GFE - Gesellschaft für Fertigungstechnik und Entwicklung Schmalkalden e.V. Fertigungstechnik und Künstliche Intelligenz 14 Fotos: GFE Schmalkalden Bei Sichtflächen und Funktionsoberflächen handelt es sich zumeist um komplexe Geometrien mit großen Prüfflächen und Hinterschnitten. Die zu erkennenden Defekte liegen in der Regel im Mikrometerbereich, wozu herkömmliche Prüfverfahren nicht im Stande sind. Die Gesellschaft für Fertigungstechnik e.V. (GFE, Schmalkalden) hat hierfür koordinierend und gemeinsam mit den Unternehmen Speck Sensorsysteme GmbH, Plasttechnik Hohleborn GmbH, Robotics GmbH sowie der TU Ilmenau (Fachgebiet Qualitätssicherung und Industrielle Bildverarbeitung) im Projekt „OptoCheck“ ein neuartiges Verfahren entwickelt, welches auch auf KITechnologien zurückgreift. Voraussetzung und Schwierigkeiten der Bauteilprüfung Kleine Schwachstellen an Bauteilen sind mit dem bloßen Auge häufig nicht sichtbar, verringern jedoch maßgeblich die Qualität. Die Probleme intensivieren sich im Gebrauch des jeweiligen Bauteils mit der Zeit durch Temperaturunterschiede, Vibrationen und ähnliches und führen schlimmsQualitätskontrolle von Maßen und Oberflächen mittels KI tenfalls zum vollständigen Defekt. Qualitätsmindernde Aspekte werden daher häufig mit hochauflösenden Kameras identifiziert. Problematisch allerdings ist, dass bisherige Verfahren die Prüfung großer Mengen von Bauteilen kaum ermöglichen. Notwendig hierfür ist einerseits die effiziente Prüfung der Kamera – zumeist mit vergrößernder Optik mit hoher Detailauflösung – und eine hochgradig akkurate Positionierung des zu prüfenden Bauteils unter der Kamera. Andererseits muss es intelligente Bildauswerte-Algorithmen geben, welche Abweichungen im jeweiligen Bauteil von Mustern vollständig funktionsfähiger Bauteile automatisch erkennen können. Die hohe Detailauflösung führt zu einem kleinen Sichtfeld und damit zur Notwendigkeit, große Flächen in mehreren Teilen aufzunehmen, welche später zu einem Gesamtdatensatz zusammengefasst werden. Aus diesem Gesamtbild sind geometrische Merkmale zu bestimmen und diese mit den Solldaten zu vergleichen. Der gesamte Ablauf muss zeitoptimiert ausgeführt werden, da das Ziel darin besteht, das System direkt in der Fertigungslinie (inline) einzusetzen und damit der Fertigungstakt die Anforderung an die Messzeit vorgibt. Insbesondere die Erzeugung von Datensätzen sowie der algorithmische Vergleich von geometrischen Ist-Daten mit den Sollwerten stellt aufgrund der hohen Datenmenge und der kurzen Taktzeit (mehrere Teile pro Sekunde) eine große Herausforderung dar. Bildauswertung durch Deep Learning Die wesentlichen Schritte zur Umsetzung der Qualitätssicherungsaufgabe bestanden in der Entwicklung einer angepassten Bilderfassung, eines Klassifikators basierend auf DeepLearning-Verfahren (sogenannten Convolutional-Neural-Networks) sowie der Validierung des Gesamtsystems im Fertigungsumfeld. Im ErgebKunststoffe, metallische Leichtbauwerkstoffe und auch technische Keramiken finden im Maschinenbau und in der Automobilbranche immer stärkere Anwendung. Die Sichtflächen sowie die Funktionsoberflächen müssen strengen qualitativen und optischen Anforderungen genügen. Prüfsystem im Fertigungs- umfeld der Plasttechnik Hohleborn GmbH Zu prüfende Kunststoffteile aus dem Automobilsektor: Reflektor und LED-Gehäuse für Kennzeichenbeleuchtung
RkJQdWJsaXNoZXIy NDE3NTI=