Metall, Glas, Keramik

3D Messwerte – Drahtseile schnell erfassen und auswerten

Triggersensor für Drahtseile

Als Hersteller robuster und langlebiger Drahtseile hat sich das CASAR Drahtseilwerk (WireCO) in Limbach weltweit einen Namen gemacht. Dieser Name verpflichtet zur Lieferung permanent hoher Qualität, die es in der Produktion zu gewährleisten gilt. CASAR setzte hier bisher auf hochwertige Verseilanlagen und die visuelle Inspektion der Qualität durch erfahrene Maschinenführer.
Die visuelle Inspektion umfasste dabei vor allem die Kontrolle auf vollständiges Vorhandensein aller Drähte beim Wickeln des Seils. Das Fehlen eines einzelnen Drahts würde die spezifizierte Zugkraft und Lebensdauer des kompletten Seils nachteilig beeinflussen und es unbrauchbar machen. Durch Qualitätsschwankungen im Winkelprozess der zugelieferten Drahtspulen kann es bei der Herstellung des Seils aber immer wieder vorkommen, dass einzelne Drähte reisen. Hier obliegt es dann dem Anlagenführer den Prozess genau zu überwachen und im Falle eines Drahtbruchs die Anlage schnellst möglich anzuhalten. Da aber zwischen der Erkennung eines Drahtbruchs und der Abschaltung oft mehrere Sekunden vergehen, entsteht entsprechend Ausschuss und Stillstandszeit, da die Anlage zurück gefahren werden muss, was gleichbedeutend mit entsprechend geringerer Produktivität ist.
Ziel war daher die Detektion des Drahtbruchs in Echtzeit, und CASAR setzte dabei auf die Erfahrung von [mu:v] im Bereich der optischen inline Messtechnik. Von Anfang an war dabei klar, dass die beim Verseilen mit bis zu 20m/s rotierenden Drähte nur durch ein berührungsloses Messprinzip mit Echtzeitanforderungen erfassbar sind. Herausfordernd waren dabei auch die Geometrien der teilweise extrem dünnen Drähte von nur 0,25mm, die dann auch noch in der Anlage schwingen. Zusätzlich herrschen in der Anlage extrem raue Umgebungsbedingungen durch das heiße Öl, das beim Winkeln kontinuierlich zugegeben wird.
Weil für diese Herausforderung keine Systeme am Markt direkt verfügbar sind, haben CASAR und [mu:v] gemeinsam eine Lösung für dieses Problem entwickelt. Dazu wurden verschiedene Lasermesssysteme von [mu:v] an verschiedenen Anlagen bei unterschiedlichen Drahtdicken getestet, um ein möglichst robustes und universelles System aufzubauen, das aber trotzdem einfach zu bedienen und zu justieren ist. Als optimale Lösung zeigte sich ein präziser Hochgeschwindigkeit-Reflexlichtsensor mit Software und Einstelloberfläche von [mu:v], der durch den Bediener über ein kleines Touchdisplay einfach an den laufenden Prozess angepasst wird.
Das System wurde bereits an mehreren Anlagen als Drahtbruchkontrollsystem installiert und erfolgreich in Betrieb genommen. Nach dem Start fährt das System vollautomatisch hoch, der Bediener muss nur noch die Anzahl der gerüsteten Drähte eintragen und nach einem Drahtbruch die Alarmmeldung löschen. Durch die schnelle Erfassung des Drahtbruchs innerhalb weniger Millisekunden, kann die Anlage nun automatisiert in Echtzeit angehalten werden, was den Ausschuss und die Stillstandszeiten der Anlagen entsprechend verringert. Die eingesparte Zeit steht den Mitarbeitern nun zur Verfügung um weitere Anlagen einzurichten und die Qualität an anderen Stellen zu optimieren.

Eingesetzte Produkte
[mu:v] Triggersensor
[mu:v] Kontrollsoftware mit Benutzeroberfläche

Schweißnaht- und Oberflächenprüfung an Metallen

Unsere neue Bildverarbeitungslösung automatisiert die optische Prüfung von geschweißten Metallbauteilen und richtet sich speziell an Unternehmen, die eine robuste, skalierbare und auditierbare Qualitätskontrolle benötigen. Grundlage ist unsere Plattform InspAIq^®, kombiniert mit den Deep-Learning-Trainingswerkzeugen von Neuro‑T, um eine durchgängig digitale und gleichzeitig flexibel erweiterbare Prüfstrecke zu realisieren.

Schweißnaht- und Oberflächenprüfung und optische Vermessung in einer Anwendung

In der Anlage werden geschweißte Metallteile vollautomatisch geprüft: Die Auswertung integriert messtechnische Aufgaben der klassischen Bildverarbeitung und KI basierte Auswertungen mit Deep Learning.

Die Deep-Learning-Modelle identifizieren den Bauteiltyp, lokalisieren die Schweißnaht, bewerten die Nahtqualität und detektieren zusätzlich Kratzer oder andere Oberflächenfehler auf der Metalloberfläche. Eine Kamera mit telezentrischem Objektiv dient zur Vermessung der Bauteile.

Ein Roboter positioniert die Bauteile in die Prüfanlage; die Kommunikation zwischen Robotersteuerung und unserem System erfolgt über eine gRPC-Schnittstelle, sodass sich die Lösung sauber in bestehende Automationsumgebungen integrieren lässt.

Hardwareseitig kommt eine Industriekamera mit angepasster Beleuchtung und einem telezentrischen Objektiv für präzise Vermessungsaufgaben zum Einsatz, sowie eine zweite Kamera für die Kontrolle der Oberflächen. Die komplette Auswertung – von der Bildaufnahme über die Inferenz der acht, in der Lösung integrierten Deep-Learning-Modelle bis zur OK/NOK-Entscheidung – läuft lokal auf der Anlage, ohne Cloud-Anbindung. Das bedeutet: Produktions- und Qualitätsdaten verbleiben im Werk, Latenzen sind gering und die Lösung ist unabhängig von externen Diensten oder Subscription-Modellen. Für QS und Produktion ergibt sich daraus eine prüfbare, stabile und datenschutzkonforme Lösung, die 24/7 mit gleichbleibender Erkennungsrate arbeitet.

Einsparpotenzial gegenüber manueller Sichtprüfung

Aus Zeitsicht ergibt sich ein klares Einsparpotenzial: Bei einem manuellen Prozess benötigen Prüfer typischerweise etwa fünf Minuten pro Bauteil, um Schweißnähte und Oberflächen visuell zu kontrollieren, und das Bauteil zu vermessen. Unsere automatisierte Lösung mit Roboterpositionierung und Bildverarbeitung benötigt für dieselbe Aufgabe rund zwei Minuten, also weniger als die Hälfte der Prüfzeit. Damit reduziert sich die Zeit pro Teil um etwa 60 %, was sich direkt in geringeren Prüfkosten, höherem Durchsatz oder dem Freiwerden von Fachpersonal für wertschöpfendere Aufgaben niederschlägt.

Beispielrechnung: Einsparpotenzial bei 10.000 Teilen pro Monat

Um das Einsparpotenzial konkret greifbar zu machen, betrachten wir ein typisches Produktionsszenario mit 10.000 geprüften Teilen pro Monat. Für die Kostenkalkulation gehen wir von einem vollständig belasteten Stundensatz für Fachpersonal in der Qualitätssicherung von 50 Euro aus.

Table 1: Vergleich Prüfkosten: Manuell vs. Automatisiert

Interpretation der Rechnung:

• Bei 10.000 Teilen monatlich würde manuelle Prüfung etwa 833 Arbeitsstunden binden, was bei 50 € pro Stunde rund 41.650 € monatliche Personalkosten
• Die automatisierte Lösung reduziert die benötigte Zeit auf 333 Stunden (hauptsächlich für Materialhandling durch den Roboter und Überwachung), was eine Zeiteinsparung von 500 Stunden pro Monat
• Selbst wenn man konservativ rechnet und annimmt, dass 40 % der eingesparten Zeit weiterhin für Überwachung, Nacharbeit und Stichproben benötigt werden, ergibt sich eine Netto-Einsparung von etwa 25.000 € monatlich 300.000 € jährlich.
• Diese Kalkulation berücksichtigt noch nicht die Qualitätsgewinne durch konstante Erkennungsraten, geringere Fehlerquoten und bessere Rückverfolgbarkeit bzw. Dokumentation.

Hinzu kommt, dass menschliche Prüfer im Tagesverlauf Ermüdungseffekte zeigen und die Erkennungsraten damit sinken können, während KI-basierte Systeme die einmal erreichte Erkennungsqualität dauerhaft halten. In der Praxis bedeutet das: Bei gleichbleibendem oder höherem Qualitätsniveau kann der Anteil an 100‑%‑Prüfung deutlich gesteigert werden, ohne dass die Personalkosten proportional wachsen.

Fazit

Die Kombination aus InspAIq^®und Neurocle Neuro‑T bietet eine zukunftssichere, skalierbare und wirtschaftlich attraktive Lösung für die automatisierte Qualitätsprüfung geschweißter Metallbauteile. Durch die lokale Verarbeitung ohne Cloud-Anbindung, die flexible Erweiterbarkeit ohne Programmieraufwand und das erhebliche Einsparpotenzial bei gleichzeitig höherer Prüfkonsistenz stellt das System eine strategische Investition für moderne Produktionsumgebungen dar.

Für weitere Informationen zu InspAIq^®, Neuro-T und individuellen Lösungen für Ihre Qualitätskontrolle kontaktieren Sie unser Team.

IRForgeAPP – Schmieden von Metall bei hoher Temperatur

Operatorraum mit [mu:v] Software (Bildschirm rechts)

Beim Schmieden großer Metallteile ist die Einhaltung der vorgegebenen Temperatur ein wichtiger Qualitätsfaktor. Für die Messung der Temperaturen von ca. 550 bis 1.100 °C eignet sich die berührungslose Messung optimal. Speziell die Messung mit Sensoren hat aber den Nachteil, dass die Anzeige der Temperatur nach unten geht, wenn die Messstelle verzundert, oder sich Objekte wie Greifroboter zwischen Sensor und Messstelle bewegen. Unser Kunde hat sich daher für dieIRForgeAPP, eine Lösung mit Hochtemperatur-Wärmebildkamera und spezieller Auswertelogik von [mu:v] entschieden.

Als Partner für optische Inline Messtechnik hat [mu:v] ein Kontrollsystem installiert, das die Rückverfolgung von qualitätswichtigen Parametern ermöglicht: An der Schmiedepresse wurde eine Wärmebildkamera in einem robusten Industriegehäuse mit Schutzfenster installiert, die während des Schmiedens immer die höchste Temperatur des Halbzeugs ohne Einfluss des Zunders misst und dem Anlagenführer darstellt. Außerdem wird für die Dauer des Schmiedes die Temperatur automatisch aufgezeichnet und als Diagramm dargestellt. Dabei erkennt das System automatisch das Werkstück im Bild und ignoriert so die zahlreichen Störeinflüsse. Auch ein kurzzeitiges Verdecken der Kamera durch einen Mitarbeiter wird über die Software ausgeblendet.

Der Messvorgang startet dabei durch das Einlesen eines Barcodes mit der Auftragsnummer und nach manuellem Start auf der Benutzeroberfläche. Am Ende des Prozesses wird das Video der Wärmebildkamera mit der Auftragsnummer, dem Datum und der Uhrzeit verknüpft und archiviert. Darüber hinaus werden die Temperaturinformationen im SAP-System des Kunden hinterlegt, um so eine langfristige Qualitätsüberwachung zu garantieren und gegebenenfalls Rückschlüsse bei Ausfällen zu ermöglichen.

Eingesetztes Produkt

• optris PI 1ML