Xactools setzt KI ein, um die Inspektion von Wendeschneidplatten zu verbessern. Ihr automatisiertes System für den skandinavischen Hersteller Seco gewährleistet eine Null-Fehler-Produktion, indem es wöchentlich 2.800 Produktvarianten oder 1,2 Millionen Wendeschneidplatten mit einer Genauigkeit von über 99 Prozent prüft.

Wendeschneidplatten sind austauschbare Schneidwerkzeuge, die in verschiedenen industriellen Anwendungen, insbesondere in der Metallbearbeitung, unverzichtbar sind. Sie dienen als Schneidstoffträger zum Zerspanen von Metallen, Kunststoffen oder Holz. Ihre Herstellung erfordert hochpräzise Fertigungsverfahren, damit eine exakte Geometrie und einwandfreie Oberflächenbeschaffenheit gewährleistet ist. Selbst minimale Abweichungen beeinträchtigen die Lebensdauer und Leistung der Schneidplatte. Auch für das menschliche Auge unsichtbare Mängel können immense Schäden verursachen, beispielsweise beim Fräsen oder Schneiden hochwertiger Bauteile – Folgekosten inklusive. Um sicherzustellen, dass nur fehlerfreie Wendeschneidplatten den Produktionsprozess verlassen und den hohen Anforderungen in Bezug auf Haltbarkeit und Zuverlässigkeit gerecht werden, ist eine sorgfältige Qualitätskontrolle unabdingbar.

Wie künstliche Intelligenz dabei visueller Inspektion zu Quantensprüngen verhelfen kann, beweist ein Leuchtturmprojekt des Automations- und Messtechnikspezialisten Xactools aus Baden-Württemberg. Für Seco, einem der weltweit führenden Anbieter von Zerspanungslösungen und international agierender Hersteller von Wendeschneidplatten mit Sitz in Fagersta, Schweden, hat der schwäbische Mittelständler ein vollautomatisches Handlings- und Inspektionssystem entwickelt, in dem die Lösung Denknet für KI-basierte Bildauswertung eine entscheidende Rolle spielt und neue Maßstäbe in Bezug auf Leistung, Null-Fehler-Produktion und Geschwindigkeit setzt.

Wesentliche Faktoren für die erfolgreiche Umsetzung eines solchen Projekts sind die enge Zusammenarbeit aller Beteiligten, deren fachliche Kompetenz und das hohe Engagement des Teams. Eine zentrale Rolle spielte dabei ­Martin Tobias Lithner (IIoT-Verantwortlicher und Data Scientist bei Seco), der gemeinsam mit Kyle Paulus (Sintering Engineer bei Seco) das Projekt von der Konzeptionsphase an kontinuierlich ­vorantrieb.

Die Prüfaufgabe: 1,2 Millionen ­Wendeschneidplatten pro Woche

Rund 1,2 Millionen Wendeschneidplatten verlassen pro Woche die Produktionshallen der Skandinavier, die beispielsweise in der Metallverarbeitung, der Automobilindustrie oder der Luft- und Raumfahrtindustrie Prozesssicherheit und Produktivität gewährleisten müssen.

Die Herstellung erfolgt im Sinterverfahren, bei dem pulverförmige Metalle, Hartmetalle und andere Materialien in die jeweils gewünschte Form gepresst und dann unter Hitze und Druck miteinander verbunden werden. Die so erzeugte feste und robuste Struktur ermöglicht es, Materialien mit unterschiedlichen Eigenschaften zu kombinieren, um die gewünschten Schneid- und Verschleißfestigkeitseigenschaften zu erreichen. Nach dem Sinterprozess werden die Kanten der Wendeschneidplatten verrundet und geschliffen, ihre Oberflächen gestrahlt, geschliffen und beschichtet.
Das Robotvision-System der schwäbischen Ingenieure kommt dabei nach dem zweiten Herstellungsschritt, dem Sinterprozess, zum Einsatz. „Je eher im Prozess Defekte erkannt werden, desto besser und günstiger ist die Behebung“, begründet Marvin Krebs, Geschäftsführer bei Xactools, die Position des Systems. Für das Handling und die Defektinspektion der Wendeschneidplatten kommen acht hochauflösende Industriekameras und zwei Spider-Roboter zum Einsatz, die drei Rundtischnester und final je eine Pin-Palette im Blick haben und bestücken. Das Herzstück des komplexen Bildverarbeitungssystems zwischen Kameras, Robotern und einem Multi-GPU Computing Rack bildet die KI von Denknet. 

Anforderungen an das Prüfsystem: 2.800 Produktvarianten

So vielseitig die Einsatzgebiete der kleinen Werkzeugteile sind, so variantenreich sind ihre Beschaffenheit und Geometrien. Rund 2.800 Produkte hat allein dieser Hersteller im Portfolio, die sich in fast hundert Geometriefamilien aufteilen lassen. Für all diese galt es, das Handling und die Defektinspektion zu automatisieren. „Die erste Herausforderung resultiert aus den zahlreichen Farbvariationen innerhalb des Pulvers pro Pressvorgang“, erklärt Krebs. „Wenn gewisse Parameter wie Zeit, Druck oder Positionierung variieren, führt dies zu Farb- oder Glanzgradabweichungen oder auch zu einer anderen Verteilung von sogenannten Speckles auf der Oberfläche, was aber kein Defekt ist.“ Die eingesetzte KI-basierte Bildauswertungs-Software musste so trainiert werden, dass sie die zahlreichen möglichen Farbabweichungen der Oberflächen richtig erkennt und als „In Ordnung“ bewertet. Andererseits müssen kleinste Unregelmäßigkeiten wie Risse, Kratzer, Einschlüsse oder andere Anomalien als solche erkannt und als „Nicht In Ordnung“ klassifiziert werden. Dabei gilt die Prüfung von Metalloberflächen als eine der höchsten Künste der Oberflächeninspektion, da ihre Beschaffenheit matt, glänzend oder sogar spiegelnd sein kann. „Die KI musste für diese Anwendung extrem auf Variationen und Lichtverhältnisse geteacht werden“, betont Krebs.

Doch neben der optischen Erscheinung geht es auch um die Wendeplattengeometrie. Kategorien wie Dreieck, Rechteck, Raute oder Quadrat finden sich durch kleinste Abweichungen in unzähligen Varianten wieder und werden daher in händelbare Unterkategorien, sogenannte Geometriefamilien, eingeteilt. Für das Training der Netze traf Xactools die Vorauswahl, fast hundert Geometriefamilien wurden definiert und anschließend vom Hersteller selber eingelernt. Was nach einem mühsamen Unterfangen klingt, war erstaunlich schnell erledigt.

„Pro Geometriefamilie wurden nicht mehr als 20 bis 30 Bilder zum Einlernen gebraucht“, erinnert sich Marvin Krebs. Die hierfür genutzte Denknet-Palettierungs-KI verwendet das Denknet-Segmentierungs- und Klassifizierungsnetzwerk. Der Anwender selbst trainierte die individuelle Bildanalyselösung mit dem Denk Vision AI Hub. In wenigen Monaten konnte die KI in die Fertigungslinie integriert werden und erzielte von Anfang an nahezu perfekte Ergebnisse für die zu prüfenden Metallkomponenten. „Als fehlerhaft erkannte Wendeschneidplatten werden entsprechend der Größe und Lage des Mangels aussortiert und gruppiert. Die KI-Bildanalyse erkennt dabei 99 Prozent der Fertigungsfehler“, betont Daniel Routschka, Sales Manager Artificial Intelligence von IDS Imaging Development Systems. 

Doch wie genau funktioniert das System?

Acht Kameras mit einer Auflösung zwischen 5 und 30 Megapixeln liefern Livebilder der Wendeschneidplatten, die jeweils von Magnet- oder Wechselgreifern in Position gebracht werden. So erfasst beispielsweise je eine Kamera die einzelnen Wendeschneidplatten von unten und von oben, um sie auf Defekte der Oberfläche zu kontrollieren. Zwei weitere Kameras kontrollieren deren Schneidkante. Ein Beleuchtungsschirm im Format 1 x 1 Meter sorgt für eine optimale Ausleuchtung an den Palettierungen. „Das System erkennt Defekte im Tausendstel-Millimeter-Bereich“, betont Krebs. Das gewährleistet, dass an den später zu bearbeitenden Highend-Oberflächen kein Schaden entsteht. Denn „ungleichmäßige und fehlerhafte Fräsprozesse können möglicherweise die Rentabilität und Wettbewerbsfähigkeit beeinträchtigen“, weiß auch Lither, Data Scientist bei Seco. 

„Der Hauptvorteil dieser Lösung ist die Fähigkeit, auch sehr kleine Fehler und Un­regel­mäßigkeiten in einem frühen Stadium des Prozesses zu erkennen. Im Gegensatz zu Menschen leidet die KI nicht unter Ermüdung oder Inkonsistenz, sobald sie einmal trainiert wurde. Dadurch wird sichergestellt, dass unsere Wendeschneidplatten jedes Mal nach dem gleichen hohen Standard geprüft werden.“ Dies befähigt Seco, einen höheren Qualitätsstandard zu erreichen, die betriebliche Effizienz zu steigern und beträchtliche Kosteneinsparungen zu realisieren. „Im Kern haben wir die Fähigkeit entwickelt, Innovationszyklen zu verkürzen, wodurch wir in der Lage sind, schneller verbesserte Produkte auf den Markt zu bringen und so einen Vorsprung gegenüber der Konkurrenz zu erzielen“, unterstreicht Lithner.

Das System sieht genau, wo und in welcher Drehlage die Wendeschneidplatte liegt, damit der Magnetgreifer sie final auf Pin-Paletten setzen kann. Um dies zu gewährleisten, fährt der Greifer, an dem die Wende­schneidplatte haftet, über eine Kamera, die von unten die exakte Lage der Bohrung erkennt. Gleichzeitig werden die Kontur der Platte und der Außenrand des Greifers erfasst, um gegebenenfalls die Position der Wendeschneidplatte zu korrigieren und den Pin zu treffen. Darüber hinaus wird jede einzelne Pin-Position detektiert, um auch verbogene und abgebrochene Pins zu erkennen, damit auf diese gar nicht erst palettiert wird.

„Die Anlage läuft seit sechs Monaten. Inzwischen erkennt die selbstlernende, globale KI Teile, die sie vorher noch nie gesehen hat. Schon nach drei bis vier Monaten musste zur Inspektion neuer Varianten von Wendeschneidplatten nicht mehr nachtrainiert werden. Für die KI ist nicht mehr relevant, welche Geometrie darunterliegt, sie kennt die Kontur und kann auch bei neuen Teilen zwischen IO und NIO unterscheiden“, erläutert Marvin Krebs. 

High Performance KI-Bildanalyse mit 99-prozentiger Picking-Effizienz

Der Mehrwert des Denknet Systems im Vergleich zu herkömmlicher Bildverarbeitung liegt für Krebs auf der Hand: „Ohne KI wäre das Anlegen der Teilefamilien und Defekterkennung undenkbar. Mit regelbasierter Bildverarbeitung würde der Roboter auch Teile innerhalb des Normbereiches als NIO erkennen und aussortieren.“ Darüber hinaus ist durch den Vision AI Hub kein Hardcoding notwendig. Die Flexibilität der Netze war ein weiteres Auswahlkriterium für die Denknet-Software. „Wir konnten die Palettierungs-KI und mehrere Objektklassen für Defekte problemlos über eine API in unsere eigene Xactools Bildverarbeitungs-Software einbetten“, so Krebs.

Der gesamte Inspektionsprozess geschieht in einer Taktzeit von vier Sekunden, mit nahezu hundertprozentiger Picking-Effizienz. Für die Bildauswertung von Livebildern aus acht Kameras über eine DLL (Dynamic Link Library) ist eine enorme Rechenleistung erforderlich. 

Momentan werden weitere Variationen getestet, zum Beispiel um die Bohrungserkennung weiter zu vereinfachen.  

Ausblick

Die äußerst variantenreichen Oberflächen und Geometrien sowie Intoleranzen im Tausendstel-Millimeter-Bereich machen die visuelle Inspektion von Wendeschneidplatten zur Königsdisziplin, die sich auf viele weitere anspruchsvolle Anwendungen übertragen lässt. Die selbsterklärende Trainingsumgebung von Denknet dient dabei als unvergleichlich einfaches und zugleich performantes Tool, denn sie ist ohne Programmierkenntnisse bedienbar und ermöglicht mit wenigen Klicks das automatisierte Training der KI. Dafür stehen unterschiedlichste Technologien im Bereich Vision AI zur Verfügung. „Diese Lösung kann an jeden Anwendungsfall angepasst werden und es gibt keine Limits – egal wie viele „Klassen“, welche Kameratechnologie, wie groß oder klein die Bilder oder gar wie gemischt Datensätze in beispielsweise Auflösung und Art“, ergänzt Daniel Routschka, Sales Manager Artificial Intelligence bei IDS. 
„Über 95 Prozent unserer Mess- und Prüfanlagen haben mindestens eine KI-Objektklasse integriert. Die möglichen Anwendungsbereiche werden für uns immer größer, der Markt wächst“, bestätigt Krebs.