Industrielle Bildverarbeitung: Richtige Zuordnung von Fehlern ist entscheidend

Klassifizierende Bildverarbeitungssysteme und Performance

Wir zeigen, wie sich die Performance von Fertigungsanlagen mithilfe von klassifizierenden Bildverarbeitungssystemen und Industrie 4.0-Techniken steigern lässt und sensibilisieren dafür, was bei der Performance-Bewertung der BV-Systeme selbst zu beachten ist.

Bild: Thomas Ernsting / LAIFKlassifizierende Bildverarbeitungssysteme und Performance_702x363px-V1

Neben Mess- und Positionieraufgaben übernehmen Bildverarbeitungssysteme oft auch die Klassifikation von Auffälligkeiten auf den Produkten. Ein typischer Anwendungsfall ist die Inspektion von Bandwaren wie Stahl, Aluminium, Papier, Flachglas und Folien. In diesen Anwendungen entscheiden die Bildverarbeitungssysteme ob das, was auf dem Kamerabild zu sehen ist, bei Stahl beispielsweise ein Kratzer, ein Loch, eine Verbiegung, ein Walzabdruck, eingewalzter Schmutz, ein Fremdkörper im Stahl oder ein oberflächlicher Flüssigkeitsfleck ist. Die Zuordnung von einer Auffälligkeit zu einer Fehlerklasse wie „Kratzer“ oder „Loch“ nennt man Klassifikation. Die Ergebnisse dieser Klassifikation sind logischerweise für die weitere Verarbeitung des Produkts entscheidend: Fehlerhafte Bereiche können je nach Fehler herausgeschnitten, nachbearbeitet oder für Baugruppen mit geringeren Ansprüchen an die Oberflächenqualität verwendet werden. Damit erfüllt das Bildverarbeitungssystem seine primäre Aufgabe: Es stellt sicher, dass die an den Kunden gelieferten Produkte den jeweiligen Qualitätsanforderungen entsprechen.

Klassifizierende BV-Systeme entscheidend für Anlagenperformance
Doch mit den Daten des Bildverarbeitungssystems kann man mehr machen. Jeder Fehlertyp hat seine ganz spezifischen Ursachen. Und hier kommen Big-Data und Industrie 4.0 ins Spiel: Die Analyse der Fehler erlaubt es auch, frühzeitig geeignete Gegenmaßnahmen einzuleiten und so den gesamten Fertigungsprozess zu optimieren. Nehmen wir eine Stahlwalze: Wenn sich auf dieser ein Fremdkörper befindet, wird bei jeder Umdrehung der Walze ein Abdruck in den zu verarbeitenden Stahl eingeprägt. Daher sind Walzabdrücke periodisch immer an der gleichen Stelle auf dem Produkt zu finden. Im Umkehrschluss kann man über den Abstand der Abdrücke auf den Durchmesser der Walze schließen, die repariert oder ausgetauscht werden muss. Damit können viele Walzen schon bei der Fehlersuche schon ausgeschlossen werden. Sobald Walzabdrücke auf den Produkten zu finden sind, ist klar, dass diese wahrscheinlich bis zur Fehlerbehebung auf allen zukünftigen Produkten zu finden sein werden. Entsprechend muss die Produktion sofort gestoppt und der Fehler behoben werden. Fremdkörper im Stahl, wie Reste von Schlacke, treten hingegen zufällig auf. Hier können keine Gegenmaßnahmen in der Walzanlage getroffen werden. Bei einem solchen Fehler kann die Walzanlage wie gewohnt weiter produzieren.

Nicht immer lassen sich Fehler auf dem Produkt eindeutig bestimmten Ursachen zuordnen. Mit BigData-Analysen kann es aber möglich werden, diese zu erkunden um zukünftig frühzeitig gegenzusteuern. Wenn mit Softwareunterstützung Zusammenhänge zwischen dem Auftreten bestimmter Fehlerklassen und beispielsweise der Hallentemperatur, der Luftfeuchtigkeit, Serviceeinsätzen an bestimmten Komponenten, Schichtwechseln, Tageszeiten, Reinigungsintervallen und so weiter gefunden werden, können entsprechende Schritte zur Fehlervermeidung leichter gefunden werden.

Das Klassifikationsergebnis entscheidet
Die Beispiele oben haben gezeigt, dass verschiedene Fehler unterschiedliche Auswirkungen für das Produkt haben (Ein Loch auf einem Stahlblech ist normalerweise für kein daraus hergestelltes Produkt akzeptabel, kleiner Kratzer womöglich schon) und dass in der Fertigungsanlage je nach Fehler auch sofort Gegenmaßnahmen einzuleiten sind (Walzabdruck), oder auch nicht (Fremdkörper im Ausgangswerkstoff). Komplizierter wird die Sache dadurch, dass es für das Inspektionssystem sichtbare Auffälligkeiten wie Staub oder Verschmutzungen geben kann, die bei den nächsten Verarbeitungsschritten wieder entfernt werden und daher für die Qualität irrelevant sind.

Entscheidend für die Leistungsfähigkeit eines Bildverarbeitungssystems ist also, Fehler und Nicht-Fehler zu unterscheiden und die Fehler der richtigen Fehlerklasse zuzuordnen, also richtig zu klassifizieren.

Performance klassifizierender Bildverarbeitungssysteme bestimmen
Entsprechend kommt es bei der Abnahme klassifizierender Bildverarbeitungssysteme darauf an festzustellen, ob das System die vereinbarte Leistungsfähigkeit besitzt, ob die Zuordnung zu den verschiedenen Fehlertypen also mit der vereinbarten Sicherheit stimmt. In der im September 2016 als zweisprachiger Entwurf erschienenen Richtlinie VDI/VDE/VDMA 2632 Blatt 3 „Industrielle Bildverarbeitung; Abnahme klassifizierender Bildverarbeitungssysteme“ werden verschiedene Herangehensweisen (Musterkataloge, laufendende Produktion) für die Abnahme mit ihren Vor- und Nachteilen diskutiert und die Einflussgrößen auf die Klassifikationsleistung ausführlich dargelegt. Zusammen mit der Richtlinie VDI/VDE/VDMA 2632 Blatt 2 mit einem Leitfaden zur Erstellung eines Lastenhefts und eines Pflichtenhefts liegt damit eine theoretisch fundierte Grundlage zur Bewertung der Klassifikationsleistung bei der Abnahme von Bildverarbeitungssystemen vor. Die Richtlinien sind damit gleichermaßen für Anwender als auch Anbieter von Bildverarbeitungssystemen nützlich.

Erik MarquardtAnsprechpartner: Dr. Erik Marquardt
Aufgabe im VDI: Wissenschaftlicher Mitarbeiter in der VDI/VDE-Gesellschaft Mess- und Automatisierungstechnik, Fachbereich Optische Technologien

6065 motiv-digitale-transformation-1

Kommentare & Pingbacks

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

*