AnomalieKI | KI-basierte Qualitätssicherung von Gussbauteilen

Die Qualitätssicherung von urformend hergestellten Halbzeugen und Bauteilen ist für produzierende Unternehmen durch die komplexen, dreidimensionalen Geometrien und Formen mit hohen Kosten und Zeitaufwand verbunden. Die eingesetzten Verfahren zur Qualitätssicherung reichen von Sichtprüfungen über Dichtprüfungen für Hohlräume bis hin zu dreidimensionalen, bildgebenden Verfahren mittels Röntgen und Computertomographie. Insbesondere die Computertomographie stellt ein Prüfverfahren mit hoher Informationsdichte dar. Diese in der betrieblichen Realität nutzbar zu machen, ist jedoch mit hohem Kosten- und Zeitaufwand verbunden: Aufwändige Begutachtung von Bauteilaufnahmen durch Fachexperten zur Identifikation von Fehlern, hohe Anzahl an Aufnahmen von Probebauteilen zur Erzeugung der digitalen Positiv-Abbilder sowie deren notwendige Aktualisierung bei Bauteiländerungen.

Das Ziel des Projekts Anomalie-KI ist die Entwicklung eines Vorgehens unter Einsatz von Künstlicher Intelligenz (KI) zur Identifikation von Anomalien in Gussbauteilen, um sowohl Kosten als auch Zeit zu sparen. Die Anomalieerkennung auf Basis von KI bietet das Potenzial, die Zuverlässigkeit der Identifikation von Fehlern zu erhöhen sowie durch Umgehen der Notwendigkeit eines Positiv-Bilds den Aufwand für die Nutzung von CT-Anlagen in der Qualitätssicherung zu senken.

Das Projekt AnomalieKI wurde im Juni 2020 gestartet. Zunächst erfolgt die Aufbereitung der gesammelten CT-Daten sowie deren Clustering auf Basis verschiedener Ähnlichkeitsmetriken. Die dabei entsehenden Cluster werden in ihrer geometrischen Trennungsschärfe bezüglich Standardgeometrien und Anomalien bewertet und durch statistische Auswertungen mit einem Label versehen. Im letzten Schritt werden diese neuen Label auf den Datensatz rückübertragen und ein Klassifikationsmodell zur schnellen Anomalieerkennung in CT-Daten trainiert.

Im Verlauf des Projekts werden eine Vielzahl an Ähnlichkeitsmetriken für Bauteilgeometrien, Algorithmen und Methoden der Künstlichen Intelligenz und des Maschinellen Lernens getestet und auf ihre Eignung im realen produktionstechnischen Betrieb für die Anwendung in der bildbasierten Qualitätssicherung analysiert. Das Ergebnis des Projekts ist eine einsetzbare Pipeline zur Verarbeitung von Computertomographiedaten für die Qualitätssicherung von Gussbauteilen sowie eine neue Betrachtungsweise von Gussfehlern auf Basis von dreidimensionalen Ähnlichkeitsmetriken.