Der große Vorteil mancher Verfahren der additiven Fertigung ist es, Bauteile aus mehreren Produktionsaufträgen gleichzeitig herstellen zu können. Nach dem Fertigungsprozess befinden sich diese allerdings meist ungeordnet im Bauraum und mussten jeher manuell gesäubert, identifiziert und den jeweiligen Aufträgen erneut zugeordnet ­werden. Ein Blomberger Unternehmen hat diesen Prozessschritt nun automatisiert: Die Kombination aus Bildver­arbeitung und Machine Learning verringert den Sortieraufwand erheblich.

Gegenüber herkömmlichen Produktionsverfahren hat die additive Fertigung verschiedene Vorteile: So sind die Fertigungskosten eines Bauteils weitestgehend unabhängig von der herzustellenden Stückzahl. Da zudem keine produktspezifischen Werkzeuge oder Formen nötig sind, lassen sich auch Einzelstücke günstig herstellen. Aufgrund der geringen fertigungstechnischen Einschränkungen ergeben sich des Weiteren hohe gestalterische Freiheitsgrade, etwa Hinterschnitte oder innenliegende Strukturen. Daher eignet sich die additive Fertigung bestens für Sonderanfertigungen oder Prototypen. Private und industrielle Nutzer können folglich nahezu jede kreative Idee umsetzen.

Vollständige Automatisierung der Prozesskette

Um die Zeit von der Idee eines Bauteils bis zu seiner Auslieferung an den Nutzer zu verringern, hat Protiq bereits große Teile der Prozesskette automatisiert. Die weitere Optimierung beginnt bei der auf dem CAD-Modell basierenden Kalkulation der Produktionskosten und umfasst weitere Schritte der digitalen Vor- sowie der maschinellen Nachbearbeitung der Bauteile. In diesem Kontext hat das Unternehmen die Bauteilsortierung nach dem Lasersintern genauer beleuchtet.

Das selektive Lasersintern (SLS) ist die am häufigsten angewendete Methode zur additiven Fertigung von Kunststoffbauteilen in der industriellen Produktion. In einem Bauraum wird hier Schicht für Schicht Kunststoff­pulver aufgetragen und durch einen Laser dort aufgeschmolzen, wo das Bauteil respektive die Bauteile entstehen sollen. Das Material härtet direkt nach dem Aufschmelzen wieder aus. Durch das schichtweise Auftragen des Pulvers bildet sich Stück für Stück ein dreidimensionaler Korpus aus. Beim SLS kann der Anwender in einem Bauraum nicht nur ein Bauteil, sondern eine beliebige Anzahl unterschiedlicher Bauteile herstellen, die dreidimensional im Bauraum verteilt sind. Auf diese Weise wird der verfügbare Raum optimal ausgenutzt und die Bauzeit pro Teil wesentlich verkürzt. Dieser Ansatz führt jedoch dazu, dass die gemeinsam gefertigten Bauteile nach der Herstellungsphase wieder vereinzelt und sortiert werden müssen. Diese manuelle Tätigkeit erfordert einen hohen Zeitaufwand. Um dies zu vereinfachen, setzt das Unternehmen daher auf die Methoden der Automatisierungstechnik.

Knackpunkt: die Unterscheidung von Objekten

Als Beispiel für die Nutzung des sogenannten maschinellen Sehens (Machine Vision) in der Serienfertigung seien der Transport und die Sortierung von Gütern auf Fließbändern genannt. Der Einsatz moderner Kamera­technik ermöglicht das automatische Identifizieren von Objekten inklusive der zugehörigen Lageposition und -orientierung auf dem Förderband. So können Roboter die Objekte ohne Unterstützung durch den Menschen automatisch greifen und weiterverarbeiten.

Damit Systeme der industriellen Bildverarbeitung verschiedene Objekte automatisiert unterscheiden können, benötigen sie Informationen, woran sich die einzelnen Gegenstände erkennen lassen und wodurch sich diese voneinander differenzieren. Die Objekteigenschaften werden als Features bezeichnet. Im Bereich der Serienproduktion handelt es sich bei den zu greifenden Gegenständen immer um die gleichen Serienteile. Diese Tatsache hat den Vorteil, dass die Features zum Unterscheiden der einzelnen Objekte beim Einrichten einer neuen Fertigungsstraße manuell anhand der Objekte generiert werden können. Das manuelle Feature Engineering zeigt sich zwar als relativ aufwändig und kann Tage bis Wochen in Anspruch nehmen, muss allerdings lediglich einmal pro Produktionsstraße durchgeführt werden. Außerdem lässt sich das System der industriellen Bildverarbeitung (IBV) optimal an die zu sortierenden Gegenstände ­anpassen.

Erkennen von hierarchischen Strukturen

Das selektive Lasersintern kommt jedoch meist nicht für die Serienfertigung zum Einsatz. Auch Dienstleister wie Protiq stellen jeden Tag hunderte verschiedene Bauteile her. Vor diesem Hintergrund ist die herkömmliche Vorgehensweise zur Inbetriebnahme einer Sortierungsanlage nicht praktikabel. Das tägliche manuelle Feature Engineering, um die jeweils aktuell produzierten Bauteile zu sortieren, erweist sich als schlichtweg unmöglich. Um trotzdem ein automatisches Sortieren der gefertigten Bauteile auszuführen, müssen daher Ansätze des Maschinellen Lernens (ML) genutzt werden.

Deep Learning beschleunigt Sortieraufgabe

In der Bildverarbeitung ist der Einsatz maschineller Lernverfahren weit verbreitet. Mit dem sogenannten Deep Learning (DL) empfiehlt sich ein Forschungsgebiet aus dem IBV-Bereich für das beschriebene Sortieranlagen-Szenario. Sein Name ergibt sich aus dem Einsatz sogenannter tiefer Lernsysteme, wie Deep Neural Networks (DNN). Entsprechende Systeme sind in der Lage, zahlreiche nichtlineare Probleme anhand von bestehenden Trainingsdaten selbständig zu erlernen. Der Vorteil besteht darin, dass dadurch das manuelle Feature Engineering entfällt. Mithilfe der Trainingsdaten eignet sich das System stattdessen sogenannte Deep Features an. Für die Lösung der geschilderten Problemstellung wird ein sogenanntes Convolutional Neural Network (CNN) genutzt. Dieser spezielle Typ eines Neuronalen Netzes ist auf die Bildverarbeitung spezialisiert.

Ein CNN lernt hierarchisch Strukturen in einem Bild zu erkennen. Auf der niedrigsten Ebene ist es beispielsweise in der Lage, Kanten oder Linien (Low Level Features) zu detektieren, welche in Form von Farbübergängen auftreten. Auf den höheren Ebenen lernt es dann Informationen über Zusammenhänge der Low Level Features, wodurch wiederum komplexere Features entstehen. Durch den hierarchischen Aufbau der CNNs eignen sie sich die Deep Features an, mit denen es in dieser Anwendung einzelne Objekte unterscheidet.

Erlernen auf Basis von Trainingsdaten

Protiq hat mit Deep Learning ein System entworfen, das die Differenzierung der Bauteile täglich parallel zur Fertigung erlernt. Der Vorteil gegenüber manuellem Feature Engineering ist, dass sich das Lernsystem aus den ebenfalls automatisiert erzeugten Trainingsdaten selbstständig die Unterschiede der sich gerade in Produktion befindlichen Bauteile aneignet und sich an die täglich wechselnden Anforderungen anpasst. Für das Sortieren werden die hergestellten Bauteile anschließend auf einer an der Sortierstation gelegenen Scanfläche durch eine industrielle Kameratechnik erfasst – einer Basler-Ace-Flächenkamera mit CMOS-Sensor und einer Auflösung von 12.3 Megapixeln. Das trainierte System entscheidet danach aufgrund des Bildes, um welches Bauteil es sich handelt. Daraufhin lassen sich für jeden Auftrag die zugehörigen Bauteile auf der Scanfläche ­visuell markieren. Das Verfahren unterstützt somit beim Sortieren und reduziert ferner den manuellen Aufwand sowie das Fehlerpotenzial.