Ankerendprüfung – Qualitätsprüfungen mittels KI

Ausgangssituation

Bei der Herstellung von Ankern für Universalmotoren für Elektrowerkzeuge ist es unerlässlich, nach dem automatisierten Fertigungsprozess eine Qualitätsprüfung durchzuführen. Etwaige Beschädigungen und Fertigungsfehler sollen somit möglichst frühzeitig erkannt werden, bevor die Anker montiert werden. Die Qualitätskontrolle erfolgt aktuell durch visuelle Inspektion von geschulten Fachkräften, was einen erheblichen zeitlichen und finanziellen Aufwand darstellt.

Lösungsidee

Um den Aufwand für die manuelle Sichtkontrolle zu reduzieren, wird eine Automatisierung der Qualitätsprüfung angestrebt. Ein möglicher innovativer Ansatz liegt darin, durch Einsatz eines Kamerasystems die zu prüfenden Bereiche des Ankers zu erfassen und die Bilddaten basierend auf Künstlicher Intelligenz (KI) auf Beschädigungen und Produktionsmängel zu analysieren. Weil es viele mögliche Fertigungsfehler gibt, die erkannt werden müssen, bietet eine KI-basierte Lösung eine effiziente und zukunftsorientierte Alternative zur manuellen Sichtprüfung.

Nutzen

Eine Qualitätsprüfung mit KI trägt zu einer effektiven Nachkontrolle bei. Werden Defekte automatisiert und präzise identifiziert, können Qualitätsmängel und Nacharbeiten reduziert werden. Zudem verringert sich auch der Umfang der manuellen Sichtkontrolle durch Mitarbeiter. Somit können Personalaufwand und damit Produktionskosten gesenkt werden. Darüber hinaus bietet die KI-gestützte Kontrolle die Möglichkeit, bei ausreichender Datenverfügbarkeit auf die Erkennung zusätzlicher Fehlerarten trainiert zu werden. Dies kann den Qualitätsprüfungsprozess flexibler und effektiver machen.

Umsetzung der KI-Applikation

In einer ersten Untersuchung lag der Fokus auf der Erkennung von Oberflächenbeschädigungen auf dem Kollektorbereich des Ankers. Zur Verfügung standen Bildaufnahmen, die die gesamte Fläche des Kollektors zeigten. Diese wurden in einer ersten Vorverarbeitung in Bilder vereinzelt, die jeweils eine Kollektorlamelle zeigen. Bilder mit Beschädigungen wurden extrahiert und annotiert. Mit diesem Datensatz wurde ein KI-Modell zur Objektdetektion trainiert. Aufgrund der geringen Datenmenge wurde ein vortrainiertes Netz nach dem Transfer-Learning-Ansatz verwendet. Das Modell konnte die in den Testdaten vorkommenden Beschädigungen erkennen.

Testimonial

»Die im Rahmen des AI Explorer erzielten Ergebnisse sind insgesamt bereits sehr vielversprechend. Trotz der geringen Datenmenge konnten die Oberflächenfehler im Kollektorbereich zuverlässig erkannt werden. Dies macht Hoffnung auf eine erfolgreiche Umsetzung. Im nächsten Schritt sollen nun auf Basis einer größeren Datenmenge weitere Fehlerbilder untersucht werden.« - Malte Rothkopf