Skalierbare KI-Inferenz für die Fertigung
Nordex standardisiert weltweit visuelle Qualitätsprüfungen mit Azure Machine Learning
Skalierbare KI-Bildprüfung in der Gondelmontage mit Azure Machine Learning
Nordex, einer der weltweit führenden Hersteller von Windenergieanlagen, prüfte in der Gondelmontage zahlreiche Bauteile – etwa Muttern, Kabelstränge oder Verschraubungen – bislang rein visuell. Ziel war eine einheitliche, skalierbare Bildauswertung, die alle Werke weltweit zuverlässig unterstützt, den Prüfumfang erhöht und eine vollständige Dokumentation sicherstellt. b.telligent entwickelte dafür eine moderne Cloud-basierte Inferenzarchitektur auf Azure Machine Learning.
Projekt auf einen Blick
Deutschland, Manufacturing
Konzern
3 Monate
Architektur- und Kostenbewertung, MVP-Betrieb
Microsoft Azure Machine Learning, ONNX Runtime
1
Von der Analyse zur Optimierung: Bildverarbeitung auf rund 1 Sekunde pro Bild beschleunigt und per Benchmark bestätigt.
Ausgangssituation & Herausforderung
Bisher wurde bei Nordex die Fertigung komplexer Bauteile in der Gondelmontage visuell geprüft. Beispielsweise bei wichtigen Bestandteilen wie Muttern, Kabelsträngen und Verschraubungen. Künftig sollte ein einheitlicher, belastbarer Standard für Bildinferenz etabliert werden, um alle Werke konsistent zu prüfen, den Prüfumfang zu erhöhen, die Vollständigkeit sicherzustellen und eine umfassende Dokumentation zu gewährleisten.
Parallel dazu wünschte sich das Management belastbare Aussagen zu Entwicklungs- und Betriebskosten sowie zu erwartbaren Einsparungen durch bessere Fehlererkennung. Also harte Zahlen, die in frühen Projektphasen naturgemäß nur eingeschränkt vorliegen, während die weichen Faktoren, wie Standardisierung, Reproduzierbarkeit und Governance, bereits klar messbaren Nutzen stiften.
b.telligent sollte nun beide Anforderungen berücksichtigen. Zugleich eine optimale Inferenzarchitektur mit Blick auf Latenz, Qualität, Skalierbarkeit und Kosten evaluieren und schließlich eine valide Entscheidungsvorlage erarbeiten. Besonders im Hinblick auf Graphics Processing Unit (GPU) versus Central Processing Unit (CPU).
Lösungsansatz
Zum Projektstart wurde das bestehende KI-Setup umfassend analysiert und in einer strukturierten Optimierungsphase deutlich beschleunigt. Dafür entstand ein reproduzierbares Benchmark-Verfahren, das verschiedene Modellansätze vergleicht und die Performance für hochauflösende Fertigungsbilder realistisch bewertet. So ließ sich die Bildverarbeitung spürbar stabilisieren und eine Zielgröße von rund einer Sekunde pro Bild bestätigen.
Darauf aufbauend wurde die passende Architektur für den MVP definiert und umgesetzt. Die Wahl fiel auf Azure Machine Learning, um eine skalierbare, sichere und flexibel erweiterbare Cloud-Lösung zu schaffen, die auch bei wachsendem Volumen konstant niedrige Latenzen ermöglicht und ohne hohe Anfangsinvestitionen auskommt.
Für den späteren Produktivbetrieb entstand ein zukunftsfähiges Zielbild auf Basis von Azure Kubernetes Service. Dieses Betriebsmodell bietet elastische Skalierung, hohe Verfügbarkeit sowie klare Optionen zur Kostenoptimierung – wichtige Voraussetzungen für einen internationalen 24/7-Einsatz.
Abschließend wurde ein vollständiger MLOps- und Governance-Rahmen etabliert: Telemetrie, automatisierte Qualitäts- und Driftüberwachung, Versionierung sowie definierte Freigabeprozesse sorgen für Transparenz und Sicherheit. Das Ergebnis ist eine entscheidungsreife Lösung mit klarer Roadmap für den globalen Rollout – inklusive konsistenter Prüfprozesse, die selbst anspruchsvollste Kleinstdetektionen zuverlässig unterstützen.
Stimmen aus dem Projekt
Durch die professionelle Umsetzung der Erprobung durch b.telligent konnten wir die Funktion eines zuvor entwickelten KI‑Modells erfolgreich in der Microsoft‑Azure‑Cloud validieren. Besonders überzeugt haben die technische Expertise, die transparente Zusammenarbeit und die schnelle Umsetzung. Die Ergebnisse liefern uns eine belastbare Grundlage für die nächsten Schritte in Richtung KI-gestützte Qualitätsprüfung.
Stefan Tietze
Head of Technology Quality Management bei Nordex Energy SE & Co. KG
Mit ONNX Optimierung, Ensemble Modellen und Managed Endpoints konnten wir die Latenz auf rund 1 Sekunde je Bild bringen – reproduzierbar, skalierbar und revisionssicher. Durch schnelle Iterationen im MVP und einem klaren AKS-Zielbild haben wir so gemeinsam mit Nordex den erfolgreichen Proof of Concept in einen effizienten Serienbetrieb überführt.
Martin Graf
Projektleitung, b.telligent
b.telligent Leistungen auf einen Blick
KI-Setup-Analyse & Optimierung
Performance-Analysen, Benchmark-Verfahren und Stabilisierung der Bildverarbeitung.
Modellvergleich & GPU/CPU-Evaluierung
Reproduzierbare Tests für unterschiedliche Modell- und Hardwareansätze.
Architekturdesign für den MVP
Entwicklung einer skalierbaren Azure-Machine-Learning-Architektur für niedrige Latenzen.
Umsetzung mit Managed Endpoints
Schnelle Bereitstellung und Iteration in der MVP-Phase durch Azure ML Online Endpoints.
Zielarchitektur auf AKS
Definition eines produktionsreifen Betriebsmodells mit elastischer Skalierung und Kostenoptimierung.
MLOps- & Governance-Framework
Telemetrie, automatisierte Qualitätskontrollen, Versionierung und definierte Freigabeprozesse.
Ergebnisse & Erfolge
Highlights
Effiziente Produktion: Zuverlässige Erkennung auch kleinerer Merkmale wie Muttern und Kabelstränge.
Schnelle Entwicklungszyklen: Geringerer Initialaufwand und schnelle Iterationen durch Cloud-Deployment.
Optimierte Betriebskosten: Automatisches Scale-down und flexible Bereitstellungsszenarien (regional/global).
Die Implementierung der von b.telligent empfohlenen Architektur ermöglicht Nordex eine zuverlässige, schnelle und skalierbare Bildinferenz in der Produktion. Die Cloud-Lösung senkt die Investitions- und Betriebskosten gegenüber On-Premises-Setups deutlich und bietet gleichzeitig die nötige Flexibilität für zukünftige Erweiterungen. Die Integration von Azure Machine Learning sorgt für effiziente Entwicklungszyklen, verringerte Komplexität und eine optimale Kostenstruktur im Produktivbetrieb.
Das Erfolgsprojekt im Detail
Jetzt im Podcast erleben!
Technologien im Einsatz
Microsoft
Innovation und Integration sowie Interoperabilität stehen bei der Entwicklung der Microsoft-Produkte im Mittelpunkt. Erfahre mehr zur Zusammenarbeit!
Management Summary zum Download
Du möchtest die wichtigsten Erkenntnisse unseres Projekts kompakt und übersichtlich nachlesen – oder Deinem Team vorstellen?
Dann lade Dir hier eine Management Summary als PDF herunter und erhalte die zentralen Highlights unserer Success Story auf einen Blick.
Viel Spaß beim Lesen!
Inspiriert?
Du findest unsere Success Stories spannend? Du hast eine ähnliche Herausforderung rund um die Themen Data, Analytics & AI und wünschst Dir professionelle Unterstützung? Dann melde Dich gern bei uns. In einem unverbindlichen Beratungsgespräch können wir schnell klären, wie wir Dir am besten helfen können.
