Der BMW-Standort Dingolfing investiert in die Zukunft der Logistik, indem er künstliche Intelligenz (KI) in die Leergutzählung integriert. Der Bedarf an rund 1.600 verschiedenen Behältern im Autobau stellt eine große Herausforderung dar, da die manuelle Zählung oft zeitaufwendig und fehleranfällig ist. Um diesem Problem zu begegnen, arbeitet BMW in Dingolfing in Kooperation mit der Hochschule Landshut an einer KI-gestützten Lösung zur automatisierten Zählung der Leergüter.
Wolfgang Schratzenstaller, der Projektverantwortliche, hebt hervor, dass die Studierenden frische Perspektiven in das Projekt bringen. Ein achtköpfiges Team benötigte drei Monate, um eine Lösung zu entwickeln, die darauf abzielt, den Zählvorgang durch den Einsatz einfacher Handyvideos zu optimieren. Dank QR-Codes an Blocklager-Gassen wird auf eine zentrale Datenbank verwiesen, die die relevanten Behälterdaten organisiert. Die KI analysiert die Videos und berechnet zuverlässig die Anzahl der Behälter. Momentan befindet sich dieses Zählsystem in der Testphase, und es wird angestrebt, die Lösung in weiteren Bereichen der Werkslogistik zu nutzen.
Automatisierung der Produktion bei BMW
Bereits seit 2018 setzt die BMW Group verstärkt auf KI in der Automobilproduktion. Diese Technologien konzentrieren sich insbesondere auf automatisierte Bilderkennungsverfahren, die eine Echtzeitüberprüfung von Bauteilen ermöglichen. Laut [BMW Group](https://www.press.bmwgroup.com/deutschland/article/detail/T0298650DE/schnell-effizient-zuverlaessig:-kuenstliche-intelligenz-in-der-produktion-der-bmw-group) vergleicht die KI Bilder von Bauteilen mit hunderten anderen, um Abweichungen von der Norm frühzeitig zu erkennen. Als Ergebnis dieser Technologie können Qualitätssicherung und Mitarbeiterbelastung optimiert werden.
Christian Patron, Leiter Innovationen bei BMW, beschreibt das Potenzial der KI als entscheidend für die Qualitätssicherung und Entlastung von monotonen Aufgaben. Die Technologie ermöglicht die Nutzung mobiler Standardkameras zur Aufnahme von Bildern, und Mitarbeiter können eine Bilddatenbank für die Ausbildung des neuronalen Netzes erstellen, ohne tiefgehende Programmierkenntnisse haben zu müssen. In der Endkontrolle vergleicht eine KI-Anwendung Orderdaten mit Live-Bildern der Fahrzeuge und signalisiert Abweichungen an die Mitarbeiter. Dadurch können Pseudofehler, die bei herkömmlichen Qualitätskontrollen auftreten, effektiv eliminiert werden.
