Machine Learning
Für das initiale Training, z.B. beim Einfahren eines neuen Produkts, werden bei BMW ungefähr 50 reale Zylinderköpfe bzw. Kurbelgehäuse, die über unterschiedliche Prüfverfahren als gut befunden wurden, mit dem VoluMax gescannt. Anschließend werden diese 50 Volumenmodelle übereinandergelegt. So entsteht ein ideales 3D-Modell von einem Zylinderkopf bzw. Kurbelgehäuse, das als Masterpiece für den Abgleich aller weiteren 3D-Volumenmodelle eingesetzt wird. Damit das Gesamtsystem auch bei natürlichen Prozessschwankungen, die nicht qualitätsrelevant sind, sicher zwischen sogenannten guten und schlechten Teilen unterscheiden kann, trainiert BMW das System zudem alle paar Wochen. Das Training wird vollautomatisch per Knopfdruck aus den letzten als gut bewerteten Teilen gestartet. So ist sichergestellt, dass beispielsweise auch nach der turnusmäßigen Aufbereitung der Gussform die Ergebnisse für BMW passen. Die Fehlerdetektion selbst ist kein starres System. Die von Zeiss entwickelte Software Automated Defect Detection kann permanent hinzulernen. Um dem System zu vermitteln, zu welchem Typ Defekte gehören, kennzeichnet der Anwender im konkreten 3D-Volumenmodell diese bzw. markiert sie z.B. als Restsand, Pore oder Kernbruch. Das System wird also auf das Erkennen von funktionsrelevanten Fehlern trainiert und kann dann in allen weiteren Bilddatensätzen derartige Defekte sicher klassifizieren. Zeiss Automated Defect Detection klassifiziert aber nicht nur Merkmale. Die Software bestimmt beispielsweise auch die Anzahl und die Größe der Poren sowie den Abstand zwischen den Poren bzw. zwischen Pore und der nächsten Oberfläche des Werkstücks. Informationen, die ebenfalls helfen, Gut- von Schlechtteilen zu unterscheiden und damit die Ausbeute an Gutteilen zu erhöhen und die Anzahl an Schlupfteilen zu reduzieren. Aus Testreihen weiß BMW, dass die Lösung diese Unterscheidung sicher treffen kann. Poren werden derzeit z.B. mit einer Sicherheit von über 90 Prozent erkannt. Generell hängt die Erkennungswahrscheinlichkeit von der Güte der Trainingsdaten ab, insbesondere dann, wenn die Defekte sehr ähnlich sind, wie bei Pore und Porosität.
Defekte virtuell labeln
Um den Aufwand des Trainings zu reduzieren, denkt Zeiss momentan intensiv darüber nach, wie sich ohne reale Trainingsmodelle allein im virtuellen Raum Merkmale als Defekte labeln lassen. Der Aufwand für die Erstellung eines sogenannten ´goldenen Teils´, der derzeit noch alle paar Wochen betrieben werden muss, würde so wegfallen. Um die Nutzerfreundlichkeit seiner Lösung zu verbessern, arbeitete Zeiss intensiv daran, die Analyse der 3D-Volumenmodelle zu beschleunigen. Dank neuer Algorithmen braucht BMW mittlerweile nur noch die Hälfte der Rechner, um die Volumenmodelle der Zylinderköpfe mit dem Masterbild abzugleichen. Je nach Bauteilgröße reichen drei bis acht PCs, um den Produktionstakt zu halten. Durch diese Leistungserhöhung wurde auch die Prüfung noch größerer Gussteile, wie das Kurbelgehäuse, praktikabel. Detektiert die Software einen Fehler, befördert ein Roboter das Teil auf das als NIO gekennzeichnete Förderband. Damit der gesamte Prozess fehlerfrei läuft und die Scans mit den entsprechenden Bauteilen gematcht werden können, tragen die Zylinderköpfe individuelle Lasergravuren. Diese Data Matrix Codierung ermöglicht eine lückenlose Rückverfolgbarkeit über jeden Fertigungsschritt hinweg. Eine statistische Auswertung der Qualitäts- und Maschinendaten erlaubt zudem eine Optimierung der gesamten Fertigung. BMW hält sich zwar bedeckt und nennt keine konkreten Zahlen zu den jetzigen Schlupfteilquoten entlang der späteren Prozesschritte, aber „dass die Lösung sich rechnet, hat sich in der Branche wohl herumgesprochen“, so Sievers. Das System, das 2017 weltweit lediglich von BMW genutzt wurde, ist mittlerweile auch bei europäischen Zulieferern im Einsatz.
