Erkennung von falsch positionierten Bauteilen mit Künstlicher Intelligenz

Die MechTech GmbH, ein mittelständisches Unternehmen mit über 200 Mitarbeitenden, ist seit mehr als 25 Jahren spezialisiert auf hochpräzise mechanische Fertigungstechnologien. Sie liefern wesentliche Komponenten für die Luftfahrtindustrie und haben sich durch ihre strengen Qualitätskontrollen und innovativen Technologien einen Namen gemacht. Eines der wichtigsten Verfahren im Produktionsprozess ist das Präzisionsschneiden, bei dem die Position der Bauteile entscheidend ist, um die hohen Qualitätsanforderungen in der Luftfahrt zu erfüllen.

Problem

Bislang erfolgte die Überprüfung der korrekten Positionierung der Bauteile manuell oder teilautomatisiert, was zeitaufwendig und fehleranfällig war. Besonders im Präzisionsschneiden können falsch positionierte Bauteile zu erheblichen Qualitätsmängeln führen, was wiederum teure Nachbearbeitungen oder sogar Ausschuss zur Folge haben kann. Um den Produktionsprozess zu optimieren und gleichzeitig die Qualität zu gewährleisten, suchte die MechTech GmbH nach einer Möglichkeit, die Positionierung der Bauteile effizient zu überprüfen und Fehler frühzeitig zu erkennen.

KI als Problemlöser

Die Lösung kam in Form eines innovativen Projekts zur KI-gestützten Erkennung von falsch positionierten Bauteilen. Durch den Einsatz von Machine-Learning-Algorithmen und Bilddatenanalyse wollte die MechTech GmbH ihre bestehenden Quali­täts­prüfungen automatisieren und verbessern. Diese neue Technologie versprach, die Genauigkeit der Fehlererkennung zu erhöhen und den Prüfprozess erheblich zu beschleunigen.

Umsetzung

In Zusammenarbeit mit einem renommierten Forschungsinstitut wurde ein gemeinsames Projekt ins Leben gerufen. Zunächst wurden thermografische Aufnahmen und andere bildgebende Verfahren genutzt, um einfache Bauteilgeometrien (wie Kanten und Linien) zu identifizieren. Diese Bilder dienten als Trainingsdaten für die Algorithmen, die die korrekte oder inkorrekte Positionierung von Bauteilen automatisiert erkennen sollten.

Ein wesentliches Hindernis war die begrenzte Anzahl von Trainingsdaten mit inkorrekt positionierten Bauteilen. Dennoch konnten durch den Einsatz neuronaler Netze bemerkenswerte Fortschritte erzielt werden. Auch komplexere Bauteile konnten mit über 90 Prozent Genauigkeit kategorisiert werden. Dies ermöglichte die automatische Ableitung von Parametriervorschlägen für die Kameras und Prozesse, um den Prüfprozess schrittweise weiter zu automatisieren.

Ergebnis

Die Implementierung der KI-gestützten Lösung führte zu signifikanten Vorteilen für die MechTech GmbH. Die Genauigkeit und Effizienz der Qualitätsprüfungen wurden drastisch verbessert, und der manuelle Aufwand für die Überprüfung der Bauteilpositionierung konnte erheblich reduziert werden. Insgesamt trug das Projekt zur weiteren Automatisierung und Optimierung der Produktionsprozesse bei, was letztlich die Produktqualität steigerte und Kosten senkte.

‍

Diese Fallstudie basiert auf dem Report KI im Mittelstand