Qualitätskontrolle mit Deep Learning

Eine der größten Herausforderungen bei der automatisierten Fertigung von Batteriemodulen liegt darin, eine sichere und stabile Schweißverbindung herzustellen, ohne die Batteriezellen zu beschädigen. Um die hohen Qualitätsanforderungen vor allem der Automobilindustrie in Bezug auf die Schweißung zu erfüllen und gleichzeitig die Kosten für die Kunden zu senken, arbeitet Manz intensiv an Inline-Inspektionssystemen, die eine 100-Prozent-Kontrolle des Schweißprozesses ermöglichen.

Sicher schweißen in der Batteriefertigung

Die Qualitätsinspektion ist bei Batterien nicht einfach. Typischerweise werden Schweißverbindungen über zerstörende Tests wie Querschliffe oder Kraft-Abzugstests statistisch an einzelnen Bauteilen geprüft. Dieses Vorgehen ist jedoch aufwendig, teuer und garantiert keine fehlerfreie Qualität jeder Schweißung.

Um eine Inspektion des Schweißverfahrens in seiner modularen Laseranlage Battery Laser System BLS 500 möglich zu machen und durchgängig zu automatisieren, nutzt Manz heute industrielle Bildverarbeitung (Machine Vision). Einen besonderen Mehrwert für die Qualitätsinspektion bieten die in der Software integrierten Deep-Learning-Funktionen auf Basis künstlicher Intelligenz (KI).

Battery Laser System BLS 500

Das Battery Laser System BLS 500 ist eine flexible, modulare Plattform für unterschiedliche Laserprozesse.

  • Deutlich verbesserte Fehlererkennung dank selbstlernender Algorithmen
  • Signifikant reduzierter Programmieraufwand
  • Erkennung auch von vorab nicht genau definierten Fehlern
Querschliff von Schweißungen

Die oberen beiden Bilder zeigen Querschliffe von einer guten Schweißung (links) und einer Schweißung, bei der es kaum Durchmischung von Material gab (rechts). Darunter die entsprechenden Inspektions-Bilder, bei denen kaum Unterschiede zu erkennen sind. Trotz des geringen Unterschiedes und des verschiedenen Hintergrundes lässt sich mit Deep Learning zu 100 Prozent richtig klassifizieren.

Mit geringen Bilddatenmengen dank KI zum Erfolg

Darüber hinaus löst die Software ein weiteres Problem: Normalerweise erfordern KI-Trainingsprozesse eine sechsstellige Anzahl an validen Bilddaten, um akzeptable Fehlererkennungsraten zu erzielen. Mengen, die im Maschinen- und Anlagenbau typischerweise nicht verfügbar sind. Zudem sind die möglichen Defekte oftmals nicht in all ihren Ausprägungen bekannt. So stehen zu Beginn eines neuen Prozesses nur zwischen 10 und 100 Beispielbilder zu Verfügung.

Abhilfe schafft hier „Anomaly Detection“. Sie kommt nicht nur mit einer sehr geringen Menge an Bilddaten aus, sondern benötigt für das Training darüber hinaus ausschließlich „Gut-Bilder“, die defektfreie Objekte zeigen.

Vorteile für den Kunden

Manz kann durch den Einsatz der Deep-Learning-Technologien eine 100-prozentige Qualitätskontrolle der lasergestützten Produktionsprozesse im modularen Lasersystem zur Verfügung stellen. Durch die verlässliche Erkennung von Fehlern lässt sich die Qualität der Batterie-Fertigung auf gleichbleibend hohem Niveau halten. Zudem spart das Maschinenbau-Unternehmen dank der beschleunigten Trainingsprozesse viel Zeit und damit Kosten ein.

 

  • Optimierung der Produktion, schnellere Prozesse
  • Weniger Ausschuss und geringere Kosten
  • Höhere Qualität und verbesserte Sicherheit der Produkte
Wir freuen uns auf Ihre Anfrage!

Kontaktieren Sie uns