Machine Learning macht den Unterschied 

Besonders anspruchsvoll ist die Qualitätskontrolle nach dem Weiten des Rings. Materialeigenschaft, Ringbreite, Ringstärke und das Wenden des Rings während des Prozesses beeinflussen, wie weit ein Rohling geweitet werden kann. Es lässt sich nicht sicher vorhersagen, wann ein Material nachgibt oder bricht.

Hier spielt die KI-gestützte optische Endkontrolle ihre Vorteile aus: Sie erkennt, ob ein Ringrohling gerissen ist. Das ist wirtschaftlich relevant, weil ein fehlerhafter Rohling sonst die komplette Bearbeitung in der Folgemaschine durchlaufen würde.

S. Jentner erklärt weiter: „Durch die integrierte Ringweiteeinheit lässt sich die Anzahl der Rohmaterialrohre trotz der äußerst hohen Endproduktvarianz minimieren. Durch die zahlreichen Parameter bei der Weitung wie Materialeigenschaft und -qualität sowie Ringbreite und -stärke bzw. das Wenden des Rings während des Prozesses, lässt sich nicht exakt vorhersagen, in welchem Maß der Ring geweitet werden kann bzw. wann das Material nachgibt und bricht. Ohne KI bzw. maschinelles Lernen kann die Maschine daher nicht feststellen, ob ein Ringrohling gerissen ist oder nicht – zumal sich je nach Material unterschiedliche Fehlerbilder ergeben und auch Sägespäne bzw. Kühlmittelreste zu erkennen sind. Im schlimmsten Fall durchläuft ein fehlerhafter Ring die komplette Bearbeitung in der Folgemaschine, was unnötig Zeit und Kosten bedeuten würde.“

KI-Modell schnell trainiert

Für die Umsetzung setzt Carl Benzinger auf die PC-based Control von Beckhoff. Die KI-basierte Qualitätskontrolle wurde mit TwinCAT Machine Learning Creator erstellt. 

Mike Gutekunst, Softwareentwicklung bei Carl Benzinger, beschreibt den Weg zur Lösung: „Die hohe Funktionalität und Durchgängigkeit der Beckhoff-Steuerungstechnik hat hier mehrere Ansatzpunkte ermöglicht. Zunächst prüften wir, inwieweit sich die Stromaufnahme des Elektrozylinders der Ringweiteeinheit zur Prüfung nutzen lässt. Mit der nahtlosen Integration von Machine Learning und Vision in TwinCAT hat sich aber letztendlich die optische Endkontrolle durchgesetzt. Hierfür wurde ein KI-Modell entwickelt und – unterstützt durch Nicolas Camargo Torres vom Produktmanagement TwinCAT – mit TwinCAT Machine Learning Creator trotz der recht vielen potenziellen Fehlerquellen anhand von nur rund 200 Bildern von Gut- und Schlechtteilen trainiert. Insgesamt hilft uns dieses automatisierte Training nicht zuletzt mit Blick auf die begrenzten Entwicklungskapazitäten und das sonst notwendige Data-Scientist-Know-how entscheidend weiter.“

Bei der Entwicklung des KI-Modells unterstützt TwinCAT Machine Learning Creator mit einer umfangreichen Analysefunktionalität. Diese ist laut M. Gutekunst sehr wichtig, um zu erkennen, ob die Zuverlässigkeit der Fehlererkennung bereits für ein intensiveres Training ausreicht oder im vorgelagerten Prozess noch etwas anzupassen ist. Das trainierte KI-Modell laufe dann mit TwinCAT Vision Neural Network direkt und in Echtzeit in der Steuerung ab, und zwar so einfach wie jede andere TwinCAT Function und ohne KI-Expertenwissen.