Autor: Benjamin Staar

Die komplexe Dynamik von Blocklagern stellt die manuelle Bestandserfassung vor große Herausforderungen. Häufiges Umlagern von Paletten, Kisten oder Gitterboxen ohne feste Stellplätze führt zu einem zeitaufwändigen und fehleranfälligen Prozess, bei dem Waren oft gesucht werden müssen und Schäden durch unsachgemäße Lagerung auftreten können. Der Einsatz von (teil-)autonomen Fahrzeugen bietet eine vielversprechende Lösung, um eine automatisierte Bestandserfassung zu ermöglichen – insbesondere wenn sie mit einer optischen Erfassung der Waren ausgestattet sind.

In vielen Einsatzbereichen müssen Menschen auf die Sicherheit von Drahtseilen vertrauen, weshalb mögliche Schäden zuverlässig und rechtzeitig erkannt werden müssen. Die hierfür notwendigen Überprüfungen werden von Sachverständigen durchgeführt, was das Risiko nicht erkannter Schäden beinhaltet. Damit diese keine Unfälle verschulden, werden Drahtseile oft verfrüht getauscht, was vermeidbare Kosten erzeugt. Das in diesem Beitrag vorgestellte Projekt MOBISTAR soll Fehler im Prozess der Instandhaltung und Überprüfung weiter reduzieren. Das System nutzt zwei unterschiedliche Messarten, die mit einer selbstlernenden Convolutional Neural Networks (CNN) Auswertungssoftware gekoppelt sind, um so zuverlässiger und genauer die Ablegereife von Seilen beurteilen zu können.

Optische Messsysteme sind eine populäre Wahl für die Qualitätsprüfung, da sie nicht nur kontaktfrei funktionieren, sondern auch präzise und vergleichsweise schnell sind. Vor allem in Fällen, in denen eine 100 %-Qualitätsprüfung angestrebt wird, ist eine geringe Mess- und Auswertezeit von essentieller Bedeutung. Bei hohen Taktzahlen von mehreren Teilen pro Sekunde, wie bspw. beim Mikrokaltumformen, wird die Auswertung dabei von Algorithmen übernommen. Um eine schnelle und präzise Defekterkennung zu ermöglichen, werden solche Algorithmen üblicherweise auf die Erkennung einer beschränkten Anzahl vordefinierter Defektklassen zugeschnitten. Der Nachteil gegenüber der manuellen Prüfung ist dabei jedoch, dass unbekannte bzw. unerwartet auftretende Defektarten eventuell nicht erkannt werden. Bei neu entwickelten Verfahren und/oder einer hohen Anzahl von Einflussfaktoren ist es daher wichtig, dass die Auswertealgorithmen solche Anomalien zuverlässig und schnell erkennen.

Durch den kontinuierlichen Trend zur Miniaturisierung eröffnen sich sowohl für die Industrie als auch für die Forschung neue Herausforderungen bei der Qualitätsprüfung. Um Produkte, Werkzeuge und Materialien im Mikrobereich herzustellen, müssen Technologien aus der Makro- auf die Mikroebene herunterskaliert werden. Dabei kommt es zu unvorhergesehenem Prozess- und Werkstückverhalten, sogenannten Größeneffekten. Das betrifft unter anderem die zuverlässige Durchführung von Qualitätsprüfungen, da mikroskopische Lösungen für Toleranzbereiche von bis zu einem Mikrometer benötigt werden. Mit der vergrößerten Darstellung kommt es zu einer starken Verringerung der Tiefenschärfe sowie einer Verkleinerung der messbaren Fläche. Dadurch ergeben sich erhöhte Anforderungen an die exakte Positionierung der Bauteile sowie teilweise die Notwendigkeit zur Durchführung von mehreren Messungen mit unterschiedlichen Fokusebenen, um insbesondere bei Kavitäten eine durchgehende Prüfung ...