Automatisierte Systeme Schweißverbindungen in der Automobilindustrie – mit KI

Anbieter zum Thema

MVTec Software GmbH

Schneider Electric GmbH

PSI Software SE | Business Unit Discrete Manufacturing

becos gmbH

Industrielle Bildverarbeitung in Verbindung mit Künstlicher Intelligenz macht‘s möglich: Die Technologie prüft automatisiert Schweißverbindungen bei Rohkarossieren und identifiziert Anomalien. Der spanische Automatisierungsspezialist DGH hat eine solche Anwendung für die Automobilindustrie entwickelt. Diese verbessert die Konsistenz, Geschwindigkeit, Zuverlässigkeit und Genauigkeit des gesamten Inspektionsprozesses.

In der Automobilproduktion gelten hohe Qualitätsstandards. Dies trifft natürlich auch auf Schweißprozesse an der Rohkarosserie (Body in White) zu. Die Bedeutung der Stabilität der Karosserie ist selbsterklärend. Spannender ist die Frage, wie die hohe Qualität bei Schweißverbindungen sichergestellt werden kann – und zwar automatisiert und lückenlos. Die Herausforderung liegt nämlich darin, dass viele verschiedene Defekte auftreten können, welche die Qualität der Karosserie beeinträchtigen. So müssen beispielsweise Risse, unvollständige Schweißnähte und unregelmäßige Schweißmuster präzise identifiziert werden. Genau diese Herausforderung ging die DGH Group an. Das spanische Unternehmen, das seinen Hauptsitz in Valladolid hat und kürzlich in die GROUPE ADF integriert wurde, unterstützt eine Vielzahl von Industriesegmenten mit innovativen Produkten. 

Herausgekommen ist eine Inspektionsanlage, innerhalb derer automatisiert Bilder von Schweißverbindungen aufgenommen werden. Diese werden dann sofort von den KI-basierten Algorithmen von MVTec Halcon und der DGH-Bildverarbeitungssoftware überprüft. Die Software übermittelt die Ergebnisse – OK oder NOK – an die SPS. Diese steuert, wie dann entsprechend mit der Karosserie weiterverfahren wird. Halcon ist die Standardsoftware für die industrielle Bildverarbeitung (Machine Vision) aus dem Hause MVTec. Das Familienunternehmen mit Sitz in München entwickelt seit der Gründung im Jahr 1996 hardwareunabhängige Bildverarbeitungssoftware für industrielle Anwendungen und zählt zu Technologieführern in diesem Bereich – auch weil das Unternehmen verschiedene leistungsstarke Deep-Learning-Algorithmen bietet.

Deep Learning in der Produktion: Optische Inspektion von Schweißverbindungen

Deep Learning ist eine Spielart der Künstlichen Intelligenz. In der industriellen Bildverarbeitung ermöglicht Deep Learning die Umsetzung von immer mehr Anwendungen, auch solchen, die bislang nicht möglich waren. Darüber hinaus kann die Leistung bestehender Applikationen erheblich verbessert werden. Diese Entwicklungen machte sich auch die DGH Group zunutze. Im Auftrag eines großen französischen Automobilkonzerns entwickelte das Experten-Team der DGH Group die automatisierte Anlage zur Inspektion von Schweißverbindungen durch Metall-Inertgas-Schweißens (MIG-Schweißen). 

„Bislang wurde die Prüfung immer von langjährigen Mitarbeitern durchgeführt. Denn es ist nicht immer einfach zu erkennen, ob die Qualität der Schweißverbindung der unterschiedlichen Verfahren OK ist. Bei der Umsetzung der neuen Anlage haben wir daher die Erfahrung der Mitarbeiter einfließen lassen. Und zwar haben wir mit ihrem Wissen der zugrunde liegenden Deep-Learning-Netze trainiert. Die geforderten robusten Erkennungsraten sind nur durch den Einsatz von Deep Learning möglich“, erklärt Guillermo Martín, Innovation & Technology Director bei DGH. Das primäre Ziel bei der Umsetzung war es, einen sehr hohen Qualitätsstandard aller Schweißnähte zu erreichen. Daneben sollten durch die neue, autonome Qualitätsinspektion die grundsätzlichen Vorteile der Automatisierung zum Tragen kommen. Nämlich eine höhere Geschwindigkeit, Zuverlässigkeit, Genauigkeit sowie klare Konsistenz bei der Entscheidung – im Gegenteil zur Subjektivität der Entscheidung bei Menschen.

DGH gelingt saubere Prozessintegration der industriellen Bildverarbeitung

Die Umsetzung einer entsprechenden Anlage war mit einigen Herausforderungen verbunden. „Für uns war klar, dass wir das System auf Basis von Machine Vision umsetzen müssen. Sensoren oder klassische 2D-Vision-Systeme scheitern an der Komplexität der Schweißnähte. Die erste Herausforderung war es somit, eine tragfähige Lösung zu entwickeln und die verschiedenen Arten von Defekten sicher zu erkennen. Außerdem war es notwendig, und darin lag die zweite Herausforderung, das Wissen der erfahrenen Mitarbeiter in dieses System, eine Deep-Learning-Applikation, zu übertragen. Die dritte Herausforderung bestand schließlich darin, die Inspektionsprozesse in kurzer Zeit durchzuführen. Grund dafür sind die eng getakteten Zykluszeiten“, erklärt Martín.

Die nun umgesetzte Anlage bei dem französischem Automobilhersteller arbeitet wie folgt: Wenn eine Karosserie an der Kontrollstation ankommt, löst die SPS verschiedene Kontrollvorgänge aus. Wenn die Station einen Auslöser empfängt, nehmen die angebrachten 2D-Kameras einzeln oder nacheinander Fotos von den Schweißverbindungen auf und übertragen diese per GigE-Vision-Protokoll an die Machine-Vision-Software, wo diese verarbeitet werden. Geprüft wird, ob Anomalien rund um die Schweißnähte zu erkennen sind. Die Anlage ist in der Lage, unterschiedliche Schweißfugen, -nähte und -punkte, die in diversen Schweißverfahren entstanden sind, verlässlich zu prüfen.Im Anschluss werden die Daten an die SPS gesendet und die entsprechenden Ergebnisse auf einem Bildschirm visualisiert. Die von der DGH Group entwickelte Inspektionsanwendung wurde auf einem Industrie-PC entwickelt und das System überwacht kontinuierlich die Kommunikation mit der SPS der Fertigungsanlage sowie mit mehreren 2D-Kameras. Das Herzstück des Setups bildet die Machine-Vision-Software MVTec HALCON.