Direkt zum Inhalt

KI-Bilderkennung: Erstanalyse des CO2-Fußabdrucks einer Produktionsmaschine

In das Tool wird der elektrische Schaltplan einer Maschine geladen. Der Bilderkennungsalgorithmus identifiziert alle Verbraucher im Schaltplan mit zugehörigen Daten und errechnet so einen Überschlagswert für die CO2-Emissionen der Maschine.

Online

Dieser Screenshot aus dem interaktiven Dashboard zeigt die graphische ABC-Analyse sowie Schieberegler zur Einstellung der Grenzen für die Kategorien A, B und C. Dieser Screenshot aus dem interaktiven Dashboard zeigt die graphische ABC-Analyse sowie Schieberegler zur Einstellung der Grenzen für die Kategorien A, B und C.
Diese Abbildung zeigt tabellarisch die ABC-Analyse sowie die berechneten Emissionsdaten anhand von Emissionsfaktoren aus ProBas. Diese Abbildung zeigt tabellarisch die ABC-Analyse sowie die berechneten Emissionsdaten anhand von Emissionsfaktoren aus ProBas.
Dieser Screenshot zeigt die Anlagenverbrauchsmatrix. In der Tabelle kann die Nutzungsdauer eingetragen werden, um ein Energieportfolio (4-Klassen-Matrix) erstellen zu lassen. Dieser Screenshot zeigt die Anlagenverbrauchsmatrix. In der Tabelle kann die Nutzungsdauer eingetragen werden, um ein Energieportfolio (4-Klassen-Matrix) erstellen zu lassen.
Dieser Screenshot aus dem automatischen erstellten Report (PDF) zeigt die erste Detektion inklusive Ausschnitt aus dem Schaltplan, Leistungsdaten, Funktionsbezeichnung und Messstellenbezeichnung Dieser Screenshot aus dem automatischen erstellten Report (PDF) zeigt die erste Detektion inklusive Ausschnitt aus dem Schaltplan, Leistungsdaten, Funktionsbezeichnung und Messstellenbezeichnung
Dieser Screenshot aus dem interaktiven Dashboard zeigt die Übersicht der erstellten Reports. Dieser Screenshot aus dem interaktiven Dashboard zeigt die Übersicht der erstellten Reports.
Dieser Screenshot aus dem interaktiven Dashboard zeigt die graphische ABC-Analyse sowie Schieberegler zur Einstellung der Grenzen für die Kategorien A, B und C.
Diese Abbildung zeigt tabellarisch die ABC-Analyse sowie die berechneten Emissionsdaten anhand von Emissionsfaktoren aus ProBas.
Dieser Screenshot zeigt die Anlagenverbrauchsmatrix. In der Tabelle kann die Nutzungsdauer eingetragen werden, um ein Energieportfolio (4-Klassen-Matrix) erstellen zu lassen.
Dieser Screenshot aus dem automatischen erstellten Report (PDF) zeigt die erste Detektion inklusive Ausschnitt aus dem Schaltplan, Leistungsdaten, Funktionsbezeichnung und Messstellenbezeichnung
Dieser Screenshot aus dem interaktiven Dashboard zeigt die Übersicht der erstellten Reports.
Detailbeschreibung

KI-Bilderkennung: Erstanalyse des CO2-Fußabdrucks einer Produktionsmaschine

Zielsetzung

Der vorgestellte Demonstrator dient der automatisierten Identifikation und Priorisierung elektrischer Verbraucher in industriellen Schaltplänen sowie der automatischen Abschätzung der anfallenden CO₂-Emissionen. Ziel ist es, Unternehmen dabei zu unterstützen, Energie- und Emissionstransparenz zu schaffen, relevante Messpunkte für den Energieverbrauch zu identifizieren und priorisiert vorzuschlagen, um Energie- und Emissionsreduktionsmaßnahmen gezielter umsetzen zu können.

Methoden

  • Convolutional Neural Network (CNN): MobileNet SSD, trainiert auf 135 Elektromotorsymbole.
  • Optical Character Recognition (OCR): Tesseract Engine zur Texterkennung und PDF-Textanalyse.
  • Hotspot-Analysen:
    • ABC-Analyse: Priorisierung nach Nennleistung und CO₂-Emissionen.
    • Energieportfolio: Ergänzt Nutzungsgrad und Nutzungszeit zur differenzierteren Bewertung.

Funktionsweise und Aufbau

Das System kombiniert maschinelles Lernen (Computer Vision, OCR) mit Entscheidungslogik zur Analyse von Schaltplänen. Der Gesamtprozess besteht aus fünf Modulen:

1. Initialisierung & PDF-Konvertierung

  • Eingelesene Schaltpläne (PDF oder Bilddateien) werden in ein einheitliches Format (JPEG) konvertiert.

2. Text- und Bildverarbeitung (OCR & CNN)

  • Textbasierte Inhalte werden mit Tesseract OCR und PDF-Textanalyse ausgelesen.
  • Grafische Symbole (z. B. Elektromotoren) werden durch ein trainiertes CNN erkannt.
  • Die Ergebnisse beider Verfahren werden in einer SQL-Datenbank zusammengeführt.

3. Datenverknüpfung & Duplikatfilterung

  • Erkannten Symbolen wird technische Information (z. B. Nennleistung, Bezeichnung, Position) zugeordnet.
  • Doppelte Funde werden gefiltert und zusammengeführt.

4. Berichtserstellung

  • Ein automatisch generierter PDF-Report listet alle identifizierten Verbraucher inklusive Bildausschnitt, Leistungsdaten, Bezeichnung und Seitenverweis.

5. Interaktives Dashboard (Plotly Dash)

  • Anzeige der Schaltpläne und Reports sowie einer ABC-Analyse der Verbraucher nach Leistungsanteilen.
  • Tabellarische Darstellung der berechneten Emissionen (Emissionsfaktoren aus der ProBas-Datenbank).
  • Möglichkeit zur Eingabe von Auslastung und Nutzungsdauer zur Erstellung eines Energieportfolios (4-Klassen-Matrix) und zur Ableitung von Messprioritäten.

Evaluationsergebnisse

  • PDF-Text-Erkennung: bis zu 95,8 % (Trainingsdaten)
  • CNN-Erkennung: bis zu 73 % (Validierungsdaten, 97 % Confidence Score)