Fehlerklassifizierung in Gussteilen mit Machine Learning bei BMW

Automatische Defekterkennung

Fehlerklassifizierung in Gussteilen mit Machine Learning bei BMW

BMW prüft seine Zylinderköpfe und Kurbelgehäuse mittels CT. Das Unternehmen trainierte die Lösung darauf, häufig auftretende Defekte in den unterschiedlichen Gussteilen mithilfe von Machine Learning sicher zu identifizieren und automatisch auszusortieren.

Bild 1 | Für das Training werden ca. 50 reale und im Idealfall als gut befundene Zylinderköpfe mit dem Zeiss VoluMax gescannt und dann alle Volumenmodelle für ein goldenes Teil übereinandergelegt. Die Software Automated Defect Detection klassifiziert aber nicht nur Merkmale, sondern auch geometrische Größen. (Bild: Carl Zeiss AG)

„Werkstücke ohne jeglichen Fehler gibt es nicht“, betont Dr. Torsten Sievers, Application Development bei Carl Zeiss Industrielle Messtechnik. Doch nicht jede Differenz vom CAD-Modell oder anderen festgelegten Soll- und Idealwerten ist gleich ein Problem. „Es kommt ganz darauf an, ob die detektierte Abweichung später zu einer Funktionsbeeinträchtigung führt oder nicht“, so Dr. Sievers weiter. Um diese Entscheidungsfindung zu optimieren, arbeitet BMW direkt in der Fertigungsumgebung mit Computertomographie (CT). Den Systemen wurde beigebracht, welche Defekte im Inneren der Gussteile ein Qualitätsproblem darstellen.

Vorteil: 3D-Volumenmodelle

Zwar gestatten auch 2D-Röntgensysteme die Detektion von Fehlern, doch kann deren Lage und Größe innerhalb des Werkstücks nicht präzise bestimmt werden. Um kein Risiko einzugehen, sortieren Unternehmen wie BMW daher „Teile eher großflächig aus“, wenn beispielsweise Poren, das sind Lufteinschlüsse im Metall, auf den Röntgenbildern sichtbar sind. CT dagegen ermöglichen eine sichere Identifizierung all jener Poren, die durch die weitere Bearbeitung offengelegt würden bzw. die Funktionsfähigkeit beeinträchtigen. 3D-Volumenmodelle gestatten damit eine fundierte Entscheidung, welche Bauteile weiterbearbeitet werden können und welche wieder eingeschmolzen werden müssen. Da zudem ein größeres Fehlerspektrum als mit Röntgenmessgeräten detektiert wird, sinkt auch die Rate an Schlupfteilen. Da die CT-Lösung Art und Lage der Fehler genau erkennt, können in Kombination mit der Qualitätsdatenmanagementsoftware Zeiss PiWeb zudem Rückschlüsse auf mögliche Ursachen – wie eine frühzeitige Abnutzung der Gussform oder weitere Einflussfaktoren während des Gießens – gezogen werden. Die Zeiss-Lösung hilft, „funktionsrelevante Fehlerquellen zu erkennen und damit Defekte zu vermeiden, bevor sie entstehen“, erläutert Sievers.

Seiten: 1 2 3Auf einer Seite lesen

Themen:

| Fachartikel

Ausgabe:

inVISION 5 2019
Carl Zeiss Industrielle Messtechnik GmbH

Das könnte Sie auch Interessieren