Firmen im Artikel
Automobilproduzenten stellen hohe Qualitätsanforderungen an die Fertigung ihrer Fahrzeuge. Dabei kommt der automatisierten Qualitätskontrolle eine immer größere Bedeutung zu. Fehler werden dabei durch Sensorsysteme erfasst, mit Hilfe einer Automatisierungseinheit ausgewertet und beispielsweise durch Roboter automatisch beseitigt.
Im Karosseriebau liegt dabei ein Fokus auf der Qualitätsprüfung der Schweißstellen. Abgesehen von der Kontrolle der Festigkeit der Verbindung ist die Entfernung von Schweißspritzern ein wichtiger Bestandteil der Inspektion, da die Kanten der Spritzer später gelegte Leitungen aufscheuern können. Zur Automatisierung der bislang manuellen Prüfung der Karossen entschied sich der Automobilhersteller für ein Konzept, in dem acht Kameras die Kontrolle vornehmen. Die detektierten Schweißspritzer werden danach von einem robotergeführten Rotationswerkzeug entfernt.
Erkennung der Schweißspritzer
Dafür ist aber eine zusätzliche Softwarelösung notwendig. Diese muss im ersten Schritt eine Helligkeitsregelung die Synchronisierung zwischen Kamera und Beleuchtung sicherstellen. Gibt es ein stabiles Bild, wird der Bildausschnitt auf Schweißspritzer inspiziert. Ist ein Schweißspritzer identifiziert, erfolgt auf Basis der Kamerastellung eine Umrechnung der Position in das Koordinatensystem des Roboters.
Im nächsten Schritt kann der Roboter an die entsprechende Stelle gesteuert werden, um den Spritzer mit seinem Rotationswerkzeug zu beheben. Zur Erkennung der Schweißspritzer hat sich der Automobilhersteller – wegen der unterschiedlichen Form, Größe und Position der Schweißspritzer – für eine Bildverarbeitung auf Basis von Machine-Learning-basierter Verfahren entschieden.
Zur Verwendung des ML-Verfahrens sind im ersten Schritt Bilder von Bauteilen mit und ohne Schweißspritzern zu erstellen. Die Schweißspritzer werden dann manuell im Bild identifiziert und formell beschrieben. Dies kann zum Beispiel durch die Koordinate auf dem Bild oder Begrenzungsrahmen um den Spritzer geschehen. Der Datensatz wird nun zum Modelltraining genutzt, die formelle Beschreibung zur Kontrolle der Erkennungsgenauigkeit einsetzt. Im Anschluss lässt sich das trainierte Modell auf aktuellen, ungesehenen Bildern testen.
Abgestimmtes Automatisierungskonzept
Um diese automatisierte Qualitätsprüfung in den Anlagen des Automobilproduzenten umzusetzen, bedarf es eines abgestimmten Automatisierungskonzepts. Dies umfasst die Anbindung und Spannungsversorgung der Kameras und Beleuchtung, die Verwendung einer prozessgebenden SPS zur Steuerung der Linie und der Roboter inklusive eines Melde- und Alarmsystems, die Ausführungseinheiten für die ML-Verfahren sowie eine Bedienstation zur Mensch-Maschine-Interaktion. Phoenix Contact hat den Automobilhersteller bei der Ausarbeitung des Konzepts sowie der Evaluierung einer passenden Hardware für die ML-Verfahren unterstützt.
Zur Automatisierung, Netzwerkankopplung und bei den Bedienstationen wurde auf bewährte Systeme des Blomberger Automatisierungsspezialisten zurückgegriffen. Für die Softwareauswahl zur Ausführung der ML-Verfahren stellte der Automobilproduzent mehrere vortrainierte Modelle zur Verfügung. Diese sind von Phoenix Contact in eine Laufzeitumgebung für maschinelles Lernen eingebunden und anschließend auf verschiedenen Industrie-PCs (IPC) des eigenen Portfolios getestet worden. Phoenix Contact hat im Projekt als Partner bei der Bewertung sowie dem Automatisierungs- und Netzwerkkonzept mit Hard- und Software sowie entsprechenden Services zur Seite gestanden.
Zusätzliche Optimierungspotenziale
Das ausgewählte Konzept integriert sich bestens in die aktuellen Anforderungen des Automobilherstellers. Außerdem lassen die Weiterentwicklungen der ML-Technologie in der Fabrikautomation zukünftig zusätzliche Optimierungspotenziale erkennen. Auf der Grundlage einer Container-Virtualisierung können Dienste der Automatisierung und Verbesserungen – wie die Durchführung des ML-Verfahrens – ebenfalls in der IT- oder Cloudumgebung umgesetzt werden.
Auf der Automatisierungsebene lässt sich die Modellausführung durch die Nutzung von GPU-unterstützenden Industrie-PCs deutlich beschleunigen. Mit Technologien wie Time-Sensitive Networking (TSN) können die bisher getrennten Netzwerke für die Automatisierungsprotokolle und die Kameranetzwerken zusammengefasst werden, was den Netzwerkaufwand erheblich reduziert
www.phoenixcontact.com/digitalfactory
