AI und Messgenauigkeit, die Herausforderungen bei der Kontrolle von anodisierten Nieten
Die Sortiermaschine in dieser Fallstudie wurde speziell für die Qualitätskontrolle von eloxierten Nieten entwickelt. Es handelt sich um eine Drehtischmaschine mit Indexierung der Metallplatten, Modell MCV1, die mit speziellen Stationen und Software ausgestattet ist.
Zusätzlich zu der Voraussetzung einer Auswahlrate von nicht weniger als 100 Stück/Minute, stellt der Kontext 3 anspruchsvolle Kontrollen dar.
- Niet Körperdurchmesser mMessung mit vorgeschriebenen engen Fertigungstoleranzen bis 12 μm
- Kontrolle der Form des Schaftbodens mit Hex-Aussparung zur Erkennung von Teilen mit Doppelräumung
- Markierungslogo-Fehlererkennung auf der Oberseite der Kopfoberfläche
Während der Testphase erwies sich die Situation als noch komplexer, da die Oberflächenbeschichtung der Nieten empfindlich ist und leicht zerkratzt werden kann.
12 μm Toleranzkontrolle
Die Bildverarbeitungssysteme von Dimac wurden entwickelt, um eine präzise Kontrolle der Produktionstoleranzen zu gewährleisten, insbesondere bei Anwendungen für kleine Metallteile, wobei der Schwerpunkt auf Toleranzen bis zu 50μm liegt. Für noch engere Toleranzen ist unser Kontrollsystem ad hoc zugeschnitten und umfasst Maßnahmen, die mit abnehmenden Toleranzen strenger werden. Wir haben einen Algorithmus zur Korrektur von Linsenfehlern implementiert, zusammen mit einer speziellen Hintergrundbeleuchtung und einer Kamera mit höherer Auflösung, gepaart mit telezentrischen Objektiven höchster Qualität. Diese Kombination zielt darauf ab, die Auswirkungen von Glasunregelmäßigkeiten zu minimieren und Beugungseffekte am Rand des Werkstücks über verschiedene Bilder hinweg zu standardisieren.
Der gesamte Messprozess erfordert eine beträchtliche Rechenleistung, da pro Teil 3 Bilder (eines alle 120°) mit einer Geschwindigkeit von 100 Teilen pro Minute aufgenommen werden müssen, wobei verschiedene Softwarefilter zum Einsatz kommen. Um diese Anforderungen zu erfüllen, haben wir einen Industriecomputer mit einer NVIDIA®-Grafikkarte eingesetzt. Das Ergebnis ist eine Maschine, die sowohl die MSA1- als auch die MSA3-Prüfungen erfolgreich bestanden hat, und das sogar innerhalb des Design-Toleranzbereichs von 12 μm. Es ist bemerkenswert, dass die Erhöhung der Kameraauflösung erhebliche Vorteile für die Messqualität bringt, aber die Produktivität beeinträchtigen könnte. Die gewählte Lösung stellt jedoch ein optimales Gleichgewicht zwischen den vorgeschriebenen Kontrollen und der Produktivität dar und gewährleistet ein optimales Verhältnis zwischen Qualität und Kosten.
Überprüfung der Form der Sechskantvertiefung am Schaftboden
Zu den obligatorischen Kontrollen gehören: die Überprüfung des Vorhandenseins der Aussparung am unteren Ende des Schafts, die Überprüfung der sechseckigen Form der Aussparung und des Fehlens eines Doppelräumungseffekts (eine sternförmige Form, die sich aus einer leichten Phasenverschiebung zwischen dem ersten und zweiten Durchgang des Schnitts ergibt) sowie die Überprüfung der Zeichen des Kennzeichnungslogos auf der Oberseite des Kopfes.
Die wichtigsten Herausforderungen sind auch hier die Gewährleistung der Bildstabilität, die adäquate Hervorhebung aller fehlerhaften Situationen und die Implementierung eines Interpretationsalgorithmus, der in der Lage ist, die Fehler zu erkennen, ohne falsche Rückweisungen auszulösen.
Um die Bildqualität zu verbessern, wählten wir eine entozentrische Kamera mit einer koaxialen, ringförmigen Beleuchtung, die auf die Unterkante des Schafts gerichtet ist. Diese Beleuchtung sorgt nur dann für eine gleichmäßige Ausleuchtung, wenn das Werkstück genau kantiert ist (Zehntelmillimeter sind entscheidend).
Unter Ausnutzung der Fertigungstoleranz von 12 μm für den Schaftdurchmesser des Körpers wurden die Schlitze auf der Transportscheibe sorgfältig entworfen, um als vertikale Begrenzung für das Aufhängen und Führen des Teils zu dienen. Eine über dem Drehtisch angebrachte Federsperre und der präzise Sitz, den die Abschrägung der Nietnuten am Nietkopf bietet, sorgen dafür, dass das Teil auch bei Vibrationen in Position bleibt.
Das Ergebnis ist ein Bild, auf dem die sechseckige Bodenvertiefung in der hellen, kreisförmigen Krone des Schraubenschlüssels deutlich in Schwarz erscheint. Dies war gut, aber nicht ausreichend, um eine doppelt geräumte Vertiefung zu erkennen, da Schmutz die Kontrolle beeinträchtigen könnte. Aus diesem Grund wurde ein Algorithmus entwickelt, der sich auf die Analyse des Lichtgradienten stützt, insbesondere auf die Ausdehnung eines grauen Bandes um den Umfang des Sechsecks. Der Algorithmus zählt, wie oft der Gradient einen benutzerdefinierten zweiten Umfangsdurchmesser durchschneidet. Dieser gemessene Umfang legt die Grenze zwischen akzeptablem Schmutz und tatsächlichen Defekten fest und ermöglicht eine einstellbare Kontrollempfindlichkeit.
Überprüfung der Zeichen des Kennzeichnungslogos
auf der Oberseite der Kopffläche
In den oberen flachen Kopf der Niete ist eine Markierung mit variablem Inhalt, wie die Produktionscharge, eingeprägt. Wenn sich das Teil unter der Markierung bewegt, kann es passieren, dass die Schrift doppelt oder unscharf erscheint und dadurch unleserlich wird.
Die Bildstabilität ist für diesen Prozess von entscheidender Bedeutung, da jegliche Instabilität zu Hintergrundrauschen führt und die Grenze zwischen konformen und nicht konformen Komponenten verwischt. Herkömmliche Bildanalysemethoden sind begrenzt und selbst mit Hilfe von OCR-Funktionen (Optical Character Recognition) ist es nicht möglich, 100 Stück/Minute zu verarbeiten.
Die künstliche Intelligenz unterstützt uns mit einer Lösung, die das Training eines neuronalen Netzes umfasst, das sich ausschließlich auf die Erkennung des Fehlers und nicht auf den Textinhalt des Schreibens konzentriert. Die KI ignoriert die Bedeutung des kontrollierten Textes, ist aber in der Lage, Besonderheiten im Zusammenhang mit dem Fehler im geschriebenen Text zu erkennen.
Wie bei früheren Prüfungen liegt die Herausforderung darin, das richtige Gleichgewicht zwischen Rechenzeiten, Fehlererkennung und Investitionen in die Qualität der Komponenten zu finden.
Handhabung von Teilen mit empfindlicher Oberflächenbeschichtung
Eloxierte Nieten erfordern in der Regel keine besonderen Handhabungsverfahren im Zuführsystem, außer beim Einrichten der Maschine, wenn sich das Teil in den Schlitzen der Transportscheibe um 360° dreht. Gelegentlich kann die Seitenfläche des zylindrischen Körpers während des Kontakts zwischen dem Nietschaft und dem Schlitz der Metallscheibe abgeschliffen werden, was die Funktionalität des Werkstücks nicht beeinträchtigt, aber aus ästhetischen Gründen vermieden werden sollte. Eine gängige Methode zur Vermeidung von Abrieb ist das Abheben des Werkstücks von der Scheibe, was hier jedoch aus Zeitgründen nicht empfohlen wird. Eine Vergrößerung des Schlitzdurchmessers ist keine Option, da das Teil für die Kontrolle der unteren Sechskantaussparung präzise stabil sein muss. Die endgültige Lösung besteht in einer präzisen, zentrierten Drehung des Teils innerhalb des Spiels zwischen Scheibe und Schlitz (5 Hundertstel Millimeter). Die Bewältigung dieser mechanischen Herausforderung erfordert eine sorgfältige handwerkliche Pflege und Montage der Komponenten.
KI und Ausbildung
Die Steuerung mit künstlicher Intelligenz (KI) unterscheidet sich von herkömmlicher Bildverarbeitungssoftware, da sie sich nicht auf vorgegebene Regeln stützt. Stattdessen berechnet der KI-Algorithmus Variablen und bildet ein neuronales Netzwerk, das die Bildähnlichkeit für Kategorien wie konforme und nicht konforme Teile bewertet. Dieses Netzwerk bestimmt den Prozentsatz der Ähnlichkeit eines neuen Bildes mit bestimmten Kategorien.
KI geht über die analytische Bildinterpretation hinaus, indem sie selbständig Suchkriterien mit einer für den Menschen nicht direkt verständlichen Logik erstellt. Ihre Ergebnisse sind zwar äußerst vielseitig und leistungsfähig, aber nicht vollständig vorhersehbar, so dass eine sorgfältige Validierung vor Ort erforderlich ist.
Der KI-Schulungsprozess, für den ein gut ausgestatteter Computer und die erforderlichen Softwarelizenzen erforderlich sind, erfordert ebenfalls spezifisches Fachwissen.
Es ist von entscheidender Bedeutung, effektive und recheneffiziente Lösungen zu finden. Der KI-Prozess erfordert sowohl für die Trainings- als auch für die Validierungsphase erhebliche Rechenzeit. Um lange Ausfallzeiten der Sortieranlage zu vermeiden, wird das Training nicht an der Sortiermaschine durchgeführt.
Um den Benutzern die Arbeit zu erleichtern, bietet Dimac einen Remote-Trainingsdienst für neuronale Netze an.
Die Maschinensoftware enthält ein einfaches Verfahren, das die Bediener dabei unterstützt, ausreichend Bilder von konformen und fehlerhaften Proben zu erfassen. Dimac führt das Training als Dienstleistung durch, verfeinert und validiert es und installiert dann das trainierte neuronale Netz auf der Maschine.
Die Gewährleistung einer sicheren 100%-Kontrolle des auf dem Nietkopf angebrachten Schriftzeichens stellt eine Herausforderung dar, die mit herkömmlichen Techniken nicht gelöst werden kann. Neben der menschlichen Sichtprüfung ist die KI derzeit die einzige praktikable Lösung. Das menschliche Auge bleibt bei der Definition und Optimierung des KI-Workflows heute und möglicherweise auch in Zukunft unverzichtbar.
