Einsatz von Deep Learning in Punktschweißanwendungen
Die Deep Learning Technologie kann Herstellern helfen, fehlerhafte Schweißpunkte zu erkennen, die die Qualität von elektrischer Komponenten beeinträchtigen.
Schweißpunkte sind für die Leistung elektrischer Geräte von entscheidender Bedeutung, da sie Teile miteinander verbinden und den Stromfluss aufrechterhalten. Fehlerhafte Schweißpunkte verkürzen die Lebensdauer von elektrischen Bauteilen, was zu teuren Rücksendungen oder Reparaturen führt, die dem Ruf des Herstellers schaden. Die Erkennung einer größeren Anzahl von Fehlern in der Fertigungsphase reduziert Rückruf- und Nacharbeitskosten.Menschliche Prüfer sind durchaus in hohem Maße in der Lage, fehlerhafte Schweißnähte zu erkennen, aber ihre Beständigkeit variiert und sie stehen nur begrenzt zur Verfügung. Sie können nicht immer jeden Schweißpunkt prüfen. Im Gegensatz dazu können mit der Automatisierung der Schweißpunktprüfung mehr Fehler erfasst und die Nacharbeitskosten gesenkt werden, indem Probleme in den vorgelagerten Produktionsprozessen aufgedeckt werden. Im Vergleich zum ausschließlichen Einsatz von menschlichen Prüfern bietet die Automatisierung deutliche Vorteile.
Deep Learning nutzt Software-Algorithmen und statistische Modelle, um die Funktionsweise des menschlichen Gehirns nachzuahmen. Die Algorithmen schaffen neuronale Netzwerke, die optimiert sind, um Anomalien zu erkennen und zwischen guten und schlechten Ergebnissen zu unterscheiden. Mit genügend Zeit und Daten lernen diese Netze selbst, besser zu werden.
Aber warum sollten Hersteller Deep-Learning-Anwendungen zum Prüfen ihrer Schweißpunkte implementieren? Warum nicht herkömmliche Bildverarbeitungssysteme für die Prüfung von Schweißpunkten einsetzen? In erster Linie liegt es daran, dass Schweißnähte dreidimensionale Objekte sind, die von Natur aus mehrdeutig sind. Keine zwei Schweißnähte haben die gleiche Form oder Abmessung.
(Verschiedene Arten von Punktschweißungen, von links nach rechts: Stift an Stift, Draht an Stift/Pad, Draht an Draht)
Ein regelbasiertes Bildverarbeitungssystem verwendet Software, um bestimmte Details in einem digitalen Bild zu erkennen — wie eine Seriennummer auf einem Motorblock oder die Kanten eines Stahlteils. Es funktioniert besonders gut, wenn es um Komponenten mit nahezu identischen Eigenschaften geht.
Bei Punktschweißungen hat jeder Metallklumpen geringfügig unterschiedliche Abmessungen. Dies macht die Entwicklung eines regelbasierten Bildverarbeitungssystems für das Prüfen riesiger Mengen an Schweißpunkten, die an einer Montagelinie verwendet werden, untragbar komplex.
Eine Deep-Learning-Prüfanwendung meistert diese Herausforderung, indem sie Bilder von fehlerhaften Punktschweißungen mit Bildern von fehlerfreien Schweißungen vergleicht. Ein Satz von Bildern trainiert das neuronale Netzwerk auf der Suche nach bekannten Fehlern, während ein anderer Satz von Validierungsbildern als Vergleichsgrundlage dient.
(Gute Punktschweißungen)
(Schlechte Punktschweißungen, von links nach rechts: Pitting, unter- und überdimensioniert)
Wie VisionPro Deep Learning bei Punktschweißprüfungen funktioniert
Cognex entwickelte die VisionPro® Deep-Learning-Software Suite zur Vereinfachung der Automatisierung von Fertigungsprozessen wie Schweißpunktprüfungen. VisionPro Deep Learning verfügt über zwei Tools, die sich gut für die Schweißpunktprüfung eignen:
- Red Analyze Tool – identifiziert Fehler, damit sie aus dem Produktionsprozess entfernen werden können
- Green Classify Tool – bildet Klassen von Defekten, die dabei helfen, die Qualität und Genauigkeit des der Prüfstelle vorgelagerten Prozesses zu verbessern.
Verwendung des Red Analyze Tools
Das Red Analyze Tool findet Anomalien auf digitalen Bildern von Punktschweißungen. Die Benutzer bestimmen, wie ein korrektes Bild aussieht, und markieren Abweichungen vom korrekten Bild. Mit einem Satz von Bildern wird das neuronale Netzwerk darauf trainiert, fehlerhafte Schweißpunkte zu erkennen. Ein zweiter Satz, der Validierungsbilder enthält, gelangt nicht in die Trainingsdatenbank. Diese Validierungsbilder helfen der Software bei der Ermittlung der “Ground Truth” im Hinblick darauf, wie gute und schlechte Schweißpunkte aussehen.
Das Red Analyze Tool verfügt über zwei Trainingsmodi:
- Überwacht: Im überwachten Modus (wie oben beschrieben) nehmen die Benutzer Bilder von Schweißungen auf, grenzen Fehler oder Anomalien ein, dokumentieren jede Art von Fehlern und versehen sie mit einem Label, das der Software mitteilt, “dies ist ein Defekt.”
- Nicht überwacht: Im unüberwachten Modus beginnt der Benutzer mit einem Bild, das keine Fehler oder Anomalien aufweist, und stuft es als “gut” ein. Bei jedem Bild, das von dieser Basis abweicht, wird angenommen, dass es sich um einen Defekt handelt.
Labels aus diesen Modi erzeugen Trainingsbilder für das neuronale Netzwerk in VisionPro Deep Learning. Bei einer Prüfung analysiert die Software ein Bild einer Schweißung in der Produktionslinie. Das neuronale Netzwerk vergleicht dieses Online-Produktionsbild mit den trainierten Validierungsbildern, um festzustellen, ob die Schweißung die Prüfung besteht oder nicht.
Verwendung des Green Classify-Tools
Das Green Classify-Tool erstellt Klassen von Fehlern oder Anomalien, die zur Diagnose von Problemen von vorgelagerten Prozessen in Produktionslinie verwendet werden. So können beispielsweise zu flache oder ungewöhnlich geformte Schweißungen auf eine Fehlfunktion der Schweißmaschine hindeuten. Mit dem Tool für die Klassifizierung kennzeichnen die Benutzer diese Abweichungen und weisen das Prüfsystem an, den Fehler zu markieren und die Bediener der Schweißmaschine über den Fehler zu informieren.
Wie das Red Analyze Tool verfügt auch Green Classify über zwei Trainingsmodi:
- Szenen-Fehlerklassifizierung. Bei der Szenen-Fehlerklassifizierung labeln die Benutzer die Bilder als gut oder schlecht und fügen dann Tags hinzu, um einen Defekt wie Pitting oder eine unsachgemäße Form zu dokumentieren.
- Einzel-Fehlerklassifizierung. Bei der Einzel-Klassifizierung nehmen Anwender Bilder und Ergebnisdaten aus dem Red Analyze Tool und klassifizieren bestimmte Fehler oder Fehlerbereiche.
(Prozessablauf für die Szenen- und Einzel-Fehlerklassifizierung
Sobald der Benutzer die Bilder klassifiziert hat, vergleicht das neuronale Netzwerk die Klassen mit den Validierungsbildern und liefert die korrekte Art des Fehlers.
Red Analyze und Green Classify werden häufig nacheinander verwendet. Zunächst erkennt Red Analyze das Vorhandensein eines Fehlers oder einer Anomalie, dann bewertet Green Classify die Anomalie und bestimmt die Art des Fehlers. Das Ergebnis wird dem Bediener der Anlage übermittelt, der dann entscheidet, wie er mit dem fehlerhaften Produkt umgeht.
3 Entscheidungen, die den Erfolg von Deep-Learning-Anwendungen verbessern
Die richtigen Entscheidungen zum richtigen Zeitpunkt zu treffen, kann viel zum Erfolg von Deep Learning in Punktschweißanwendungen beitragen. Diese drei Entscheidungen sind von grundlegender Bedeutung:
1. Return on Investment abwägen
Die Automatisierung von Schweißpunktprüfungen muss mehr Nutzen als Kosten bringen. Die Anwendung von Deep Learning erfordert Investitionen in Software, die Zahlung von Gehältern und den Anschaffung von Ausrüstung. Außerdem verursacht der Zeitaufwand, der für die Erstellung, Prüfung und Implementierung des Systems erforderlich ist, Kosten. Investitionen in die Automatisierung sollten zu Einsparungen führen oder zumindest eine bessere Leistung für den gleichen Preis liefern.
Die Automatisierung von Prüfungen führt auch zu wertvollen Ergebnissen, die möglicherweise keinen expliziten ROI liefern, wie z. B.:
- Statistische Prozesskontrolle (SPC). Die Daten zeigen Probleme im vorgelagerten Fertigungsprozess, so dass sie früher behoben werden können.
- Kontinuierliches Lernen. Je mehr Bilder in einem neuronalen Netzwerk trainiert werden, desto genauer wird es mit der Zeit.
- Prozessdokumentation. Berichte über die Qualität der Prüfungen sind leicht zu erstellen und zu teilen.
2. Genaue Nachbildung der Produktionsumgebung
Die bei Deep-Learning-Prüfungen eingesetzten Automatisierungskameras müssen richtig beleuchtet und positioniert werden, um alle wichtigen Daten eines Schweißpunktes zu erfassen. Die Kontrolle der Blendung und die Begrenzung von Schatten in digitalen Bildern erleichtern die Erkennung von Fehlern. Wenn das menschliche Auge etwas auf einer Schweißung nicht sehen kann, wird es auch eine Deep-Learning-Anwendung nicht sehen.
Die Entwicklung von Deep-Learning-Anwendungen beginnt im Labor und wechselt dann über in den Produktionsbereich. Natürlich ist es nahezu unmöglich, eine Produktionsumgebung in einem Labor vollständig zu duplizieren. Daher werden Benutzer Anwendungen aus dem Labor in die Produktionsumgebung überführen und sie dort testen, sobald dies möglich ist. Das Deep Learning System kann neue Daten aus der Produktionslinie nutzen, um die Qualität der Prüfungen zu verbessern.
3. Einfaches und genaues Labeln
Die Entwicklung einer Deep-Learning-Anwendung für die Prüfung von Schweißpunkten erfordert eine sorgfältige Dokumentation gängiger Fehler wie Pitting oder verformte Schweißungen. Jeder dieser Fehler muss über Dutzende von Bildern und vielleicht Hunderte von Labeln hinweg genau und einheitlich gelabelt werden.
Die Qualität der in der Labeling-Phase geleisteten Arbeit wirkt sich auf alle weiteren Ergebnisse aus. Daher benötigen Entwickler ein System zum Labeln, das genau, konstant, intuitiv und einfach zu verstehen ist — genau wie die Benutzeroberfläche der VisionPro Deep-Learning-Software.
Die Deep Learning Technologie ist ideal für Anwendungen mit inhärenter Mehrdeutigkeit. Ähnlich wie Fingerabdrücke und Schneeflocken sind keine zwei Schweißpunkte gleich, was sie zu einem guten Kandidaten für Deep Learning basierte Lösungen macht. Bevor Hersteller in ein Deep Learning System investieren, müssen sie drei wichtige Faktoren berücksichtigen: ROI, die Fähigkeit, Produktionsumgebungen für genaue Tests zu replizieren, und das einfache Labeln von Trainingsbildern.
Glücklicherweise bietet Cognex eine Lösung für all diese Probleme – die VisionPro Deep-Learning-Software. Die Tools Red Analyze und Green Classify gewährleisten die Integrität der Komponenten, indem sie Fehler zunächst erkennen und dann klassifizieren. Die Implementierung dieser Software in Punktschweißanwendungen ermöglicht es Herstellern, Defekte in der Produktion frühzeitig zu erkennen, kostspielige Nacharbeiten zu vermeiden, eine höhere Qualität zu liefern und das Vertrauen der Verbraucher in das Produkt zu stärken.
