29.10.2020

Intelligente Objekt- und Füllstandsüberwachung am Regal

Smarter Materialfluss

Die Arbeitsgruppe für Supply Chain Services und der Bereich Lokalisierung und Vernetzung des Fraunhofer IIS forschen gemeinsam mit dem Lehrstuhl für Fördertechnik Materialfluss Logistik der TU München an der Entwicklung und Evaluierung eines Materialfluss-Überwachungssystem mittels induktiver Nahfeldortung für Logistik und Produktion.


Bild: Fraunhofer IIS

Materialflüsse in Produktion und insbesondere der Logistik sind oft intransparent. Um sie 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 (Smart Rack Monitoring) 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.

Induktive Nahfeldortung und Objekterkennung

Die am Fraunhofer IIS entwickelte Lokalisierungstechnologie IndLoc ist eine Lösung mit hoher Genauigkeit zur 3D-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. Die 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. Die Technologie kann in Produktion und Logistik z.B. zur Kommissionierüberwachung eingesetzt werden, da sowohl Objekte als auch Pick-/Put-Bewegungen des Kommissionierers (über ein Wearable, z.B. Armband) zentimetergenau nachvollzogen werden können. Darüber hinaus können auch leitfähige Objekte ohne zusätzliche Spule erkannt 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. Zudem werden Machine-Learning-Algorithmen entworfen, die eine Klassifizierung von relevanten Objekten ermöglicht.

Anzeige