Ausgangssituation
Die InfraTec GmbH (ca. 230 Beschäftigte) ist seit mehr als 25 Jahren auf die Infrarotmesstechnik, berührungslose Temperaturmessung und Thermografie spezialisiert. Der Mittelständler liefert Systeme zur Qualitätsüberwachung beim sogenannten Warmumformen in der Metallverarbeitung, etwa für Prüfprozesse mittels Wärmebildkameras in der Automobilproduktion. Bislang erfolgt die Parametrierung eines solchen Systems vorwiegend manuell oder teilautomatisch.
Problemstellung
Um diesen Prozess für den Kunden weiter zu automatisieren und zu beschleunigen, wurden ML-Algorithmen eingesetzt. Ziel war die Erkennung von korrekt und falsch positionierten Bauteilen im Umformungsverfahren in der Produktion, etwa um die hohen Qualitätsanforderungen im Automobilbau zu erfüllen und teure Maschinen- und Werkzeugschäden durch falsche Positionierung der Bauteile beim Presshärten zu vermeiden.
KI-basierte Lösung
Mittels Bilddatenanalyse wurde geprüft, ob Thermografie-Anwendungen zukünftig durch Nutzung von Datenanalyse und Methoden der KI besser parametrierbar gestaltet werden und somit korrekt und inkorrekt positionierte Bauteile identifiziert werden können. Dazu werden vorhandene Bilddaten des Unternehmens entsprechend vorverarbeitet, relevante Eigenschaften identifiziert sowie auf ausgewählte Algorithmen des Maschinellen Lernens angewendet. Anschließend wurde geprüft, ob daraus Parametriervorschläge für Kameras und Prozesse abgeleitet werden können, um diese Aufgabe schrittweise weiter zu automatisieren. Das KI-basierte Lösungskonzept wurde im Rahmen eines gemeinsamen Projekts, des Mittelstand 4.0-Kompetenzzentrums Chemnitz, mit dem Partner Fraunhofer IWU, umgesetzt.
Umsetzung
In einem ersten Schritt konnten mithilfe thermografischer Aufnahmen Positionen sehr einfacher Bauteilgeometrien (z. B. Kanten und Linien) identifiziert werden: In einem Testdatensatz wurden Bilder von Bauteilen bereitgestellt, deren Positionierung in den Maschinen bereits als korrekt oder inkorrekt eingestuft wurde. Diese Bilder dienten dem Training von robusten Algorithmen, um die Lage von weiteren Bauteilen durch Bildverarbeitungsalgorithmen automatisiert zu erkennen. Die begrenzte Anzahl an Bildern mit inkorrekt positionierten Bauteilen stellte ein Hindernis für eine zuverlässige Erkennung dar, da die Datenbasis für das Training entsprechender Algorithmen sehr gering ist. Mithilfe neuronaler Netze konnten dennoch für komplexere Bauteile gute Ergebnisse erzielt werden. Bauteile unterschiedlicher Komplexität konnten so mit verschiedenen Algorithmen jeweils mit einer Genauigkeit von über 90 Prozent korrekt eingeordnet werden. Daraus konnte abgeleitet werden, ob die Positionierung der Bauteile im Fertigungsprozess korrekt erfolgt ist. Ebenso sollen aus den Bilddaten bestmöglich und automatisiert qualitätsbeschreibende Bauteileigenschaften gewonnen werden. Zudem konnten verschiedene Methoden getestet werden, die auch ohne Bilder mit inkorrekt positionierten Bauteilen funktionieren. Hintergrund ist der hohe Aufwand, die Bilder manuell einzuordnen.
Wertschöpfung
Die im Rahmen des Umsetzungsprojekts erlangten Erkenntnisse konnten dem Unternehmen neue Impulse für die interne Produktqualifikation liefern und zur weiteren Automatisierung von Prüfprozessen mittels Wärmebildkameras beitragen.
Quelle: Prüfprozesse mit Wärmebildtechnik