Das Bauteil wurde bisher mit einer Kamera automatisiert auf Risse geprüft. Bei stabilen Prozessverhältnissen liegt die Erkennung eines Risses mittels Blob-Analyse bei über 99 Prozent. Probleme treten dabei aber hauptsächlich durch Pseudofehler auf. Vor allem eine sog. „Wölkchenbildung“ durch aufgeraute Oberflächen sowie Unstetigkeiten im Ölfilm aufgrund von Werkzeugabnutzung oder durch Späne werden durch diese Methode fälschlicherweise als Riss identifiziert. Die Zielstellung des Projektes bestand vor allem darin, eine nachhaltige und treffsichere Erkennung fehlerhafter Bauteile zu garantieren und Pseudofehler zu vermeiden.
BMW AG
> PoC zur Risserkennung unter Verwendung von Deep-Learning-Algorithmen
> Machine Learning-gestützte Leichtbauroboter
Die BMW Group ist mit ihren Marken BMW, MINI, Rolls-Royce und BMW Motorrad der weltweit führende Premium-Hersteller von Automobilen und Motorrädern und Anbieter von Premium-Finanz- und Mobilitätsdienstleistungen. Dabei beschäftigt das Unternehmen weltweit rund 125.000 Mitarbeiterinnen und Mitarbeiter.
PoC zur Risserkennung unter Verwendung von Deep-Learning-Algorithmen
Ausgangssituation
Lösung
Für die Risserkennung hat Robotron die RCV- Plattform (Realtime Computer Vision) bereitgestellt.
Wesentliche Erfolgsfaktoren für das Projekt waren dabei die Identifizierung der Risse mittels Objekterkennung sowie die Schaffung eines Ansatzes unter Verwendung von Deep-Learning-Methoden, der robust genug ist, Bilder mit Pseudofehlern (z. B. durch einen Span oder einen Öltropfen) nicht als Riss zu erkennen.
Im ersten Schritt wurde ein Objekterkennungsmodell trainiert, das auf verschiedene Fehlerklassen optimiert wurde. Dort kann zwischen Rissen, Partikelverschmutzung oder Öltropfen auf dem Einpressteil unterschieden werden.
Die RCV- Plattform kommuniziert mit dem Produktionsroboter und gibt an diesen nach der Erkennung für das jeweilige Pressteil ein IO- bzw. NIO-Signal heraus. Darüber hinaus wurde für das Projekt die Ansteuerung des Roboters dahingehend modifiziert, dass das als fehlerhaft erkannte Bauteil automatisiert aus dem Prozess entfernt und somit ein weiterer manueller Schritt eingespart wird.
Nutzen
Durch den Einsatz der RCV-Lösung konnte die Ausschussrate fehlerhafter Pressteile um den Faktor zehn von ca. zwei Prozent auf 0,2 Prozent verringert werden. Diese Reduzierung trägt wesentlich zur Verringerung einer manuellen Nachkontrolle bei. Die bei dem Einsatz der RCV-Lösung aufgetretenen Pseudofehler werden durch die komplexen Modelle zuverlässig identifiziert und in der Ausschuss-Ermittlung ignoriert. Zudem unterstützt die Erkennung von Pseudofehlern das Aufdecken von Anomalien in früheren Prozessschritten.