Wir sind dabei, ein neues System für die Inspektion von metallurgischen Defekten zu implementieren, welches einen Schritt weiter geht als das derzeitige System, das wir bereits mit künstlicher Vision haben. Wir sind bestrebt, dass 100 % der von uns gelieferten Teile die vom Kunden festgelegten Qualitätsanforderungen erfüllen. Unser Ziel ist eine fehlerfreie Qualität.

Deep Learning, als Teil des maschinellen Lernens, ist keine abstrakte Technologie. Es handelt sich um ein Instrument, welches uns hilft unsere industrielle Tätigkeit zu verbessern. Mit den richtigen Partnern erweist es sich als ein spannendes und realistisches Projekt. Wir werden eine Standardisierung der Prüfkriterien erreichen, und dies wird uns helfen, den Kundenservice zu verbessern und durch eine stärkere Automatisierung die Lieferzeiten für Teile zu verkürzen.

Machinelle Bildverarbeitung vs. Deep Learning

Laut der Automated Imaging Association (AIA) umfasst die maschinelle Bildverarbeitung alle industriellen und nicht-industriellen Anwendungen, bei denen eine Kombination aus Hardware und Software die Geräte bei der Ausführung ihrer Funktionen auf der Grundlage von Bilderfassung und -verarbeitung anleitet. 

Deep Learning ist eine Reihe von Algorithmen für maschinelles Lernen, die versuchen, hochgradige Abstraktionen in Daten zu modellieren, indem sie Rechnerarchitekturen verwenden, die mehrfache und iterative nichtlineare Transformationen von Daten in Matrix- oder Tensorform unterstützen. 

Wir verfügen wir seit langem über ein System zur Inspektion von Fehlern in Teilen mit künstlicher Vision auf der Grundlage von Messungen. Durch die Projektion eines mit einer Kamera aufgenommenen Schattens des Teils wurde die Toleranz gemessen und mit einem Muster verglichen. Im Vergleich dazu wurde anhand der Abweichung von diesem Muster festgestellt, ob ein Teil schlecht oder gut war.  

Derzeit unternehmen wir einen qualitativen Sprung bei der Einbeziehung neuer Industrie 4.0-Technologien, indem wir eine Anlage für künstliche Vision mit Deep Learning implementieren, die Oberflächenfehler mit einem fortschrittlichen Vergleichssystem und kontinuierlichem und autonomem Lernen erkennt. Es besteht aus zwei Kameras, die eine Reihe von Fotos des Teils aufnehmen, und einem Algorithmus, der diese Fotos mit anderen Standardfotos vergleicht, die wir zuvor in die Maschine mit den Fehlern eingegeben haben. 

Mit diesem Fortschritt bewegen wir uns von einem System, welches auf einer mathematischen Operation basiert, d. h. von der Messung und dem Vergleich mit einem Standard, zur Erkennung des Oberflächeneffekts mit einem fortschrittlicheren und komplexeren Kriterium. Die Maschine ist in der Lage zu unterscheiden, ob das Teil in Ordnung verwertbar ist oder nicht und welche Fehler es hat, und durch das Lernen kontinuierlich zu verbessern.

Projektphasen

Das Projekt besteht aus drei Phasen:

1. Inbetriebnahme
   Die Inbetriebnahme oder Schulung der Maschine erfolgt mit einem Fehlerkatalog. In unserem Fall haben wir mit 300 Fotos begonnen.
2. Training
   Die Maschine muss trainiert werden. Die Teile werden dem System übergeben und es führt die Prüfung selbst durch. Sobald es einen Fehler findet, der nicht im Katalog enthalten ist, werden diese neuen Fotos in die Datenbank aufgenommen, so dass das System kontinuierlich lernt.
3. Kontinuierliches Lernen
   Wenn die Maschine ein Teil findet, weiß diese nicht genau, ob es gut oder fehlerhaft ist. In der Maschinensoftware selbst kann der Bediener dies entscheiden oder festlegen.
   Und wenn die Maschine bereits in Betrieb ist, wenn etwas auftaucht, wenn ein Teil oder eine neue oder zweifelhafte Situation auftaucht, wird der Bediener oder der Qualitätstechniker definieren, ob das Teil in Ordnung ist oder nicht (ob es wiederherstellbar ist oder nicht) und die Maschine nimmt es in ihr System auf.

Deep Learning und menschliches Eingreifen: Die Bedeutung von Menschen und Partnern

Der menschliche Faktor ist bei diesem Projekt von zentraler Bedeutung. Die Schulung wird von technischen Mitarbeitern der Qualitätsabteilung von Ecrimesa durchgeführt. Ausgehend von einer Datenbank mit 200 Bildern analysieren die Techniker die von der Maschine verarbeiteten Bilder über einen Zeitraum von einem Monat. Sollten Fehler gefunden werden, die das System nicht erkannt hat, wird dieser Mangel in den Katalog aufgenommen.  

Dieses Projekt wurde von Guillermo Alonso und Emilio Álvarez, Qualitätsmanager bei Ecrimesa, zusammen mit BSP Systems und Siali geleitet.  

BSP Systems ist ein führender Anbieter von Industrieautomation und hat Kunden in ganz Spanien und in Ländern wie Deutschland, Ungarn, Rumänien, Russland, China und Mexiko. Siali ist ein Start-up-Unternehmen, welches eine Software für künstliche Vision und ein Lernsystem entwickelt hat und mit dem CaixaBank Emprendedor XXI Award ausgezeichnet wurde.

Wie können wir die Einhaltung der metallurgischen Qualität verbessern?

Die Implementierung neuer Technologien in Ecrimesa ist immer auf eine spürbare Verbesserung für unsere Kunden ausgerichtet. Das künstliche Bildverarbeitungssystem mit Deep Learning für die Inspektion von metallurgischen Teilen bedeutet: keine Fehler.

Einheitliche Qualität

Mit diesem neuen System stellen wir sicher, dass die Prüfkriterien immer die gleichen bleiben und der Qualitätsstandard ausnahmslos eingehalten wird. Außerdem werden die Schlüsselindikatoren nicht von der Entscheidung eines Qualitätsbeauftragten abhängen, sondern automatisiert sein, so dass wir garantieren können, dass 100% der Teile den vom Kunden festgelegten Qualitätsanforderungen entsprechen. 

Verkürzte Inspektionszykluszeit

Wir gehen von den derzeitigen 16 Stunden pro Zyklus auf eine Person alle 40 Minuten über, welche 5 Minuten benötigt um die Maschine mit neuen Teilen zu bestücken. Dies wird eine erhebliche Produktivitätsverbesserung bedeuten.

Verbesserte Kundenbetreuung

Durch die Standardisierung der Prüfkriterien wird sichergestellt, dass alle gelieferten Teile den Qualitätsanforderungen des Kunden entsprechen. Die Automatisierung verkürzt die Durchlaufzeiten.