QuKuML – KI Assistenz kamerabasiert Spritzgießen
QuKuML – Kamerabasierte Qualitätsbewertung beim Kunststoff-Spritzguss mit Hilfe von ML-Strategien
Projektpartner: TH Köln, sentin GmbH, SHS plus GmbH
Projektrahmen: KMU Innovativ
Laufzeit: 2021 – 2023
Assistenzsystem Extrusion EXTRA Vipra
Projektziel:
Im diesem Vorhaben war es das Ziel eine kamerabasierte Lösung zur Qualitätsüberwachung beim Kunststoff-Spritzgießen zu entwickeln, welche Hard- und Softwareseitig auf die Anforderungen eines produzierenden Unternehmens zugeschnitten ist. Beim Spritzgießen werden häufig Kunststoffprodukte mit optisch anspruchsvollen Oberflächen hergestellt. Daher ist in vielen Betrieben eine 100% Qualitätskontrolle obligatorisch, die häufig noch händisch durchgeführt wird. Dies liegt in der Ursache begründet, dass die Fehlerbilder oft komplex zu erkennen sind und es derzeit
keinen ganzheitlichen technologischen Ansatz gibt, der sämtliche Fehlerbilder abdeckt.
Die heutigen Möglichkeiten maschineller Lernverfahren erlauben es grundsätzlich neue Lösungsansätze zur Qualitätssicherung zu erarbeiten, die ohne menschliches Mitwirken autonom fungieren. Dies ist erforderlich, da das Spitzgießen einen bedeutenden Wirtschaftszweig in Deutschland darstellt und einem enormen, internationalen Wettbewerbsdruck ausgesetzt ist. Händische Qualitätskontrollen und Produktionsausschuss müssen reduziert werden, um in diesem Wettbewerb bestehen zu können.
Im Rahmen des Projektes wurde daher daran gearbeitet eine wirtschaftliche Lösung bereitzustellen, die aufgrund ihrer innovativen Softwarearchitektur mit der in einem Spritzgießbetrieb anfallenden Datenqualität und -menge trainiert und betrieben werden kann. Dies sollte durch Transfer Learning zur Erkennung fehlerfreier Bauteile und einer Anomaliedetektion realisiert.
Ziel war eine Lösung, die in dasvirtuelle Assistenzsystem Vipra® der SHS plus GmbH implementiert werden soll. Dabei sollte vor allem erreicht werden, dass im Gegensatz zu anderen künstlicher Intelligenz (KI) basierten Lösungsansätzen eine möglichst geringe Datenmenge benötigt wird. Das Vorhaben setzte dabei auf einen innovativen Ansatz der Anomalieerkennung.
Die geplanten Ergebnisse konnten zum Großteil erreicht werden, bedpürfen jedoch einer weiteren Überarbeitung und indivduellen Anpassung an prozessspezifische Situationen.
