Anzeige
Anzeige
Anzeige

Durchschaubarer

Expertenrunde ‘Inline-CT: Mythos oder Realität?’ – Teil 2/2

Auf der Control 2018 haben Experten von Aptiv, Fraunhofer IIS, Volume Graphics, Werth und Yxlon über die Möglichkeiten und Anforderungen der Inline-CT diskutiert. Im zweiten Teil der Expertenrunde geht es dieses Mal um Usability und Predictive Maintenance Ansätze.

Die Teilnehmer der Inline-CT Expertenrunde (v.l.n.r.): Lars Siefke (Yxlon International), Dr. Ralf Christoph, (Werth Messtechnik), Christian Kretzer (Fraunhofer IIS), Patrick Nikolajko (Aptiv), Dr. Sven Gondrom-Linke (Volume Graphics) und Dr.-Ing. Peter Ebert (Bild: TeDo Verlag GmbH)

Die Teilnehmer der Inline-CT Expertenrunde (v.l.n.r.): Lars Siefke (Yxlon International), Dr. Ralf Christoph, (Werth Messtechnik), Christian Kretzer (Fraunhofer IIS), Patrick Nikolajko (Aptiv), Dr. Sven Gondrom-Linke (Volume Graphics) und Dr.-Ing. Peter Ebert., (Bild: TeDo Verlag GmbH)

Welche Wünsche haben Sie an die Software?

Patrick Nikolajko (Aptiv): Bisher haben wir als Endergebnis einen PDF-Report bekommen. Das war aber für uns nicht mehr ausreichend. Wir wollen eine Entscheidung haben, ob ein Fehler vorliegt oder nicht. Dazu brauche ich ein dynamisches 3D-Bauteil, das ich drehen kann, um den Fehler zu erkennen. Wenn ich z.B. einen Stecker mit 40 Kammern und einen Kernbruch habe, bekam ich bisher nur ein 2D-Bild. Welche Kammer aber von dem Fehler betroffen ist, wusste niemand. Unser Wunsch war es ein Tool zu bekommen, bei dem ich Fehler visualisieren kann, bzw. von Fehler zu Fehler springe, um zu entscheiden, diesen Fehler akzeptiere ich und diesen nicht. Dieses Tool haben wir jetzt mit dem Inline Approver von Volume Graphics.

Was macht der Inline Approver genau?

Dr. Sven Gondrom-Linke (Volume Graphics): Das ist ein Software-Tool, mit dem Sie die Möglichkeit haben, Daten manuell nachzubewerten. Die meisten Inline-Anlagen sind Vollautomaten, d.h. sie treffen automatisiert Gut-/Schlecht-Entscheidungen. Wenn Sie ihren Produktionsprozess verstehen und notfalls auch gegensteuern wollen, bevor Sie Ausschuss produzieren, brauchen Sie aber die Möglichkeit, die Ergebnisse auch manuell anzuschauen, d.h. die Anlage ggf. zu überstimmen. In manchen Branchen ist eine manuelle Nachprüfung sogar vorgeschrieben.

Christian Kretzer (Fraunhofer IIS): Die Hardware ist vorhanden und hat ihre physikalischen Grenzen. Das entscheidende Kriterium, das man neu einbringen kann, ist das Element Software, bei dem noch sehr viel Potenzial vorhanden ist. Zum einen bei Auswertealgorithmen, die selbstlernend sind und automatisch entscheiden, was ein Pseudo- oder ein echter Fehler ist. Dies mit deutlich geringeren Rechenzeiten, z.B. für eine Datenvisualisierung, damit der Anwender die komplexen 3D-Volumen erfassen kann und so schnellere Entscheidungen möglich sind.

Dr. Ralf Christoph (Werth Messtechnik): Die Software ist ein Schwerpunkt der derzeitigen Entwicklungen, um z.B. Fehler im Werkstückvolumen visualisieren zu können. Zudem müssen die Maße korrekt und rückführbar ausgegeben werden, was bei einem konventionellen Koordinatenmessgerät selbstverständlich ist. Auch muss das Gerät leicht bedienbar sein. Verschieden qualifizierte Personen arbeiten an einem Gerät.

Lars Siefke (Yxlon): Die Usability ist natürlich entscheidend. Es ist wichtig, dass der Kunde selbst Prüfprogramme erstellen und auch verändern kann. Wo man auch derzeit daran arbeitet, sind die Rekonstruktionsalgorithmen. Wie kann ich mit weniger Projektionen die gleiche Bildqualität erzeugen? Damit ergäbe sich eine deutliche Reduktion der Scanzeit und damit eine Erhöhung des Anlagendurchsatzes.

„Wir wollen, dass die Software selbstständig erkennt, welches Bauteil ich habe und aus was für einer Kavität das Teil kommt, also eine direkte Fehlerzuordnung.“ Patrick Nikolajko, Aptiv (Bild: TeDo Verlag GmbH)

Anzeige

Empfehlungen der Redaktion

Das könnte Sie auch interessieren

The Omnitek DPU (Deep Learning Processing Unit) is a configurable IP core built from a suite of FPGA IP comprising the key components needed to construct inference engines suitable for running DNNs used for a wide range of Machine Learning applications, plus an SDK supporting the development of applications which integrate the DPU functionality.‣ weiterlesen

www.omnitek.tv

Anzeige

Moonvision automatisiert dank AI die Oberflächenerkennung unterschiedlichster Materialien. Was bislang über 50 Bilder erfordert hat, gelingt dem Wiener Startup mit nur elf Bildern. ‣ weiterlesen

www.moonvision.io

Anzeige

Preiswerte Einplatinencomputer haben ihr Bastler-Image längst abgelegt und werden bereits zur Maschinensteuerung eingesetzt. Im Rahmen einer Masterarbeit an der TH Deggendorf wurde nun ein kostengünstiges Smart-Kamera-System auf Basis eines Einplatinencomputers (Raspberry PI 3) als Labormuster entwickelt.‣ weiterlesen

www.th-deg.de

Anzeige

Der neuromorphe System-on-Chip-Baustein (NSoC) Akida ermöglicht erstmals eine gepulste neuronale Netzwerk-Architektur (SNN: Spiking Neural Network) in Serie.‣ weiterlesen

www.brainchipinc.com

Anzeige

Embedded Deep Learning soll künstliche Intelligenz von der Cloud in das Gerät oder die Maschine bringen. Der erste Schritt zur Verkleinerung einer Serverfarm besteht laut Imago darin, ein leistungsstarkes GPU-Board in einer kompakten VisionBox einzusetzen.‣ weiterlesen

www.imago-technologies.com

Die VisionCam ist eine frei unter Linux programmierbare, intelligente Kamera. Die hohen Datenraten werden durch den mit 1,5GHz getakteten Dual-ARM Cortex-A15-Prozessor verarbeitet.‣ weiterlesen

www.imago-technologies.com

Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige