HOLO-KI – Bildverarbeitung mit selbstlernender Künstlicher Intelligenz

Logos_zusammen_transparent

Kurzprofil

Name: HoloKI

Beteiligte: scitis.io, Werner Gießler GmbH, Fraunhofer IPM

Projektdauer/Zeitraum: Januar – Dezember 2021

Kurzbeschreibung: Mithilfe einer selbstlernenden KI-basierten Bildverarbeitung können holografisch gemessene 3D-Daten ausgewertet werden und somit der Pseudoausschuss in der Produktion reduziert werden.

Herausforderung

Die Werner Gießler GmbH ist ein mittelständisches Unternehmen in der metallverarbeitenden Industrie. Das Unternehmen fertigt in hohen Stückzahlen komplexe Präzisionsdrehteile. Die Metallbearbeitung mit hohen Ausbringungsraten erfordert die Einzelprüfung jedes bearbeiteten Teils, da bereits wenige Mikrometer große Defekte oftmals kritisch sind. Sichtprüfung mithilfe von Mikroskopen oder Vergrößerungsgläsern ist auch heute noch meist die Lösung. Doch hierbei entstehen extrem hohe Kosten und es besteht Fehlerpotenzial, sodass hohe Pseudofehlerraten die Produktivität mindern und den CO2 – Ausstoß sowie den Ressourcenverbrauch erhöhen.

Die Firma Gießler verwendet seit 2016 ein hochsensibles optisches 3D-Inline-Messsystem – derzeit das schnellste und genaueste der Welt, entwickelt am Fraunhofer IPM. Dadurch konnte der Pseudoausschuss bereits von 30% auf 10% reduziert werden. Um die verbleibenden 10% Fehlausschußquote weiter zu reduzieren, ist eine zeitaufwendige manuelle Nachprüfung der vermeintlich schlecht bewerteten Metallteile notwendig. 

Lösung

Um diese Herausforderung zu lösen, wurde das bestehende holographische System durch eine KI-basierte Bauteilklassifikation erweitert. Ziel war es, die 10% Pseudoausschuss mit der KI direkt im Fertigungsprozess (Inline) als Solchen zu erkennen. Der Algoritmus von scitis.io untersucht dabei die Metadaten aus der Holografischen Messung auf typische Merkmale einer Fehlmessung. Die KI muss aufgrund von Chargenschwankungen und den damit möglichen Veränderungen der Pseudofehlermerkmale permanent trainiert werden. Da dies allerdings mittels manuellem Labeln von Bilddaten nicht möglich ist, wurde zusätzlich eine Strategie entwickelt, die eine automatisierte Klassifizierung ermöglicht. Durch eine erneute optische Vermessung von grenzwertigen Teilen, kann das System nun permanent neue eigene Trainingsdaten erzeugen, die eine stetige Verbesserung der Klassifizierung ermöglichen. 

Damit dies funktioniert, müssen die Bauteile bei einer Zweitvermessung eindeutig den Daten aus der Erstmessung zugeordnet werden. Dies geschieht durch eine markierungsfreie Identifikation namens Track & Trace Fingerprint, ebenfalls eine am Fraunhofer Institut entwickelte Technologie. 

Ergebnis

Mithilfe der KI können rund 98% der Pseudoausschüsse direkt als solche erkannt werden. Dadurch können fast 1 Millionen Bauteile pro Jahr mehr genutzt werden, die sonst als fälschlicherweise als Ausschuss deklariert würden. Die Nacharbeit wird um das 100-fache reduziert, was wiederum die Produktivität um 10% steigert. Außerdem können der Stromverbrauch sowie der CO2 Ausschuss deutlich verringert werden. 

HoloKI - Holograph

Track & Trace Fingerprint

Massenbauteile in der Produktionshistorie zurückzuverfolgen ist wichtig, da auch ein kleines Teil, wenn es einmal verbaut ist, die Funktionsfähigkeit und Langlebigkeit des Endprodukts verringern kann. Doch für kleine Bauteile sind Etiketten oder andere Markierungen zu teuer oder gar nicht erst realisierbar. Daher gibt es das sogenannte Track & Trace Verfahren, welches eine individuelle Wiedererkennung ermöglicht. Viele Bauteile haben eine mikroskopisch individuell ausgeprägte Oberflächenstruktur oder Farbtextur. Mithilfe einer Industriekamera kann ein definierter Bereich des Bauteils hochaufgelöst aufgenommen werden. Aus dieser Aufnahme, die spezifische Strukturen abbildet, wird eine Kennzahl errechnet und diese einer ID zugeordnet. Diese Daten werden mit weiteren Produktmerkmalen in einer Datenbank hinterlegt. Zur späteren Identifizierung wird der Vorgang wiederholt und in der Datenbank nach der passenden ID gesucht.