Neue B2B-Commerce Studie
Jetzt downloaden
Damit das Blech nicht wegfliegt
Qualitätskontrolle in der Metallherstellung
Bleche mit Herstellungsfehlern sind nur stark eingeschränkt weiterzuverarbeiten. Speziell die Automobilindustrie kann durch ihre hohen Anforderungen mit einem mängelbehafteten Zwischenprodukt nicht weiterarbeiten. Ein Zuschnitt auf eine geringere Größe ist vom Hersteller nur an einen stark eingeschränkten Kundenkreis zu verkaufen und bedeutet Margenverlust. Daher ist es wichtig, potentielle Fehlstellen möglichst früh zu erkennen. Mit einer eigens entwickelten neuronalen Netzwerkarchitektur haben wir uns dem Problem genähert.
kleine Einschlüsse werden erkannt
Erkennungsgenauigkeit, ob nichtmetallische Einschlüsse vorliegen
Spielverderber:
Sauerstoff, Stickstoff und Schwefel
Nichtmetallische Einschlüsse (NME) sind problematisch, weil sie die Produkteigenschaften dauerhaft negativ beeinflussen können. Sauerstoff, Stickstoff und Schwefel sind wesentlich an der Bildung dieser Partikel in der Metallmatrix beteiligt.
Die Herausforderung
Erkennung von sehr kleinen Störenfrieden
Wenn nichtmetallische Einschlüsse detektiert wurden, gilt es möglichst schnell herauszufinden, wie diese aufgebaut sind. Dabei arbeiten wir mit der Bildklassifizierung. Oxide etwa sind im Rasterelektronenmikroskop oft als dunkler runder Punkt auszumachen, Sulfide sind viel heller. Diese optische Erkennung ist allerdings aufwändig. Und auch ein erfahrener Labormitarbeiter kann diese Mikrometer kleinen Einschlüsse nicht fehlerfrei erkennen. Eine chemische Analyse ist zuverlässig, aber viel teurer und zeitaufwändig.
Die Lösung
Eigens entwickelte neuronale Netzwerkarchitektur
Für die effiziente Automatisierung arbeiten wir mit einem mehrklassigen Bildklassifizierungsmodell, um zu erkennen, ob es sich um einen relevanten Einschluss und um welche Art des Fehlers es sich handelt. Das ist aus Effizienzgründen sinnvoll, damit nicht schon bei Erkennen der Unregelmäßigkeit die volle Leistung aufgebracht werden muss.
Im ersten Schritt wird eine beliebige Unregelmäßigkeit auf der Probenfläche erkannt. Erst im zweiten Schritt wird das Bild genauer klassifiziert: Handelt es sich um einen Messartefakt, oder eine Pore, die die Qualität wenig beeinträchtigen oder um einen gefürchteten nichtmetallischen Einschluss (NME)?
Da die im Computer Vision-Bereich sehr weit verbreiteten Typen Neuronaler Netze (Convolutional Neural Networks) für diese winzigen Erscheinungen nicht ausgelegt sind, haben wir u.a. eine eigene Netzwerkarchitektur entworfen, mit der Bildgrößen weit unterhalb eines Mikrometers verarbeitet werden.
Das CD-Labor
Das CD-Labor für Einschlussmetallurgie in der modernen Stahlherstellung ist eine Forschungseinheit der Christian Doppler Forschungsgesellschaft. Es wird geleitet von Assoc.Prof. DI Dr. Susanne Michelic vom Lehrstuhl für Eisen- und Stahlmetallurgie der Montanuniversität Leoben. Im Forschungszeitraum bis August 2028 wird die Charakterisierung der nichtmetallischen Einschlüsse (NME) verfeinert. Die Basis für den Einsatz von Machine Learning und KI für dieses anspruchsvolle Projekt wurde mit Cloudflight gelegt.
Christian Doppler (1803-1853) war ein österreichischer Mathematiker und Physiker. Er ist durch den nach ihm benannten Doppler-Effekt bekannt geworden.
