In der Produktionsentwicklung spielen die Reinheit eines Produkts und die damit verbundene Qualitätskontrolle eine zentrale Rolle. Um eine maximale Material- und Kostenersparnis zu gewährleisten, ist die zuverlässige Vermessung der gefertigten Produkte sowie die Detektion von Abweichungen hinsichtlich der vorgegebenen Produktspezifikation unabdingbar. Das Ziel von ML-X-RAY ist die Erforschung und Weiterentwicklung eines Vermessungssystems für die Prüfung inhomogener Kabel- und Rohrprodukte mit Hilfe innovativer Ansätze aus dem Bereich Machine Learning (ML) bzw. Deep Learning (DL) in Form von Convolutional Neural Networks (CNN).

Grundsätzlich wird zwischen sogenannten homogenen und inhomogenen Produkten in der Fertigung unterschieden. In die Gruppe der homogenen Produkte fallen beispielsweise Glattrohre (rotationssymmetrische Hohlzylindergeometrie ohne Modulation im Längenprofil). Der Fokus in diesem Vorhaben liegt auf der Vermessung inhomogener Produkte. Bedingt durch die Fertigungsprozesse können Inhomogenitäten in Produkten, insbesondere bei Rohren und Kabeln, grundsätzlich in zwei Ebenen vorliegen. Einerseits sind diese in Fertigungsrichtung bzw. Extrusionsrichtung, dementsprechend eine Modulation im Längenprofil wie bei sogenannten Wellrohren, zu finden. Andererseits kann der Querschnitt des gefertigten Produktes, wie bei sogenannten verseilten Kabeln, asymmetrisch, bezogen auf die Längsachse, durch das Vorhandensein von mehr als einer Ader aufgebaut sein.

Die Grundlage des Vorhabens liefert hier das mehrachsige System X-RAY 6000 der Firma SIKORA AG, welches aus Röntgenquellen und direkten, digitalen Röntgenbildaufnahmen besteht. Dieses System ermöglicht die berührungslose Messung mehrschichtiger Produkte der Draht- und Kabel- sowie Rohr- und Schlauchindustrie. Typischerweise werden Produkte aus Materialien wie Nylon, Gummi, Silikon, Polyethylen (PE), Polyvinylchlorid (PVC), High-density Polyethylen (HDPE) oder Ethylen-Propylen-Dien-Monomer (EPDM), hinsichtlich Durchmesser, Ovalität, Wanddicke und Konzentrizität vermessen.

Aus den beschriebenen Inhomogenitäten entstehen erhöhte Anforderungen an die Datenanalyse: Im Rahmen des Projekts sollen deshalb neuartige ML-Verfahren sowie physikalische Modelle entwickelt werden. Die physikalischen Modelle ermöglichen die Synthese von Trainingsdaten verschiedener geometrischer Formen, die für die ML-Verfahren basierend auf neuronalen Netzen genutzt werden können. Einerseits werden dabei Signale in Form von Intensitätsverläufen aufgenommen, worin charakteristische Muster die Schichtübergänge zwischen verschiedenen Materialien beschreiben. Diese Mustererkennung bzw. Schichtübergangsidentifikation basiert in der aktuellen Software auf klassischen Verfahren des Curve-Fittings, welche jedoch technisch nicht in der Lage sind, in robuster Weise, die komplizierteren Muster der Inhomogenitäten korrekt zu erkennen. Anderseits sollen Muster in Extrusionsrichtung anhand der zeitlich korrelierten Intensitätsverläufe erkannt und ausgewertet werden.

Der beteiligte Industriepartner SIKORA ist eines der führenden Unternehmen für Mess- und Regeltechnik sowie Inspektions-, Analyse- und Sortiersysteme und einer der Hidden Champions im deutschen Mittelstand. In der Kabelindustrie ist SIKORA Weltmarktführer im Bereich Messtechnik. Das Vorhaben ML-X-RAY strebt die Entwicklung einer Software-Innovation basierend auf künstlicher Intelligenz (KI) an, welche die Anwendbarkeit der Messgeräte der SIKORA AG signifikant erweitern wird.

Unterstützt wird SIKORA durch das Zentrum für Technomathematik (ZeTeM) der Universität Bremen. Das ZeTeM deckt ein breites Feld von Forschung und Anwendungen aus den Bereichen der Lebens- und Ingenieurswissenschaften ab. Der Fokus der mathematischen Forschung liegt auf Inversen Problemen, Mathematischer Bild- und Signalverarbeitung, Deep Learning, Numerischer Analysis und Parameteridentifikation. Der zentrale Forschungsschwerpunkt vom ZeTeM ist das Deep Learning und neuronale Netze. Im Rahmen vielfältiger Forschungsprojekte werden grundlegende Themen wie die Verknüpfung von Deep Learning mit Inversen Problemen oder invertierbaren neuronalen Netzen untersucht.

 

Bearbeiter Sebastian Schmale, SIKORA AG
Projektförderung Europäischer Fond für regionale Entwicklung (EFRE)
Projektträger Bremer Aufbaubank (BAB)
Partner Maximilian Schmidt,Judith Nickel, Matthias Beckmann, Gaël Rigaud
Laufzeit 01.03.2021 – 31.10.2022