Aus der Branche

Mayer & Cie. hat auf der ITM in Istanbul einen Überblick sein aktuelles Portfolio im Rundstrickbereich präsentiert. Live zu sehen waren zwei Maschinentypen - die SF4 3.2 III sowie die Relanit 3.2 HS II – und verschiedene smarte Lösungen, die das Rundstricken effizienter machen. Insbesondere knithawk, ein Tool zur optischen Erkennung von Strickfehlern, stieß bei den Besuchern auf Interesse. Dasselbe galt für knitlink, das Hub für digitale Lösungen von Mayer & Cie. Ebenfalls gefragt sind Ersatzteilpakete und Umbaukits zum langfristigen Werterhalt der Mayer & Cie.-Maschinen.

Relanit 3.2 HS II
Die mechanische Single Jersey Maschine Relanit 3.2 HS bietet eine hohe Produktivität, insbesondere im Zusammenhang mit Elastplattierung. Sie verarbeitet eine große Bandbreite an Garnen und Qualitäten äußerst zuverlässig. Sie eignet sich damit insbesondere für die Verarbeitung von recycelten Garnen. Ihr Energieverbrauch liegt dabei bei bis zu einem Drittel unter dem einer Rundstrickmaschine mit konventioneller Technologie.

In Istanbul hat Mayer & Cie. eine Weiterentwicklung seines Flaggschiffs gezeigt, die Relanit 3.2 HS II. Der neue Entdoublierabzug ist die Einzelkomponente, die das meiste Interesse fand. Er sorgt für eine einheitliche Abzugsspannung des Gestricks über dessen gesamten Umfang. Geöffnet wird der Gestrickschlauch erst unterhalb der Abzugsrollen. Des Weiteren ist der Abzug mit zwei Antrieben ausgestattet: Einer für die Spannung, einer zum Aufrollen. Beide können separat gesteuert werden.

Eine weitere Neuerung der Relanit 3.2 HS zielt auf Verringerung der Stillstandszeiten ab: Die gemeinsam mit Groz-Beckert entwickelte Nadel mit Wellenschliff und Sollbruchstelle verhindert, dass diese unkontrolliert bricht und im schlechtesten Fall dabei Nadelfüße kaputtgehen. Auch die neue Federplatine ist eine gemeinsame Entwicklung mit Groz-Beckert. Sie beschert der Relanit 3.2 HS II mehr Laufruhe, eine geringe Geräuschentwicklung sowie weniger Verschleiß.

SF4-3.2 III für leichte Bindefadenfuttergestricke
Mit seiner SF4-3.2 III adressiert Mayer & Cie. einen Trend in der Bekleidungsindustrie, der sich über die Türkei hinaus niederschlägt: Leichte, elastische Bindefadenfuttergestricke sowohl in reiner Baumwolle als auch mit Mischungen.

Neue Maschinensteuerung Control 5.0
Beide ITM-Exponate waren mit der neuen Maschinensteuerung Control 5.0 zu sehen. Control 5.0 ist Voraussetzung für die Nutzung von knitlink, dem Hub für die digitalen Anwendungen von Mayer & Cie.

In der Standardausführung SmartControl ist an jedem Maschinenfuß ein sogenannter Smart Knob angebracht. Von dort sind alle Funktionen verfügbar, die der Maschinenbediener für seine Arbeit benötigt. Tiefergreifende Einstellungen, wie sie der Strickereileiter vornehmen möchte, sind nur von einem mobilen Device aus möglich. Von diesem kann gleichzeitig eine beliebige Anzahl von Mayer & Cie.-Maschinen bedient werden.

knithawk
knithawk, ein Tool zur optischen Fehlererkennung, prüft das Gestrick, während es entsteht. Es sitzt in der Single-Jersey-Maschine direkt an der Strickstelle. Erkennt knithawk einen schwerwiegenden oder wiederkehrenden Fehler, wird die Maschine gestoppt. Das Tool erstellt außerdem ein Fehlerprotokoll.

Maschinenindividuelle Upgrade und Umbau-Kits
Mit seinen Upgrade Kits bringt Mayer & Cie. technologische Neuerungen zu Bestandsmaschinen. Diese reichen von maschinenindividuellen Upgrades, wie beispielsweise dem Performance-Kit für bestehende Relanit 3.2-Modelle – über den neuen Fadenführer – bis hin zum Ölersystem Senso Blue RS.

Neben den Upgrade Kits bietet Mayer & Cie. Umbausets für populäre Maschinentypen. Derzeit sind zwei erhältlich: für die MV4 3.2 II/MBF 3.2 sowie die S4-3.2 II/ SF4-3.2 III.

In den vergangenen drei Jahren hat ein spezielles KI-Entwicklungsteam des BTMA-Mitglieds Shelton Vision maßgeschneiderte maschinelle Lernlösungen für die Textilindustrie entwickelt.

Ziel war es, den Erkennungsprozess und die Genauigkeit bei der Benennung und Einstufung subtiler Mängel in Textilien in Echtzeit in Produktionsumgebungen zu verbessern.

Big-Data-Systeme von der Stange", wie sie hinter Technologien wie Gesichtserkennung und Google Maps stecken, lesen viele Tausende von Einzelbildern pro Sekunde und brauchen einfach zu lange, um genügend Daten für die Anforderungen in diesem speziellen Fall zu sammeln", sagt Mark Shelton, CEO und Geschäftsführer von Shelton Vision. "Die Textilindustrie zeichnet sich dadurch aus, dass sich die Produktpalette in vielen Bereichen innerhalb eines Jahres mehrmals ändert, und es ist nicht ungewöhnlich, dass innerhalb eines Jahres Hunderte, wenn nicht Tausende von verschiedenen Modellen auf der Grundlage präziser Einstellungen geprüft werden müssen".

Er fügt hinzu, dass es in der Regel mehr als 100 Fehlertypen gibt, die genau erkannt, klassifiziert (benannt) und in Echtzeit eingestuft werden müssen.

Hinzu kommt die Notwendigkeit, das zufällige Auftreten von "Nicht-Fehlern" wie losen Fäden, Fusseln und Staub auf der Oberfläche herauszufiltern - deren Anzahl höher sein kann als die der tatsächlichen Fehler - und es ist klar, dass ein maßgeschneidertes System erforderlich ist.
Das Entwicklungsteam hat daraufhin Metadaten zur Identifizierung von Defekteigenschaften erstellt, die eine erfolgreiche Identifizierung von Fehlern aus einer viel geringeren Anzahl von Bildern ermöglichen.

"Das System nutzt eine einzigartige Kombination aus maschinellem Lernen für das automatische Stiltraining und neuartigen Algorithmen für die Fehlererkennung, um qualitativ hochwertige Bilder für die KI-Software zur Klassifizierung und Klassifizierung von Fehlern in Echtzeit zu liefern", erklärt Shelton. "Aufgrund der inhärenten Unterschiede bei den Stoffmerkmalen - Rohstoffe, Konstruktion, Textur, Farbe und Veredelung - sowie der unterschiedlichen Produktqualitätsstandards in den Wertschöpfungsketten und der regionalen Unterschiede bei der Bezeichnung von Mängeln verwendet unsere KI-Engine Modelle, die für jedes einzelne Unternehmen oder jede Gruppe von Unternehmen oder Produktwertschöpfungskette erstellt werden."

Die KI-Modelle sind so aufgebaut, dass die Anwender sie mit ihren eigenen Daten füllen können, die vom Bildverarbeitungssystem erzeugt werden oder indem sie Fehlerbilder von einer anderen Bildgebungsquelle (z. B. einer Handykamera) erhalten.  

Das Auftreten von Defekten ist sporadisch, und viele Defekttypen treten nur selten auf, können aber schwerwiegende Folgen haben, wenn sie auftreten. Diese Szenarien machen deutlich, dass die KI-Engine schnell eingerichtet und in der Lage sein muss, mit begrenzten Datensätzen von typischerweise 30 bis 50 qualitativ hochwertigen Bildern pro Fehlerart genau zu arbeiten.