Manz ist ein weltweit tätiges Hightech-Maschinenbauunternehmen mit Hauptsitz in Reutlingen. Ein Produkt-Highlight ist das Battery-Laser-System BLS 500, eine flexible, modulare Plattform für verschiedene Laserverfahren, um Lithium-Ionen-Batterien zu fertigen. Im Rahmen der automatisierten Herstellung von Batterieblöcken werden dazu die einzelnen Zellen mit den Verbindungs­blechen unter Beachtung der Plus- und Minuspole hochgenau verschweißt. Ein in Elektrofahrzeugen eingesetztes Batteriemodul beispielsweise enthält 90 dieser Zellen. Diese haben insgesamt 540 Schweißpunkte mit einer Größe von jeweils einem Millimeter. Diese müssen sicher und stabil verschweißt werden.
Manz forscht seit einiger Zeit an Inline-Inspektionssystemen für eine 100-Prozent-Kontrolle dieses Schweißprozesses. Ziel ist es, den Anwendern eine preiswerte Lösung anzubieten, die eine gleichbleibend hohe Qualität der Schweißung ermöglicht. Das Unternehmen setzt hierfür eine Machine-Vision-Lösung ein. Mit der Standard-Software Halcon von MVTec kann Manz die Inspek­tion der Schweißprozesse in der Laseranlage BLS 500 optimieren und automatisieren. Die Software enthält moderne Deep-Learning-Features auf Basis Künstlicher Intelligenz (KI).

Hohe Defekterkennungs­quoten in der Praxis

Um die Praxistauglichkeit der Software zu validieren, führten die Experten bei Manz umfassende Testreihen durch. Dabei verglichen sie die Defekterkennungsquoten von Halcon mit denen einer gängigen, kostenfreien und quelloffenen KI-Lösung. Das Hauptaugenmerk lag auf der Klassifikation und Identifikation einer häufigen Fehlerquelle im Laserschweißverfahren: Beim sogenannten Defokus ist der Brennpunkt des Lasers an seiner dünnsten Stelle durch Schwankungen des Bauteils nicht richtig positioniert.
Im ersten Test mit der Deep-Learning-basierten Klassifikation in Halcon klassifizierte die Software den Defokus-Fehler zu 100 Prozent richtig. Dabei basierte das Training auf 430 Bildern. Im Vergleich dazu lieferte die Open-Source-Software ein signifikant schlechteres Ergebnis: So klassifizierte diese in etwa 10 Prozent der Bilder fehlerfreie Teile als defektbehaftet. Dies hätte in einer realen Produktionsumgebung unerwünschte Auswirkungen: Tadellose Produkte würden so als Ausschuss aussortiert, was zu unnötigen Kosten führt.
Auch in der folgenden Testreihe erzielte Halcon ein passables Ergebnis: Geprüft wurden Stecker für die Stromzuführung der Batterien in Pkw. Mit der Deep-Learning-Technologie „Anomaly Detection“ identifizierte die Software anhand von 50 Trainingsbildern alle fehlerhaften Teile richtig. Lediglich in rund zwei Prozent der fehlerfreien Bauteile erkannte das System fälschlicherweise einen Defekt. Ein unbrauchbares Ergebnis hingegen lieferte in dem Test die Open-Source-Software. Sie hat mehr als ein Drittel der fehlerhaften Komponenten als defektfrei qualifiziert.

Gute Resultate mit wenigen Trainingsbildern

Manz kann mit Halcon die Deep-Learning-basierte Fehlerinspektion beim Laserschweißen effizient automatisieren und dabei mit vergleichsweise wenigen Trainingsbildern sehr gute Resultate erzielen. Zudem lässt sich durch die Integration von vortrainierten, neuronalen Netzen der Aufwand für die Fehlererkennung reduzieren und der gesamte Prozess beschleunigen, was eine kürzere Produkteinführungszeit ermöglicht.
Die Deep-Learning-Technologien der Machine-Vision-Standard-Software ermöglichen in Zukunft eine 100-Prozent-Qualitätskontrolle der lasergestützten Produktionsprozesse im modularen Lasersystem BLS 500. So lassen sich Fehler zuverlässig erkennen, was die Qualität der Batterie-Herstellung langfristig sichert.

Autoren
Mario Bohnacker, Technical Product Manager Halcon bei MVTec
Bernd Sattler, Abteilungsleiter Bildverarbeitung/Mechatronik/Messtechnik bei Manz