Fraunhofer utvecklar helhetslösning för kvalitetsinspektion

I AutoInspect-demonstratorn transporteras karossen till inspektionsstationerna på ett transportörsystem. Bilden visar deflektometriportalen: Programvaran kan upptäcka ytdefekter baserat på reflektionen av de randiga mönstren som visas på monitorerna.

Kvaliteten på industriella produktionsprocesser säkerställs genom ett stort antal sensorbaserade individuella inspektioner. Detta genererar stora mängder data. Men hittills har informationen från de enskilda sensorerna i allmänhet bara tittats på isolerat. AutoInspect-lösningen från Fraunhofer Institute of Optronics, System Technologies and Image Exploitation IOSB löser detta problem genom att länka all data för att skapa en konsoliderad översikt. Nu, för första gången, underlättar länkningen av de uppmätta värdena intelligent utvärdering och upptäckt av dolda fel. Detta ökar effektiviteten och förbättrar i slutändan produktkvaliteten.

Kvalitetsinspektioner är en integrerad del av industriell tillverkning. Sensorer på olika inspektionsstationer mäter testobjektets egenskaper och kvalitetsegenskaper. Inom biltillverkning kan det till exempel handla om spaltdimensioner, kvaliteten på lacken eller styrkan på vissa delar, för att bara nämna några exempel. Under loppet av de många inspektionerna, varav några är sensorbaserade och andra manuella, genereras en stor mängd data och mätvärden, vilket ger korrekt information om den uppmätta karakteristiken i varje enskilt fall. Men det finns ett problem: Alla dessa data lagras vanligtvis separat från varandra.

Nyligen utvecklade ett team av forskare vid Fraunhofer Institute of Optronics, System Technologies and Image Exploitation IOSB AutoInspect, en lösning som kombinerar en mängd olika inspektionsmodaliteter i ett enda system och länkar samman alla resultat. Forskarna har sammanfört ett brett utbud av sensorer, gränssnitt och mjukvara för att skapa en lätt anpassningsbar allt-i-ett-lösning.

AutoInspects projektledare Henning Schulte säger: – Den mängd data som genereras vid de sensorbaserade inspektionspunkterna utgör en värdefull skattkammare av dold information. Genom att länka dem kan vi gräva fram denna skatt.

AutoInspect ger en konsoliderad översikt och möjliggör intelligent utvärdering av alla relevanta inspektionsdata och uppmätta värden. På så sätt blir tidigare okända inbördes samband i tillverkningsprocessen plötsligt synliga. Det gör det lättare att identifiera orsakerna till fel, vilket i sin tur gör hela produktionsprocessen mer effektiv. I slutändan förbättrar detta också kvaliteten på produkterna.

SENSORDATA OCH PLATSINFORMATION En höjdpunkt med AutoInspect är möjligheten att kombinera inspektionsresultaten med respektive platsinformation: Det första steget är att skapa ett 3D-nät av testobjektet baserat på befintliga CAD-modeller av produkten. Denna bild i programvaran går dock mycket längre än en konventionell 3D-datorgrafik av ett objekt. Detta beror på att varje uppmätt värde lagras med hänvisning till detta 3D-nät, det vill säga med den exakta platsen för mätpositionen på testobjektet. Detta skapar en digital tvilling som innehåller all relevant sensordata, inklusive tillhörande platsinformation, plus metainformation såsom batchnummer för det

Manuell inspektion är också integrerad i AutoInspect-arbetsflödet. Information, inspektionsuppgifter och virtuella kontrollelement visas i AR-glasögonen. Operatören kan flagga defekter på själva komponenten med en pekgest.

använda materialet eller tidpunkten för inspektionen.

På så sätt skapas en samlad översikt över alla kontrolldata som, förutsatt att relevanta kontrollstationer finns på plats, kan täcka hela produktionsprocessen. Från klämning av den första plåtbiten, formning av plåtarna och olika bindnings- och svetsprocesser ända fram till applicering av färgen. Genom att koppla de uppmätta värdena i AutoInspect-mjukvaran kan det nu vara möjligt att identifiera exempelvis att en spaltdimension alltid är för stor vid en viss punkt om ett visst temperaturgränsvärde överskrids under ett tidigare bearbetningssteg. Inspektionsteamet på verkstadsgolvet kan sedan följa upp detta tips, analysera orsaken och i slutändan åtgärda problemet. Detta i sin tur reflekteras i ändrade data och uppmätta värden i 3D-nätet. Genom att använda detta tillvägagångssätt smälter inspektion och produktion sömlöst samman till en optimerad och mycket effektiv övergripande process. – På detta sätt hjälper vi industrikunder att få en bättre förståelse för vad som ofta är komplexa produktionskvalitetsfrågor och att snabbare komma till rätta med dem genom att göra det möjligt för dem att intelligent analysera alla kopplade inspektionsdata genom hela processen, sammanfattar Schulte.

Kravet här är att Autoinspect-mjukvaran, som samlar in all sensordata och möjliggör utvärdering med grafiska verktyg, är korrekt konfigurerad.

STANDARDGRÄNSSNITT FÖR SENSORER Teamet på Fraunhofer IOSB utvecklade och testade tekniken med sensorer för en 3D-skanning samt deflektometri och ellipsometri. Ellipsometri, till exempel, kan bestämma tjockleken på en ytbeläggning genom att registrera polarisationstillståndet för reflekterat ljus. Deflektometri mäter och inspekterar formen på spegel- eller högblanka ytor som målad plåt. Dessa mättekniker och vidareutvecklingen av dem har varit ett separat forskningsobjekt vid Fraunhofer IOSB i flera år nu.

Fraunhofer-lösningen är dock inte bunden till specifika sensorer, utan förlitar sig istället på det öppna OPC UA-gränssnittet (OPC Unified Architecture). – Alla sensorer eller mätenheter som är kompatibla med OPC UA kan enkelt integreras i AutoInspect via plug and play, säger Schulte.

Dessutom är det möjligt för en operatör att utföra manuella inspektioner med hjälp av augmented reality.

IDEALISK FÖR INSPEKTIONER AV MASKINER OCH FORDON Utvärdering av mätresultaten är inte begränsad till den aktuella produktionsprocessen eller den som just har avslutats. Historiken för inspektionsresultaten inom AutoInspect kan analyseras bortom den aktuella batch- eller tillverkningsprocessen. Detta gör det möjligt att observera produktlivscykeln för maskiner eller fordon över underhålls- och inspektionsintervaller. Exempelvis kan mätdata från tidigare inspektioner beaktas vid inspektion av chassi och hjuldäck på ett ICE-tåg för att bättre förstå de senaste uppmätta värdena.

Särskilt vid inspektion av säkerhetsrelevanta komponenter innebär möjligheten att beakta alla underhållscykler, inklusive all data i AutoInspect, att orsakerna till defekter kan spåras snabbare. Helst kan problem till och med upptäckas i förväg med hjälp av AI-baserad dataanalys och säkerheten för respektive maskin eller anläggning kan snabbt återställas.

TEXT OCH FOTO: FRAUNHOFER INSTITUTE OF OPTRONICS, SYSTEM TECHNOLOGIES AND IMAGE EXPLOITATION IOSB