es durch die Einführung bereits erarbeiteter Techniken im Werk oder durch die Erschließung neuer technologischer Wege. Béla und Tamás haben ihr Wissen vor allem in den Bereichen Maschinelles Sehen, Kamerasysteme und Industrieakustik vertieft. Auf der Grundlage der bisherigen 20–30 Projekten mit konventioneller Kameratechnologie führten sie kürzlich zwei KI-basierte Projekte erfolgreich in der Motoren- und Fahrzeugproduktion ein.
Welche Vorteile bringen KI-basierte Lösungen?
Tamás: Mit ihnen lassen sich komplexere Aufgaben bewältigen als mit herkömmlichen Verfahren. Bei der Bild- oder Sprachverarbeitung gelangt die Künstliche Intelligenz anhand winziger Details zu Ergebnissen, an die wir selbst gar nicht denken würden. Sie kann Umweltveränderungen besser nachverfolgen – wie z. B. wechselnde Lichtverhältnisse bei Kamera- oder Hintergrundgeräusche bei Akustikprojekten. Im Allgemeinen erfordert sie weniger manuelle Programmierung und erzielt eine höhere Trefferquote. Wichtig ist allerdings zu betonen, dass auch sie keine 100%ige Prüfgenauigkeit garantieren kann – ebenso wenig wie andere auf Bildverarbeitung basierende Prüfverfahren.
Wie läuft der Prozess einer KI-basierten akustischen Analyse ab? Wie seid ihr zur Entwicklung dieser Methode gekommen?
Béla: Sowohl im Fahrzeug- als auch im Motorenwerk bestand der Bedarf, eine Lösung zur Kontrolle der korrekten Montage von Steckverbindungen zu finden – konkret, um das Klicken der Verriegelungslasche beim Einrasten der Stecker auch unter lauten Umgebungsbedingungen herauszufiltern und zu identifizieren. Da sich die Parameter ständig ändern, dann fährt gerade ein Flurförderzeug vorbei oder im Hintergrund wird gesprochen usw., war der Einsatz von Künstlicher Intelligenz erforderlich. Diese ist in der Lage, auch unter nicht konventionellen, also variierenden Umgebungsbedingungen, nach dem Erlernen der im Signal enthaltenen Muster zuverlässige Ergebnisse zu liefern. Für die Spracherkennung war KI-gestützte Audiotechnologie bereits vorhanden, die akustische Signalerkennung war jedoch in diesem Industriebereich bislang noch nicht im Einsatz. Weder im Konzern noch außerhalb fanden wir funktionierende Lösungen. Deshalb haben wir diese spezielle Technologie gemeinsam mit den Akustik-Expertinnen und -Experten der Széchenyi István Universität entwickelt.
Im Verlauf des Projekts haben wir nach zahlreichen Werksversuchen unser Konzept validiert und nachgewiesen, dass unsere Methode funktionsfähig ist – in der Branche in dieser Form einzigartig. Unser erstes Serienprojekt haben wir in der Produktionslinie des MDB-EVO-Motors implementiert. Dort war es selbstverständlich erforderlich, dass die Kolleginnen und Kollegen am Band sofort eine Rückmeldung über die Korrektheit der Montage erhalten. Eine Signalleuchte und das Anhalten des Werkstücks gewährleisten, dass die ordnungsgemäße Montage überwacht wird. Aus Gründen der Datensicherheit kamen cloudbasierte Systeme nicht in Frage. Daher laufen die KI-Modelle lokal auf einem direkt in die Fertigungslinie integrierten Gerät und ermöglichen so die akustische Spracherkennung unter industriellen Bedingungen.
Neben der Spracherkennung setzt ihr KI auch im Bereich der Bilderkennung ein. Welcher Bedarf führte bei der Montage der Tankdeckel zur Entwicklung dieser Methode?
Tamás: Ein wichtiges Merkmal der Flexibilität von Audi Hungaria ist, dass auf derselben Produktionslinie mehrere Modelle gefertigt werden. Derzeit werden parallel fünf Typen – die alte und die neue Generation des Audi Q3 und Q3 Sportback sowie der Cupra Terramar produziert. Daraus ergaben sich bei unserem Projekt im Lackierwerk, konkret bei der Kontrolle der Tankdeckel-Vorbereitung, zwei wesentliche Gründe für den Einsatz von KI. Erstens müssen die Mitarbeitenden am Band sehr ähnliche, mit bloßem Auge nur schwer unterscheidbare Bauteile korrekt handhaben. Zweitens stellt die sich ständig verändernde Arbeitsumgebung eine Herausforderung dar: Zwar ist die Beleuchtung am Arbeitsplatz konstant, doch die Bewegungen der Mitarbeitenden können die Ausleuchtung der Bauteile beeinflussen und diese teilweise verdecken. Dieses Phänomen bzw. die leicht variierenden Positionen sowie die kleinen Abweichungen, die sich aus der Fertigungstechnologie der Tankdeckel ergeben, machten den Einsatz von KI notwendig.
Wie verlief die Entwicklung der Methode und wie sieht ihr Prozess aus?
Tamás: Sehr vereinfacht gesagt verläuft das „Anlernen“ der KI ähnlich wie beim Unterrichten eines kleinen Kindes, dem man verschiedene Obstsorten beibringt. Man zeigt ihm zahlreiche Bilder von Äpfeln, Birnen oder Bananen – in unterschiedlichen Situationen, Farben und Lichtverhältnissen. Das konvolutionale neuronale Netz lernt selbstständig die wichtigsten Merkmale bzw. die Unterschiede zwischen den Objekten. Wie bei allen solchen Verfahren war auch hier der erste Schritt eine ausreichende Menge an qualitativ hochwertigen Daten. Diese sammelten wir unter Serienbedingungen und bereiteten den Datensatz für das Anlernen vor. Nachdem das Modell im Labor erfolgreich funktionierte und wir die Software unserer Embedded-Systeme auf das Projekt zugeschnitten hatten, folgte der Test in der Produktion. Im Betrieb erhalten Mitarbeitende sofort Rückmeldung über eine fehlerhafte Montage: Eine Lampe leuchtet rot auf, und zusätzlich greift das System in den Linienablauf ein, indem es die Karosserie bis zur Fehlerbehebung nicht weiter auf dem Band freigibt.
Der Prozess von Innovation und Entwicklung kommt selbstverständlich niemals zum Stillstand. Heute werden bereits die Daten für die nächste individuelle Lösung gesammelt, und im Makerspace stehen die benötigten Materialien in Reih' und Glied. Béla und Tamás möchten sich auch in Richtung KI-basierter Robotersteuerungen öffnen und halten sich kontinuierlich an der Spitze des technischen Fortschritts. Wie dem kreativen Denken, so sind auch ihren Aufgaben nur schwer Grenzen zu setzen: Gelangen sie – um ein modernes Schlagwort zu verwenden – in den „Flow“, denken sie selbst nachts, beim Laufen oder sogar im Urlaub weiter über ihre Projekte nach und notieren gegebenenfalls ihre Ideen. Die im Titel erwähnte Wendung „Die richtigen Leute am richtigen Ort“ gewinnt in ihrem Büro und ihrer Werkstatt ihre volle Bedeutung – dort ist in jeder Minute ihre Harmonie spürbar, ebenso wie ihre Hingabe für die Arbeit.
