DE102018214307A1

DE102018214307A1 - System and method for quality inspection in the manufacture of individual parts

Info

Publication number: DE102018214307A1
Application number: DE102018214307.2A
Authority: DE
Inventors: André Kaup; Michael Lechner; Marion Merklein; Jürgen Seiler; Andreas Spruck
Original assignee: Friedrich Alexander Univeritaet Erlangen Nuernberg FAU
Current assignee: Friedrich Alexander Univeritaet Erlangen Nuernberg FAU
Priority date: 2018-08-23
Filing date: 2018-08-23
Publication date: 2020-02-27

Abstract

Ein System zur Qualitätsprüfung bei der Herstellung von Einzelteilen umfasst eine Berechnungs-Einheit (2) zum Erstellen von Abbildungen (8) der herzustellenden Einzelteile und ein neuronales Netzwerk (3) zur Klassifizierung in fehlerfreie und fehlerhafte Einzelteile auf Basis der Abbildungen (8).A system for quality inspection in the production of individual parts comprises a calculation unit (2) for creating images (8) of the individual parts to be manufactured and a neural network (3) for classification into error-free and faulty individual parts based on the images (8).

Description

Die Erfindung betrifft ein System und ein Verfahren zur Qualitätsprüfung bei der Herstellung von Einzelteilen.The invention relates to a system and a method for quality testing in the production of individual parts.

Bei der industriellen Herstellung von Einzelteilen, insbesondere in der Metallbearbeitung, können Fehler auftreten. Bei einer Qualitätsprüfung werden hergestellte Einzelteile analysiert, um fehlerhafte, also nicht zu gebrauchende, von fehlerfreien Einzelteilen zu unterscheiden. Der Aufwand für die Vorbereitung und Durchführung der Qualitätsprüfung ist groß.Errors can occur in the industrial manufacture of individual parts, particularly in metalworking. During a quality inspection, manufactured individual parts are analyzed in order to distinguish faulty, i.e. unused, from faultless individual parts. The effort for the preparation and implementation of the quality inspection is great.

Der Erfindung liegt die Aufgabe zugrunde, den Aufwand für die Qualitätsprüfung bei der Herstellung von Einzelteilen zu reduzieren.The invention has for its object to reduce the effort for quality testing in the manufacture of individual parts.

Die Aufgabe wird durch die Merkmale der Ansprüche 1 und 7 gelöst. Der Kern der Erfindung besteht darin, mittels einer Berechnungs-Einheit Abbildungen der herzustellenden Einzelteile zu erstellen. Die Abbildungen können in einem Datenspeicher gespeichert werden und dienen als Basis für eine Klassifizierung der Abbildungen in fehlerfreie und fehlerhafte Einzelteile mittels eines neuronalen Netzwerks. Für die Klassifizierung mit dem neuronalen Netzwerk ist eine Vielzahl von Abbildungen erforderlich, insbesondere mindestens zehn, insbesondere mindestens 50, insbesondere mindestens 100, insbesondere mindestens 500, insbesondere mindestens 1.000, insbesondere mindestens 5.000, insbesondere mindestens 10.000 und insbesondere höchstens 1.000.000 Abbildungen. Die Abbildungen bilden sogenannte Trainingsdaten für das neuronale Netzwerk. Das neuronale Netzwerk ist insbesondere selbstlernend ausgeführt und umfasst eine künstliche Intelligenz derart, dass Zuordnungsparameter bei der Klassifizierung der Trainingsdaten oder ein Vergleich der Trainingsdaten mit Real-Abbildungen iterativ, also mit zunehmender Anzahl von Trainingsdaten und/oder Real-Abbildungen, verbessert wird. Dadurch, dass die Abbildungen in der Berechnungs-Einheit erstellt, also berechnet, werden, können synthetisch erstellte Abbildungen der Einzelteile als Trainingsdaten verwendet werden. Der Aufwand für die reale Herstellung von Mustern und deren manuelle Qualitätsbeurteilung für die Bereitstellung von Trainingsdaten ist reduziert und insbesondere vermieden. Insbesondere ist entbehrlich, dass eine Vielzahl von Einzelteilen hergestellt werden muss, um Trainingsdaten für das neuronale Netzwerk zur Verfügung zu stellen. Das System kann bei der Herstellung der Einzelteile insbesondere ab dem ersten hergestellten Einzelteil eingesetzt werden. Für das erfindungsgemäße System ist das Anlernen neuer Werkstücke und/oder Prozesse entbehrlich. Eine Anlaufphase, in der zur fehlerfreien Herstellung der Einzelteile eine Einstellung und/oder Anpassung des Herstellungsverfahrens erfolgt, ist insbesondere entbehrlich. Insbesondere bei einem Teilewechsel bei der Herstellung der Einzelteile, also bei veränderter Geometrie und/oder verändertem Werkstoff, ist der Umstellungsaufwand reduziert. Das neue System ist schneller und flexibler einsetzbar.The object is solved by the features of claims 1 and 7. The essence of the invention is to create images of the individual parts to be produced by means of a calculation unit. The images can be stored in a data memory and serve as the basis for a classification of the images into error-free and defective individual parts by means of a neural network. A large number of images are required for the classification with the neural network, in particular at least ten, in particular at least 50, in particular at least 100, in particular at least 500, in particular at least 1,000, in particular at least 5,000, in particular at least 10,000 and in particular at most 1,000,000 images. The images form so-called training data for the neural network. The neural network is in particular designed to be self-learning and comprises an artificial intelligence in such a way that assignment parameters in the classification of the training data or a comparison of the training data with real images is improved iteratively, that is to say with an increasing number of training data and / or real images. The fact that the images are created, i.e. calculated, in the calculation unit means that synthetically created images of the individual parts can be used as training data. The effort for the real production of samples and their manual quality assessment for the provision of training data is reduced and in particular avoided. In particular, it is unnecessary that a large number of individual parts must be manufactured in order to make training data available for the neural network. The system can be used in the manufacture of the individual parts, in particular from the first individual part produced. The teaching of new workpieces and / or processes is unnecessary for the system according to the invention. A start-up phase, in which an adjustment and / or adjustment of the manufacturing process takes place for the error-free manufacture of the individual parts, is in particular unnecessary. The changeover effort is reduced in particular when the parts are changed during the manufacture of the individual parts, that is to say when the geometry and / or the material are changed. The new system is faster and more flexible to use.

Eine Berechnungs-Einheit gemäß Anspruch 2 ermöglicht eine realitätsnahe Nachbildung des Herstellungsverfahrens der Einzelteile. Die Qualität der Trainingsdaten ist verbessert. Die Berechnungs-Einheit ist insbesondere als nummerisches Simulationsprogramm, insbesondere als Finite-Elemente-Berechnungsprogramm ausgeführt.A calculation unit according to claim 2 enables a realistic replica of the manufacturing process of the individual parts. The quality of the training data is improved. The calculation unit is designed in particular as a numerical simulation program, in particular as a finite element calculation program.

Alternativ kann die Berechnungseinheit derart ausgeführt sein, dass Real-Abbildungen der Einzelteile digitalisiert werden. Die digitalisierten Real-Abbildungen können anschließend synthetisiert werden, indem beispielsweise Fehlerdarstellung in den synthetisierten Real-Abbildungen integriert werden. Die so synthetisierten Real-Abbildungen bilden dann die Trainingsdaten. Die so erzeugten Trainingsdaten können ebenfalls in großer Anzahl, also schnell und mit reduziertem Kostenaufwand erzeugt werden. Die Bereitstellung der Trainingsdaten ist unaufwändig.Alternatively, the calculation unit can be designed such that real images of the individual parts are digitized. The digitized real images can then be synthesized by, for example, integrating error displays in the synthesized real images. The real images thus synthesized then form the training data. The training data generated in this way can also be generated in large numbers, that is to say quickly and at reduced cost. The provision of the training data is effortless.

Ein Berechnungsprogramm nach Anspruch 3 kann verschiedene Werkstoffe und/oder verschiedene Soll-Geometrien der Einzelteile realitätsnah abbilden. Insbesondere können die mittels des Berechnungsprogramms erzeugten Abbildungen Fehler im und/oder am Einzelteil abbilden. Derartige Fehler sind bei der Blechumformung beispielsweise Einschnürungen, Risse und/oder unerwünschte Verfestigungen. Die Trainingsdaten sind insbesondere geeignet, lokal begrenzte Fehler und/oder Schwachstellen des Einzelteils abzubilden.A calculation program according to claim 3 can realistically map different materials and / or different target geometries of the individual parts. In particular, the images generated by means of the calculation program can represent errors in and / or on the individual part. Such errors are, for example, constrictions, cracks and / or undesired hardening in sheet metal forming. The training data are particularly suitable for mapping locally limited errors and / or weak points in the individual part.

Eine Kalibrierungs-Einheit gemäß Anspruch 4 dient für eine initiale Kalibrierung der Abbildungen für das neuronale Netzwerk.A calibration unit according to claim 4 is used for an initial calibration of the images for the neural network.

Mit einer Bilderfassungs-Einheit gemäß Anspruch 5 können real hergestellte Einzelteile optisch erfasst werden. Zusätzlich oder alternativ kann die Bilderfassungs-Einheit eine Vorrichtung zur Laser-Triangulation, ein Röntgen-Aufnahmegerät und/oder ein Ultraschall-Aufnahmegerät aufweisen. Wesentlich ist, dass die Bilderfassungs-Einheit geeignet ist, eine Real-Abbildung des Einzelteils zu erzeugen.With an image capture unit according to claim 5, actually manufactured individual parts can be optically captured. Additionally or alternatively, the image acquisition unit can have a device for laser triangulation, an X-ray recording device and / or an ultrasound recording device. It is essential that the image capture unit is suitable for generating a real image of the individual part.

Eine Herstellungs-Einheit gemäß Anspruch 6 dient zur Herstellung der Einzelteile. Die Einzelteile sind insbesondere metallische Einzelteile, die beispielsweise in einem Umformverfahren, insbesondere einem Blech-Umformverfahren oder Massiv-Umformverfahren hergestellt worden sind. A manufacturing unit according to claim 6 is used to manufacture the individual parts. The individual parts are, in particular, metallic individual parts which have been produced, for example, in a forming process, in particular a sheet metal forming process or a solid forming process.

Die Herstellungs-Einheit kann eine Presse zum Ziehen von Metallblech oder eine Walz-Vorrichtung zum Gewindewalzen von Schrauben sein. Die Herstellungs-Einheit kann auch eine Urform-Vorrichtung zum Gießen von Einzelteilen aus metallischen Werkstoffen oder aus Kunststoff-Werkstoffen sein. Die Herstellungs-Einheit kann auch eine Vorrichtung zur spanenden Bearbeitung von Werkstücken sein, beispielsweise eine Drehmaschine, eine Fräsmaschine, eine Werkzeugmaschine oder ein Bearbeitungszentrum. The manufacturing unit can be a press for drawing sheet metal or a rolling device for thread-rolling screws. The manufacturing unit can also be a master device for casting individual parts from metallic materials or from plastic materials. The manufacturing unit can also be a device for machining workpieces, for example a lathe, a milling machine, a machine tool or a machining center.

Ein Verfahren zur Qualitätsprüfung, insbesondere zur automatisierten Qualitätsprüfung bei der Herstellung von Einzelteilen weist im Wesentlichen die Vorteile des erfindungsgemäßen Systems auf, worauf hiermit verwiesen wird.A method for quality inspection, in particular for automated quality inspection in the production of individual parts, essentially has the advantages of the system according to the invention, to which reference is hereby made.

Das Bewerten der Qualität der real hergestellten Einzelteile gemäß Anspruch 12 ermöglicht eine schnelle und unmittelbare Rückmeldung über den Herstellungsprozess, also die Herstellung der Einzelteile. Das Bewerten der mittels der Bilderfassungs-Einheit erzeugten Real-Abbildungen, insbesondere Bilder, also Fotografien, erfolgt mittels des neuronalen Netzwerkes, in dem die Abbildungen in fehlerfreie und fehlerhafte Einzelteile klassifiziert sind. Bei dem Bewerten werden die Real-Abbildungen durch das trainierte neuronale Netzwerk klassifiziert. Ein Vergleich der Real-Abbildungen mit den Trainingsdaten ist entbehrlich. Das Bewerten erfordert vergleichsweise wenig Speicherkapazität und Rechenleistung eines Prozessors. Das Bewerten kann unaufwändig und schnell durchgeführt werden. So ist eine Zuordnung der real hergestellten Einzelteile als fehlerfreies oder fehlerhaftes Einzelteil zuverlässig möglich.The evaluation of the quality of the actually manufactured individual parts according to claim 12 enables quick and immediate feedback about the manufacturing process, that is to say the manufacture of the individual parts. The real images, in particular images, that is to say photographs, generated by means of the image acquisition unit are evaluated by means of the neural network in which the images are classified into error-free and faulty individual parts. During the assessment, the real images are classified by the trained neural network. It is not necessary to compare the real images with the training data. The evaluation requires comparatively little memory capacity and computing power of a processor. The assessment can be carried out quickly and easily. An assignment of the actually manufactured individual parts as a faultless or defective individual part is thus reliably possible.

Insbesondere ist eine Überwachung aller hergestellten Einzelteile möglich. Dadurch, dass die Qualitätsprüfung und damit die Bewertung der Einzelteile automatisiert durchgeführt werden kann, ist der Aufwand dafür reduziert. Insbesondere ist eine Verzögerung des Herstellverfahrens durch die automatisierte Qualitätsprüfung vermieden. Das Qualitätsergebnis ist verbessert. Anstelle punktueller Stichprobenprüfungen findet eine geschlossene, insbesondere lückenlose, Überprüfung der hergestellten Einzelteile statt.In particular, monitoring of all manufactured individual parts is possible. The fact that the quality check and thus the evaluation of the individual parts can be carried out automatically reduces the effort involved. In particular, a delay in the manufacturing process due to the automated quality inspection is avoided. The quality result is improved. Instead of spot checks, there is a closed, in particular complete, check of the manufactured parts.

Ein Regeln des Herstellverfahrens der Einzelteile gemäß Anspruch 13 ermöglicht eine kontinuierliche Qualitätsverbesserung bei dem Herstellverfahren. Das Ergebnis aus der Bewertung der Einzelteile kann als Regelparameter bei der Herstellung der Einzelteile dienen. Dadurch ist ein unmittelbares Feedback für das Herstellungsverfahren aus der Qualitätsprüfung möglich. Insbesondere lassen sich unerwünschte Abweichungs-Trends bei der Herstellung der Einzelteile erkennen, wenn beispielsweise das Ist-Maß für die Einzelteile im Verlauf des Herstellverfahrens sich von einem zulässigen Toleranzbereich in Richtung eines oberen oder unteren Schwellwertes verlagert. Ein unerwünschter Abweichungs-Trend ist auch dann gegeben, wenn fehlerhafte Einzelteile im Verlauf eines Herstellungsverfahrens wiederholt auftreten, insbesondere mit dem selben oder einem ähnlichen Fehlermuster. Durch das Feedback kann dieser Trend in einer Regelungseinheit erkannt und durch Berücksichtigung von einstellbaren Maschinenparametern in der Herstellungs-Einheit kompensiert werden. Das Feedback kann auch dazu dienen, fehlerhafte Werkstoffe zu erkennen, die beispielsweise nicht die erforderliche Werkstoffgüte und/oder die erforderlichen Ausgangsmaße, wie beispielsweise Blechdicke oder Stangen-Durchmesser, aufweisen.Regulating the manufacturing process of the individual parts according to claim 13 enables a continuous quality improvement in the manufacturing process. The result of the evaluation of the individual parts can serve as control parameters in the production of the individual parts. This enables direct feedback for the manufacturing process from the quality inspection. In particular, undesirable trends in deviation in the manufacture of the individual parts can be identified if, for example, the actual dimension for the individual parts shifts in the course of the manufacturing process from a permissible tolerance range in the direction of an upper or lower threshold value. There is also an undesirable trend of deviation if defective individual parts occur repeatedly in the course of a manufacturing process, in particular with the same or a similar error pattern. This trend can be recognized in a control unit by the feedback and can be compensated for by taking into account adjustable machine parameters in the manufacturing unit. The feedback can also be used to identify defective materials which, for example, do not have the required material quality and / or the required initial dimensions, such as sheet thickness or rod diameter.

Sowohl die in den Patentansprüchen angegebenen Merkmale als auch die in dem im nachfolgenden Ausführungsbeispiel des erfindungsgemäßen Systems angegebenen Merkmale sind jeweils für sich alleine oder in Kombination miteinander geeignet, den erfindungsgemäßen Gegenstand weiterzubilden. Die jeweiligen Merkmalskombinationen stellen hinsichtlich der Weiterbildungen des Erfindungsgegenstands keine Einschränkung dar, sondern weisen im Wesentlichen lediglich beispielhaften Charakter auf.Both the features specified in the patent claims and the features specified in the subsequent exemplary embodiment of the system according to the invention are each suitable, alone or in combination with one another, for developing the subject according to the invention. The respective combinations of features do not represent any restrictions with regard to the developments of the subject matter of the invention, but essentially have only an exemplary character.

Weitere Merkmale, Vorteile und Einzelheiten der Erfindung ergeben sich aus der nachfolgenden Beschreibung des Ausführungsbeispiels anhand der Zeichnung. Es zeigen:

1 eine schematische Darstellung eines erfindungsgemäßen Systems zum Trainieren eines neuronalen Netzwerkes,
2 ein Flussdiagramm zur Veranschaulichung der einzelnen Schritte gemäß dem Verfahren in 1,
3 eine schematisch Darstellung des Systems in 1 zur Qualitätsprüfung hergestellter Einzelteile,
4 mittels einer Bilderfassungs-Einheit erzeugte Real-Abbildungen hergestellter Einzelteile,
5 Abbildungen zur Klassifizierung in fehlerfreie und fehlerhafte Einzelteile.

Further features, advantages and details of the invention result from the following description of the exemplary embodiment with reference to the drawing. Show it:

1 1 shows a schematic representation of a system according to the invention for training a neural network,
2 a flowchart to illustrate the individual steps according to the method in 1 .
3 a schematic representation of the system in 1 for quality inspection of manufactured parts,
4 real images of individual parts produced by means of an image acquisition unit,
5 Images for classification into flawless and faulty individual parts.

Einander entsprechende Komponenten sind in den 1 bis 5 mit denselben Bezugszeichen versehen. Auch Einzelheiten des im Folgenden näher erläuterten Ausführungsbeispiels können für sich genommen eine Erfindung darstellen oder Teil eines Erfindungsgegenstands sein.Corresponding components are in the 1 to 5 provided with the same reference numerals. Details of the exemplary embodiment explained in more detail below can in themselves represent an invention or be part of an object of the invention.

Ein als Ganzes mit 1 bezeichnetes System dient zur automatisierten Qualitätsprüfung bei der Herstellung von Einzelteilen. Das System 1 umfasst eine Berechnungs-Einheit 2 in Form eines Rechners, insbesondere eines Computers, der zur Durchführung eines Berechnungsprogrammes dient. Das Berechnungsprogramm ist insbesondere ein nummerisches Simulationsprogramm auf Basis der Finite-Elemente-Methode. Das System 1 umfasst ferner ein neuronales Netzwerk 3 mit einer Eingabe 4 und einer Ausgabe 5. Das neuronale Netzwerk 3 ist mit der Berechnungs-Einheit 2 in Signalverbindung. Das neuronale Netzwerk 3 ist ferner mit einer Bilderfassungs-Einheit 6, insbesondere einer Kamera, in Signalverbindung. Das neuronale Netzwerk 3 ist beispielsweise über die Bilderfassungs-Einheit 6 mit einer Herstellungs-Einheit 7 verbunden. Das neuronale Netzwerk 3 kann auch unmittelbar mit der Herstellungs-Einheit 7 in Signalverbindung stehen. Gemäß dem gezeigten Ausführungsbeispiel ist die Herstellungs-Einheit 7 eine Anlage zur Herstellung von Schrauben mit Außengewinde.A system designated as a whole by 1 is used for the automated quality inspection in the production of individual parts. The system 1 includes a calculation unit 2 in the form of a computer, in particular a computer, which is used to carry out a calculation program. The calculation program is in particular a numerical simulation program based on the finite element method. The system 1 also includes a neural network 3 with one entry 4 and an issue 5 , The neural network 3 is with the calculation unit 2 in signal connection. The neural network 3 is also with an image capture unit 6 , in particular a camera, in signal connection. The neural network 3 is, for example, about the image capture unit 6 with a manufacturing unit 7 connected. The neural network 3 can also directly with the manufacturing unit 7 are in signal connection. According to the embodiment shown, the manufacturing unit 7 a system for the production of screws with external thread.

Nachfolgend wir das Verfahren zur automatisierten Qualitätsprüfung näher erläutert.The procedure for automated quality inspection is explained in more detail below.

Mit dem Berechnungsprogramm der Berechnungs-Einheit 2 werden für ein herzustellendes Einzelteil verschiedene erstellt, also berechnet und dem neuronalen Netzwerk 3 zur Verfügung gestellt. Die werden dem neuronalen Netzwerk 3 zugeführt. Das neuronale Netzwerk 3 wird auf Basis der Abbildungen angelernt, also trainiert. Die Abbildungen sind Trainingsdaten.With the calculation program of the calculation unit 2 are different for a single part to be manufactured created, so calculated and the neural network 3 made available. The become the neural network 3 fed. The neural network 3 is taught on the basis of the illustrations, i.e. trained. The figures are training data.

Das Erstellen der und das Bereitstellen der für das neuronale Netzwerk 3 ist anhand von 2 im Einzelnen erläutert.Creating the and providing the for the neural network 3 is based on 2 explained in detail.

In einem Berechnungsschritt 9 wird mittels des Berechnungsprogramms der Berechnungs-Einheit 2 ein Berechnungsergebnis erzeugt. Aus dem Berechnungsergebnis werden in einem Datenexportschritt 10 die für die Erstellung der erforderlichen Daten des Berechnungsergebnisses, insbesondere Daten zur Erzeugung eines dreidimensionalen Modells des hergestellten Bauteils, exportiert. Der Datenexportschritt wird auch als 3D-Export bezeichnet. Die exportieren Daten für eine dreidimensionale Abbildung des Berechnungsergebnisses werden in einem Transformationsschritt 11 in eine Zielansicht und/oder Zielausrichtung für die überführt. Durch den Transformationsschritt 11 wird die Vergleichbarkeit der Berechnungsergebnisse mit der optischen Erfassung hergestellter Einzelteile verbessert. Der Transformationsschritt 11 erfolgt insbesondere automatisiert mittels eines Berechnungsprogramms.In one calculation step 9 is by means of the calculation program of the calculation unit 2 generates a calculation result. The calculation result becomes a data export step 10 the for the creation of the required data of the calculation result, in particular data for generating a three-dimensional model of the manufactured component, exported. The data export step is also known as 3D export. The exported data for a three-dimensional representation of the calculation result are in a transformation step 11 in a target view and / or target orientation for the transferred. Through the transformation step 11 the comparability of the calculation results with the optical detection of manufactured parts is improved. The transformation step 11 in particular takes place automatically by means of a calculation program.

In einem Renderingschritt 12 wird das transformierte und/oder ausgerichtete 3D-Datenmodell gerendert, insbesondere mehrschichtig gerendert und gemischt. Das so erzeugte Datenmodell wird mittels einer Kalibrierungs-Einheit in einem Kalibrierungsschritt 13 kalibriert. Dazu werden in einem Referenzschritt 14 optische Aufnahmen realer Einzelteile erzeugt und zur Kalibrierung der verwendet. Ergebnisse von Aufnahmen, die in dem Referenzschritt 14 erzeugt worden sind, sind in 4 dargestellt.In a rendering step 12 the transformed and / or aligned 3D data model is rendered, in particular rendered and mixed in multiple layers. The data model generated in this way is calibrated using a calibration unit 13 calibrated. To do this in a reference step 14 optical recordings of real individual parts generated and for the calibration of used. Results of recordings made in the reference step 14 have been generated are in 4 shown.

4 zeigt vier verschiedene Beispiele von Real-Abbildungen in Form von optischen Aufnahmen, also Fotografien, hergestellter Schrauben. In der linken Spalte sind die Rohdaten der optischen Aufnahmen 16 dargestellt. In dem jeweils korrespondierenden rechten Bild 17 sind die Aufnahmen nach einer Bildbearbeitung dargestellt. Im gezeigten Ausführungsbeispiel umfasst die Bildbearbeitung im Wesentlichen eine Binarisation mit einem Schwellwert. Zusätzlich kann eine Spiegelung der Darstellung um die Vertikalachse vorgesehen sein, um die Anzahl der möglichen Abbildungen zu erhöhen. 4 shows four different examples of real images in the form of optical recordings, i.e. photographs, of screws produced. The raw data of the optical recordings are in the left column 16 shown. In the corresponding picture on the right 17 the pictures are shown after an image processing. In the exemplary embodiment shown, the image processing essentially comprises binarization with a threshold value. In addition, the display can be mirrored about the vertical axis in order to increase the number of possible images.

5 zeigt das Ergebnis des Kalibrierungsschritts 13, in dem die Bilder 17a bis 17c aus dem Referenzschritt 14 klassifiziert werden. Entsprechend können ein fehlerfreies Einzelteil 17a oder ein fehlerhaftes Teil wegen fehlerhaftem Außengengewinde 17b und/oder gebrochenem Schaft 17c klassifiziert werden. Die in dem Kalibrierungsschritt 13 und dem Referenzschritt 14 erzeugten Bilder werden in einem Speicherungsschritt 15 in einem Datenspeicher gespeichert. Der Datenspeicher ist mit dem neuronalen Netzwerk 3, insbesondere mit der Eingabe 4 des neuronalen Netzwerks 3 verbunden. Der Datenspeicher kann auch in dem neuronalen Netzwerk 3 integriert sein. 5 shows the result of the calibration step 13 in which the pictures 17a to 17c from the reference step 14 be classified. Accordingly, a flawless item 17a or a faulty part due to faulty external gene thread 17b and / or broken shaft 17c be classified. The one in the calibration step 13 and the reference step 14 generated images are stored in one step 15 stored in a data store. The data storage is with the neural network 3 , especially with the input 4 of the neural network 3 connected. The data store can also be in the neural network 3 be integrated.

Mit der Berechnungs-Einheit ist es möglich, eine Vielzahl an Eingangsdaten für das neuronale Netzwerk 3 schnell und unaufwändig bereitzustellen. Die Bereitstellung von Trainingsdaten für das neuronale Netzwerk 3 für den in 1 dargestellten Trainingsschritt des Systems 1 ist unkompliziert und unaufwändig. In dem neuronalen Netzwerk 3 werden die bewertet und klassifiziert. Über die Ausgabe 5 des neuronalen Netzwerks 3 ist die Entscheidung möglich, ob es sich bei der um ein fehlerfreies oder fehlerbehaftetes Teil handelt.With the calculation unit, it is possible to generate a large number of input data for the neural network 3 quick and easy to deploy. The provision of training data for the neural network 3 for the in 1 shown system training step 1 is straightforward and inexpensive. In the neural network 3 will the evaluated and classified. About the issue 5 of the neural network 3 it is possible to decide whether the is a faultless or defective part.

Während der Trainingsphase des neuronalen Netzwerkes 3, die in 1 dargestellt ist, werden die Trainingsdaten 8 dem neuronalen Netzwerk 3 zugeführt. Für jede einzelne ist a priori bekannt, ob es sich um ein fehlerfreies oder fehlerbehaftetes Einzelteil handelt. Während der Trainingsphase wird die Information der Klassenzugehörigkeit der über einen Informations-Bypass 20 an dem neuronalen Netzwerk 3 vorbeigeleitet und mit dem Entscheidungsergebnis des neuronalen Netzwerkes 3 über die Ausgabe 5 verglichen. Durch diesen Vergleich können die Parameter des neuronalen Netzwerkes 3 variiert und insbesondere gezielt eingestellt werden.During the training phase of the neural network 3 , in the 1 is shown, the training data 8th the neural network 3 fed. For each one it is known a priori whether it is a faultless or faulty item. During the training phase, information about the class belonging to the via an information bypass 20 on the neural network 3 passed and with the decision result of the neural network 3 about the issue 5 compared. Through this comparison, the parameters of the neural network 3 can be varied and specifically adjusted.

In einem der Trainingsphase gemäß 1 nachgelagerten Bewertungsschritt wird die Qualität der real hergestellten Einzelteile mittels des neuronalen Netzwerkes 3 bewertet. Die in der Herstellungs-Einheit 7 hergestellten Einzelteile werden mittels einer Bilderfassungs-Einheit 6 in Form einer Kamera optisch erfasst. Die optischen Aufnahmen der Einzelteile können, wie vorstehend anhand der 4 erläutert, für die Vergleichbarkeit der Daten digital bearbeitet werden. Die so erzeugte optische Aufnahme 16, 17 des Einzelteils wird der Eingabe 4 des neuronalen Netzwerks 3 zugeführt und mit den hinterlegten Trainingsdaten, also den , verglichen und anschließend bewertet.In one of the training phases 1 Downstream evaluation step is the quality of the actually manufactured individual parts by means of the neural network 3 rated. The one in the manufacturing unit 7 Individual parts are manufactured using an image capture unit 6 optically recorded in the form of a camera. The optical recordings of the individual parts can, as above based on the 4 explained for digital comparability of the data. The optical image created in this way 16 . 17 of the item is entering 4 of the neural network 3 fed and with the stored training data, i.e. the , compared and then evaluated.

Das Bewertungsergebnis, ob es sich bei dem Einzelteil um ein fehlerfreies oder fehlerhaftes Einzelteil handelt, kann in einer Anzeigeeinheit 18 angezeigt werden. Die Anzeigeeinheit 18 kann zur optischen und/oder akustischen Anzeige dienen und ist beispielsweise ein Monitor mit Lautsprechern. Die Anzeigeeinheit 18 kann auch ein Blinklicht aufweisen, das in unmittelbarer Nähe der Herstellungseinheit angeordnet ist. Die Anzeigeeinheit 18 signalisiert insbesondere, wenn fehlerhafte Einzelteile erkannt werden. Dadurch ist einem Maschinenbediener die Möglichkeit gegeben, in das Herstellungsverfahren einzugreifen, beispielsweise das Herstellverfahren zu unterbrechen und/oder Veränderungen an den Herstellparametern, insbesondere an den Parametern der Herstellungs-Einheit 7 vorzunehmen.The evaluation result as to whether the individual part is a faultless or faulty individual part can be shown in a display unit 18 are displayed. The display unit 18 can be used for visual and / or acoustic display and is, for example, a monitor with speakers. The display unit 18 can also have a flashing light which is arranged in the immediate vicinity of the production unit. The display unit 18 signals in particular when defective individual parts are detected. This enables a machine operator to intervene in the manufacturing process, for example to interrupt the manufacturing process and / or to change the manufacturing parameters, in particular the parameters of the manufacturing unit 7 make.

Es ist zusätzlich oder alternativ denkbar, die Ergebnisdaten, die an der Ausgabe 5 des neuronalen Netzwerkes 3 bereitgestellt werden, unmittelbar einer Regelungseinheit 19 zuzuführen. In der Regelungseinheit 19 kann ein Stellsignal erzeugt und an die Herstellungs-Einheit 7 übermittelt werden. Dadurch ist es möglich, eine Online-Überwachung des Herstellungsverfahrens bereitzustellen und insbesondere unmittelbar auf das Herstellungsverfahren zu reagieren. Es ist möglich, eine Online-Qualitätssicherung bereitzustellen und über den Rückfluss von Informationen aus dem Herstellungsprozess die Herstellungs-Einheit 7 zu steuern. Die Qualitätsprüfung ist mit dem gezeigten Verfahren kontinuierlich im Prozess möglich.It is additionally or alternatively conceivable for the result data to be output 5 of the neural network 3 are provided directly to a control unit 19 supply. In the control unit 19 can generate a control signal and sent to the manufacturing unit 7 be transmitted. This makes it possible to provide online monitoring of the manufacturing process and, in particular, to react directly to the manufacturing process. It is possible to provide online quality assurance and the manufacturing unit via the backflow of information from the manufacturing process 7 to control. With the method shown, the quality check can be carried out continuously in the process.

Der wesentliche Vorteil des Systems 1 und des Verfahrens besteht darin, dass die Trainingsdaten ausschließlich auf Basis berechneter bestehen.The main advantage of the system 1 and the method is that the training data is calculated only on the basis consist.

Claims

System for quality inspection in the production of individual parts, the system comprising (1) a. a calculation unit (2) for creating images (8) of the individual parts to be produced, b. a neural network (3) for classification into flawless and faulty individual parts based on the illustrations (8).

System according to Claim 1 , characterized in that the calculation unit (2) comprises a calculation program which is designed as a simulation program for simulating the manufacture of the individual parts.

System according to Claim 2 , characterized in that the calculation program includes model data of different materials and / or different target geometries for the individual parts.

System according to one of the preceding claims, characterized by a calibration unit for calibrating the images (8) for the neural network (3).

System according to one of the preceding claims, characterized by an image capturing unit (6) for optically capturing manufactured parts.

System according to one of the preceding claims, characterized by a manufacturing unit (7) for manufacturing the individual parts.

Process for quality inspection in the production of individual parts with the process steps - Creation of images (8) of the individual parts to be produced by means of a calculation unit (2), Storing a large number of images (8) of individual parts created in the calculation unit (2) in a data memory, - Classification into error-free and defective individual parts by means of a neural network (3) based on the illustrations (8).

Procedure according to Claim 7 , characterized by simulating the manufacture of the individual parts using a simulation program.

Procedure according to Claim 7 or 8th , characterized by calibrating the recordings for the neural network (3) by means of a calibration unit.

Method according to one of the Claims 7 to 9 , characterized by manufacturing the individual parts by means of a manufacturing unit (7).

Method according to one of the Claims 7 to 10 , characterized by optical capturing of manufactured individual parts by means of an image capturing unit (6).

Method according to one of the Claims 7 to 11 , characterized by evaluating the quality of the individual parts produced, in particular all individual parts, by means of the neural network (3), the neural network (3) having been trained beforehand by means of the illustrations (8).

Procedure according to Claim 12 , characterized by returning the quality result as a control parameter for the manufacturing unit (7).