KI in der Textilproduktion: Warum ein eigenes Modell manchmal nur Sekunden braucht

Sven Reichel und seine Kollegin Daria Aleksandrenko vom Sächsischen Textilforschungsinstitut e.V. zeigen, wie KI in einer Traditionsbranche ankommt: Von Maschineneinstellungen über gebrochene Nadeln bis zur Stofferkennung per Handykamera.

Eine verbogene Nadel in einer Rundstrickmaschine sieht man erstmal nicht. Sie macht keinen sichtbaren Fehler im Gestrick, sie sammelt nur nach und nach Material an. Und irgendwann bricht sie ab, und der Damenstrumpf hat seine Laufmasche. Genau an solchen Stellen wird KI in der Produktion interessant, und genau davon haben uns Sven Reichel und seine Kollegin Daria Aleksandrenko vom Sächsischen Textilforschungsinstitut (STFI) in Chemnitz erzählt.

Sven leitet dort den Bereich rund um intelligente Produktionssysteme und Digitalisierung. Die Beispiele waren durchweg textillastig, und genau das macht den Reiz aus: Textil ist eine sehr traditionelle Industrie, und man sieht gut, wo KI dort tatsächlich andockt.

Wenn das Wissen nur in den Köpfen steckt

Erster Block: Regression, also klassische mathematische Modelle, deren Parameter aus Produktionsdaten gelernt werden. Der Anlass ist sehr praktisch. Eine Vliesstoffanlage füllt bei ihnen eine ganze Werkshalle, mit entsprechend vielen Reglern und Stellknöpfen. Welcher Knopf wie eingestellt werden muss, damit am Ende genau der gewünschte Stoff rauskommt, wissen vor allem die langjährigen Kolleginnen und Kollegen. Dokumentiert ist davon wenig.

Ein Modell, das diesen Zusammenhang gelernt hat, gibt neuen Kollegen einen Startpunkt und spart die Vorversuche, die sonst Material und Energie verbrennen. Und weil am Ende eine Gleichung dasteht, lässt sie sich optimieren: Wo wird mit sehr hohen Temperaturen gearbeitet, und ginge es auch kühler bei gleicher Qualität?

Ein eigenes KI-Modell, trainiert in Sekunden

Für die Nadelerkennung brauchte das Team erst mal gelabelte Bilder aus Highspeed-Aufnahmen. Das Zuschneiden und Einsortieren hat nicht jemand von Hand gemacht, sondern ein Skript, das ein Sprachmodell aus einer Beschreibung in umgangssprachlichem Deutsch erzeugt hat. Programmieren ohne Programmierkenntnisse, an einer Aufgabe, die genau dafür gemacht ist.

Danach die Live-Demo mit Create ML von Apple: drei Ordner (Nadel intakt, Nadel gebrochen, keine Nadel), rund 56 Trainingsbilder, ein paar Klicks. Nach wenigen Sekunden stand das Modell und hat die Testbilder sauber zugeordnet. Ein zweites Modell mit gut 700 Bildern unterschiedlicher Textilstrukturen ist dann live per Smartphone-Kamera getestet worden: gewebt, gemascht, porös, faserig, geknittert. Alles erkannt!

Svens hilfreiche Einordnung: Man hört ja ständig, dass das Training von KI-Modellen Monate dauert und Unmengen Energie frisst. Stimmt auch, nur ist hier eben kein Sprachmodell mit Weltwissen entstanden, sondern ein Klassifikator, der drei Bildsorten auseinanderhalten kann. Mehr nicht. In der Produktion reicht genau das ziemlich oft.

Der Blick aufs Gewebe

Weben ist langsam, also teuer, und wer teuer einkauft, erwartet Top-Qualität. Die Warenkontrolle läuft trotzdem meist noch manuell. Sven verwies auf Statistiken, nach denen die Erkennungsrate schon nach etwa 30 Minuten konzentrierten Hinschauens spürbar einbricht. Dazu kommt der Faktor Tagesform: subjektiv und schlecht reproduzierbar.

Bei einfarbigem Stoff findet ein regelbasiertes System Anomalien problemlos. Schwierig wird es bei Jacquard-Geweben, in die Muster und Bilder direkt eingewebt sind. Die Kamera sieht dort ständig etwas Anderes, nur: gehört das so, oder ist da ein Loch? Genau daran arbeitet das STFI gerade, und zwar mit möglichst wenig Trainingsdaten, weil deren Erzeugung der eigentliche Knackpunkt ist.

Fehler, die man hören kann

Beim Vernadeln von Vliesstoffen stechen tausende Nadeln durch ein Faserflor. Bricht dort eine Nadelspitze ab, landet sie im schlimmsten Fall in Babywindeln oder Kosmetiktüchern. Also hat das Team Körperschallsensoren angebracht, Nadelbrüche gezielt provoziert, um das Geräusch überhaupt erst zu lernen, und die KI darauf trainiert. Erkannt werden nicht nur einzelne Brüche, sondern auch mehrere kurz hintereinander, und sogar an welcher Stelle des Brettes es passiert ist.

 Zum Schluss der Ausblick: Werden mehrere KI-Fähigkeiten kombiniert, wird aus starren Wartungsintervallen vorausschauende Wartung, bei der Sensoren mithören und mitsehen, statt intakte Teile nach Kalender zu tauschen. Und die Assistenzbrille, die erkennt, vor welcher Maschine man steht, die gesprochene Problembeschreibung versteht und die Reparaturanleitung direkt ins Ohr gibt, kombiniert gleich vier KI-Bausteine.

Was hängen bleibt: Der Einstieg ist deutlich niedriger, als viele denken. Ein paar hundert Bilder, ein vorgefertigtes Framework, und man hat ein Modell für die eigene, sehr spezifische Frage. Der aufwendige Teil ist selten das Training, sondern die Daten davor.

Du möchtest die gezeigten Anwendungsfälle noch einmal im Detail nachvollziehen? In der Aufzeichnung zeigen Daria und Sven Schritt für Schritt, wie KI Maschinen hört, Fehler erkennt und Wartungsbedarfe vorhersagt.

Jetzt anmelden um die Aufzeichnung zu sehen