100-Prozent-Qualitätskontrolle mit Deep-Learning-Funktionen von HALCON

SICHER SCHWEIßEN IN DER BATTERIEFERTIGUNG

Die 1987 gegründete Manz AG mit Hauptsitz in Reutlingen ist ein weltweit agierendes Hightech-Maschinenbauunternehmen. Mit langjähriger Expertise in Automation, Laserbearbeitung, Bildverarbeitung und Messtechnik, Nasschemie sowie Rolle-zu-Rolle-Prozessen bietet das Unternehmen innovative Produktionslösungen in den Bereichen Photovoltaik sowie Elektronik. Einen Namen gemacht hat sich das Unternehmen außerdem mit modernen Laseranlagen zur Herstellung von Lithium-Ionen-Batterien.

Die Herausforderung

Eine der größten Herausforderungen bei der automatisierten Fertigung von Batterieblöcken liegt darin, eine sichere und stabile Schweißverbindung herzustellen, ohne das Batteriegehäuse zu beschädigen. Um die hohen Qualitätsanforderungen vor allem der Automobilindustrie in Bezug auf die Schweißung zu erfüllen und gleichzeitig die Kosten für die Kundschaft zu senken, arbeitet Manz intensiv an Inline-Inspektionssystemen, die eine 100-Prozent-Kontrolle des Schweißprozesses ermöglichen.

Die Qualitätsinspektion ist bei Batterien jedoch nicht einfach. Bisher wurden Schweißverbindungen bei Manz über zerstörende Tests wie Querschliffe oder Kraft-Abzugstests statistisch an einzelnen Bauteilen geprüft. Dieses Vorgehen ist jedoch aufwendig, teuer und garantiert keine fehlerfreie Qualität jeder Schweißung. Daher musste ein neues Verfahren entwickelt werden.

Die Lösung

Um eine Inspektion des Schweißverfahrens in seiner modularen Laseranlage Battery Laser System BLS 500 zu ermöglichen und durchgängig zu automatisieren, nutzt Manz heute industrielle Bildverarbeitung (Machine Vision). Dabei setzt der Maschinenbauer auf die Standardsoftware MVTec HALCON. Einen besonderen Mehrwert für die Qualitätsinspektion bieten die in der Software integrierten Deep-Learning-Funktionen auf Basis künstlicher Intelligenz (KI). Sie

• liefern eine deutlich verbesserte Fehlererkennung dank selbstlernender Algorithmen,
• reduzieren den Programmieraufwand signifikant,
• und kommen auch mit vorab nicht genau definierten Fehlern zurecht.

Darüber hinaus löst HALCON ein weiteres Problem: Normalerweise erfordern KI-Trainingsprozesse eine sechsstellige Anzahl an validen Bilddaten, um akzeptable Fehlererkennungsraten zu erzielen. Mengen, die im Maschinen- und Anlagenbau typischerweise nicht verfügbar sind. Zudem sind die möglichen Defekte oftmals nicht in all ihren Ausprägungen bekannt. So stehen Manz zu Beginn eines neuen Prozesses nur zwischen 10 und 100 Beispielbilder zu Verfügung. Abhilfe schaffte hier die Technologie „Anomaly Detection“ von MVTec HALCON.

• Sie kommt mit einer sehr geringen Menge an Bilddaten aus.
• Für das Training werden ausschließlich Bilder benötigt, die defektfreie Objekte zeigen, sogenannte „Gut-Bilder“.
   

Vorteile für den Kunden

Manz kann durch den Einsatz der Deep-Learning-Technologien in HALCON eine 100-Prozent-Qualitätskontrolle der lasergestützten Produktionsprozesse im modularen Lasersystem zur Verfügung stellen. Durch die verlässliche Erkennung von Fehlern lässt sich die Qualität der Batterie-Fertigung auf gleichbleibend hohem Niveau halten. Auch spart das Maschinenbau-Unternehmen dank der beschleunigten Trainingsprozesse viel Zeit und damit Kosten ein.

Auch die Kundschaft von Manz können dank dem Einsatz von MVTec HALCON ihre Produktion optimieren: Sie profitieren von weniger Ausschuss, geringeren Kosten, schnelleren Prozessen sowie einer höheren Qualität und Sicherheit.

Text und Bilder wurden freundlicherweise von der Manz AG zur Verfügung gestellt.

Die vollständige Success Story können Sie hier herunterladen.