Computertomografie in der Produktion Qualitäts-Feedback in Echtzeit

Anbieter zum Thema

Heidrive GmbH

ELBCAMPUS Kompetenzzentrum

CAD+T Solutions GmbH

Zusätzlich zu den verschiedenen Methoden der Oberflächenabtastung setzen einige Automobilhersteller die Computertomografie (CT) ein, um das Innere komplexer Komponenten zu untersuchen und sicherzustellen, dass sie für die Montage geeignet sind. Scansysteme von Heitec und die Computertomografie-Analysesoftware von Hexagon verschaffen zum Beispiel einem großen deutschen Automobilhersteller wertvolle Einblicke in die Fertigung von EV-Motorgehäusen.  

Das Fließband hat sich in den mehr als 100 Jahren, seit Henry Ford 1913 in seiner Automobilfabrik in Michigan den Durchbruch bei der industriellen Zeit- und Bewegungssteuerung erzielte, bestens bewährt. Der Einsatz von Robotern (bei GM im Jahr 1962) neben den menschlichen Arbeitern hat die Effizienz weiter erhöht. Der Erfolg des Fließbands ist jedoch untrennbar mit der Qualität der Komponenten verbunden, die ihm von der Produktion zugeführt werden. Da die Komplexität moderner Fahrzeuge in den letzten Jahrzehnten drastisch zugenommen hat, insbesondere bei Elektrofahrzeugen, ist der Wert von Qualitätsprüfungen vor der Montage in wichtigen Phasen der aktiven Produktion immer deutlicher geworden. Zusätzlich zu den verschiedenen Methoden der Oberflächenabtastung setzen einige der führenden Automobilhersteller (wie auch andere in der Luft- und Raumfahrt, im Energiesektor und in der Elektronikbranche) die Computertomografie (CT) ein, um das Innere komplexer Komponenten zu untersuchen und sicherzustellen, dass sie für die Montage geeignet sind.

Computertomografie für die Prüfung komplexer Komponenten

CT-Scans sind jedoch teuer. Aber das ist es auch, wenn man erst feststellt, dass teure Bauteile defekt sind, nachdem ein Fahrzeug vom Band gelaufen ist. Die Zeit- und Ressourceneinsparungen, die erzielt werden, wenn wertvolle Automobilteile auf ihre Qualität geprüft werden, bevor sie in ein Fahrzeug eingebaut werden, können erheblich sein. Das hat der Automobilhersteller BMW herausgefunden - und scannt deshalb die Motorgehäuse jedes einzelnen seiner iX-Elektrofahrzeuge.

Im Gegensatz zu den anderen aktuellen Elektrofahrzeugen des Unternehmens basiert der iX auf einer unabhängigen Plattform. Er verwendet jedoch dieselbe Antriebseinheit (Motor, Wechselrichter, Getriebe), die als HEAT (Highly-Integrated Electric Drive Train) bezeichnet wird und die auch in den anderen BMW-Modellen zum Einsatz kommt. Die Sicherstellung der Konsistenz und Qualität dieses wertvollen Antriebsstrangs hat für den Automobilhersteller eindeutig Priorität.

Roboter, Scanner und Software -- am laufenden Band

In seinem Werk in Landshut setzt BMW eine Kombination aus Inline-Robotern, CT-Scannern und -Erkennung sowie Analyse- und Visualisierungssoftware ein, um das Gehäuse des HEAT-E-Motors während der laufenden Produktion zu prüfen. Das gesamte System wurde von Heitec, einem globalen Anbieter von technischen Lösungen für eine Vielzahl von Branchen, installiert und in die Produktionslinie integriert. Die Installation von Heitec ermöglicht einen kontinuierlichen Prozess, bei dem ein Roboter ein Aluminiumgehäuse aus der Produktionslinie entnimmt, es auf einer Plattform ablegt, die es in einen HeiDetect Inline CT-Scanner einführt, und dann auf die andere Seite des Scanners wechselt, um ein bereits gescanntes Bauteil zu entnehmen und es zurück in die Linie zu bringen. Jeder Scanvorgang dauert nur 50 Sekunden, hier ein Video des Prozesses: https://www.youtube.com/watch?v=0yjRk5o7ORg

Nach dem Scannen erstellt Heitecs firmeneigene Software schnell ein digitales Modell jedes Gehäuses aus den Computertomografie-Daten und überträgt das Modell dann zur schnellen Segmentierung und Analyse an die VGinLINE-Software von Hexagon. Die Ingenieure können das Modell auf dem Bildschirm betrachten und erhalten automatisch grafische und farbige Warnmeldungen, um auf signifikante Porosität, Risse, geometrische Unstimmigkeiten oder andere Produktions- oder Materialfehler hinzuweisen, die von den spezifischen Messanforderungen von BMW abweichen und die Qualität beeinträchtigen könnten.

Präzise Einblicke in die Produktion -- und schnell

„Die Herausforderung besteht darin, all dies innerhalb der Zykluszeit der Produktionslinie zu erledigen“, sagt Heitec-Mitbegründer Christian Abt. „Man muss alles beschleunigen, um innerhalb dieser Zeit zu bleiben - oder sogar einige Sekunden weniger als diese Zeit. Diese Art von fein abgestimmter industrieller Automatisierung ist für Heitec, das seit mehr als 26 Jahren weltweit zunehmend intelligente Fabriksysteme installiert, zur zweiten Natur geworden. Nach seinem Ingenieurstudium arbeitete Abt zunächst am Fraunhofer Institut in Deutschland („für einen jungen Ingenieur eine fantastische Spielwiese für Robotik“). Er verließ das Institut, um Heitec mitzugründen, als Roboter zu einer Massenware wurden, und beschloss, das Automatisierungsangebot seines jungen Unternehmens durch CT-Scanner zu erweitern. „Vor dieser Zeit wurde die CT hauptsächlich im Labor eingesetzt“, sagt er. „Wir sahen die Chance, diese Geräte in die reale Produktion einzubringen und die Jungs in den blauen Jacken in der Fabrikhalle mit unserer Röntgentechnik, unseren Robotern und unserem Wissen über Automatisierung zu unterstützen.“

Computertomografie in die Produktionslinie birgt Herausforderungen

„Fertigungsunternehmen, die sich jetzt an uns wenden, um ein Inline-CT zu erhalten, haben in der Regel alle anderen Möglichkeiten geprüft, aber keine andere Lösung gefunden, die das gewünschte Qualitätssicherungsniveau bietet“, sagt Abt. „Sie verlangen nach Lösungen, die für sie funktionieren.“

Heitec passt jede Installation an den jeweiligen Industriekunden an, richtet den/die Roboter und den/die CT-Scanner ein -- und muss dann die versprochenen schnellen Inspektionsergebnisse liefern. „Wenn Sie mit dem Einsatz von CT in der Industrie in der Vergangenheit vertraut sind, erinnern Sie sich vielleicht an stundenlanges Scannen und Gigabytes von Daten, die nach Fehlern durchsucht werden müssen“, sagt Abt. „Das ist hier in der Produktion nicht der Fall - es gibt keine Zeit für solche Verzögerungen.“

Das Geheimnis liegt im Scan -- und in der Software

Die Lösung für das Zeitproblem? Der Einsatz von industriellen CT-Scans mit geringerer Auflösung, die deutlich weniger Zeit für die Aufnahme eines Bildes benötigen, sowie die in den Scanner integrierte Software von Heitec, die diese „weniger schweren“ Informationen verarbeitet und die Volumendaten des Bauteils in ein 3D-Computermodell rekonstruiert. Diese Daten werden dann in eine ganzheitliche Analyse- und Visualisierungssoftware geladen, die das digitale Modell abfragt und dabei ausgefeilte Algorithmen und neuerdings auch Deep Learning einsetzt, um trotz der verrauschten Bilder mögliche Qualitätsprobleme zuverlässig zu erkennen, zu interpretieren und zu melden - und das in einem viel kürzeren Zeitfenster.

„Auf der Suche nach einer fortschrittlichen Datenverarbeitungssoftware, die die von unseren Kunden geforderten Messergebnisse liefern würde, sind wir auf VGSTUDIO MAX und VGinLINE von Hexagon gestoßen“, sagt Abt. „Wir hatten uns von einer für die Forschung entwickelten Software zu einer Situation entwickelt, in der die Industrie mehr standardisierte und vorqualifizierte digitale Werkzeuge verlangte. Jeder kannte die VG-Software; sie war und ist der Standard für Computertomografie-Software.

„Die komplette Infrastruktur von VGinLINE ist ein gebrauchsfertiges Softwarepaket, das es uns ermöglicht, unsere eigenen Module und Funktionen einfach zu integrieren, so dass wir anerkannte Standards mit Flexibilität kombinieren können. Wir geben einfach ein Volumen ein, und VG beginnt, es zu analysieren. Dieser Prozess ist auch leicht auf mehrere Computer zu parallelisieren, um die Dinge zu beschleunigen, falls die Zeit für die Analyse der Daten etwas länger ist als die Zeit zum Scannen des Teils.“

 Prozessautomatisierung und Machine Learning integriert

Die VG CT-Datenanalyse- und Visualisierungssoftware wurde über ein Vierteljahrhundert lang weiterentwickelt, wobei die Prozessautomatisierung und in jüngster Zeit auch Deep- und Machine-Learning zunehmend in das Angebot integriert wurden. Dr. Daniela Handl, General Manager für VG-Produkte bei Hexagon, erklärt: „Die riesigen Mengen an Design- und Konstruktionsdaten, die mit CT erfasst werden können, benötigen einen ganzheitlichen Ansatz, der mit robusten Berechnungsfunktionen gekoppelt ist, um den größten Nutzen zu erzielen. Die schnelle Bereitstellung von Ergebnissen ist entscheidend für Ingenieure, die in Echtzeit Einblicke in die Qualität der Produktionslinie erhalten wollen und wissen wollen, wie sich Schwankungen bei den Fertigungsparametern auf die Ergebnisse auswirken können.“

Der Schlüssel zur Bestimmung, welche Daten beim Scannen einer Komponente von Bedeutung sind, ist der Prozess der Segmentierung - die Extraktion von Regionen von Interesse (ROIs) aus den 3D-Bilddaten. Abrupte Diskontinuitäten in den Grauwerten der Voxel weisen typischerweise auf Kanten hin, die eine Region definieren. Durch die Aufteilung eines Scans in diskrete Regionen kann sich die Software schneller auf die Merkmale der Voxel in jedem Segment konzentrieren und diese katalogisieren. Die Segmentierung ermöglicht es also, nur die wichtigen Teile eines Datensatzes zu verarbeiten, was viel weniger Zeit in Anspruch nimmt.

Eigene Lösungen mit maschinellem Lernen anpassen

Aber wie bestimmt man, welche Segmente wichtig sind? Zumal bei einem CT-Scan mit geringerer Auflösung, der am Fließband aufgenommen wurde, die weniger scharfen Bildschichten schwieriger zu verstehen sein können. Hier kommen Deep- und Machine-Learning, Formen der künstlichen Intelligenz (KI), ins Spiel: Mithilfe trainierbarer Algorithmen lässt sich die KI dafür nutzen, verrauschte CT-Daten genauso genau zu verarbeiten und Entscheidungen zu treffen wie hochauflösende Daten. „Trainierbar“ ist hier das Schlüsselwort. Die Algorithmen vergleichen das, was sie sehen, mit einer bestehenden Datenbank aller bekannten identifizierbaren Defekte, die an die Produktgeometrien der einzelnen Hersteller angepasst wurden (hier kommt das „Training“ ins Spiel). Die Algorithmen „lernen“, spezifische Fertigungsfehler zu erkennen, indem sie die weniger scharfen Voxel interpretieren.

Mit der Zeit wird Deep Learning immer besser. Durch den Vergleich mit realen Produktdaten, für die die Lösung bekannt ist, lernt es, Muster und Merkmale zu erkennen und Abweichungen von der Norm zu benennen. Auf diese Weise kann sie hochpräzise Schnappschüsse davon liefern, was in einer bestimmten Produktionslinie aktiv geschieht, und so eine sichere Entscheidung darüber treffen, ob ein Teil angenommen oder abgelehnt werden soll. Dies wiederum gibt Aufschluss über Änderungen der Produktionsvariablen, deren Auswirkungen erfasst, zusammengestellt und statistisch untersucht werden können. EV-Batterien sind ein weiterer Bereich, in dem maschinelles Lernen auf diese Weise eingesetzt werden kann.
 Wie diese Art von KI-Methodik optimiert werden kann, erforscht BMW jetzt -- wie auch zukunftsorientierte Hersteller in anderen Branchen. In enger Zusammenarbeit mit Entwicklern wie Heitec und Hexagon und unter Wahrung der Geheimhaltungspflicht erstellen und pflegen diese Unternehmen ihre eigenen internen Datensätze, mit denen sie ihre eigenen Deep-Learning-Systeme trainieren können.„Es ist verständlich, dass das Training eines Deep-Learning-Systems mit den eigenen Daten einige Zeit in Anspruch nimmt“, sagt Handl. „Aber es zahlt sich aus, denn es spart sehr wertvolle Zeit und Ressourcen in der Produktion.“ Umsetzbare Einblicke in das, was in der eigenen Fabrik passiert, tragen zur weiteren Entwicklung der intelligenten Fertigung bei und ermöglichen es Unternehmen in vielen Branchen, Wege zur Qualitätsverbesserung zu finden und ihre Produkte wettbewerbsfähiger zu machen.

Weitere Informationen: https://www.youtube.com/watch?v=0yjRk5o7ORg

Fahrzeugentwicklung

No-Code-Umgebung für die Elektromobilität