Quality Gate - automatische Erkennung von Produktionsfehlern

AR-basierte Inspektionsverfahren konnten sich in den letzten 2 Jahren als Standardwerkzeug in der Qualitätsinspektion etablieren. Dabei geht es darum, sehr schnell und sehr flexibel fehlende Bauteile/Bohrlöcher zu identifizieren. Die Verfahren basieren auf den 3D-CAD Modellen der überprüften Komponenten und funktionieren am besten mit großen Schweißbaugruppen. Es werden aber immer mehr Verfahren eingefordert, die dem Prüfer nicht nur eine Überlagerung der 3D-Modelle zur Verfügung stellen, sondern die auch algorithmisch auf Bereiche hinweisen, in denen eine Differenz zwischen SOLL und IST Modell vorliegen kann.
Nicht detektierte Produktionsfehler führen häufig zu großen Folgeschäden: Im günstigsten Fall müssen montierte Maschinerien zurückgebaut werden, um fehlerhafte Bauteile auszutauschen. Bei Kleinserien oder Unikaten müssen allerdings die fehlerhaften Komponenten z.T. komplett neu angefertigt und angeliefert werden. D.h. Produktionskapazitäten liegen still, Lieferfristen können nicht eingehalten werden. Deswegen lohnt sich eine Investition in die Qualitätsinspektion. Bisherige AR-Inspektionserfahren unterstützen eine visuelle Vollständigkeitsprüfung.
Das Alleinstellungsmerkmal bei diesem Projekt bildet sich deshalb aus der Kombination der Kameraverortung zur Maschine („Tracking“) und der Bildverarbeitung.

Die Verfahren eigenen sich zur Entwicklung von „Quality Gates“, die nach jedem Produktionsschritt die korrekte Montage von Maschinen sicherstellt (v.a. für Land-/Bau-/ Forstmaschinen sowie Bahn-/Schiffs- und Automobilbau interessant).
Das AR-Inspektionssystem Twyn von Visometry ermöglicht effiziente Qualitätskontrollen entlang der gesamten Produktionskette. In Echtzeit vergleicht es CAD-Daten mit dem realen Objekt und erkennt Abweichungen sofort, was die Fehlerdokumentation optimiert. Besonders wertvoll ist Twyn für die Wareneingangskontrolle, Montageassistenz und Zwischenprüfungen. Durch Machine-Learning und Computer-Vision werden Fehler automatisch klassifiziert und häufige Fehler in einer Datenbank analysiert. Die Fehlersimulation trainiert das System gezielt auf relevante Fehlerarten, was die Präzision und Zuverlässigkeit erhöht. Damit verringern sich Produktionsausschuss und Standzeiten, was zu einer nachhaltigeren Fertigung beiträgt.

Unsere Idee entstand aus der Herausforderung, Produktionsfehler effizienter zu erkennen und zu reduzieren. Die zunehmende Komplexität in der Fertigung und der Bedarf an nachhaltiger Produktion motivierten uns, eine AR-basierte Qualitätsprüfung zu entwickeln, die sich nahtlos in bestehende Prozesse integriert. Unser Team vereint Kernkompetenzen in Machine-Learning, Computer-Vision und Augmented Reality, was uns ermöglicht, innovative Lösungen für präzise Fehlererkennung und -klassifikation zu schaffen. Besonders einzigartig ist die enge Zusammenarbeit zwischen unseren Softwareentwicklern, Datenwissenschaftlern und Branchenexperten. Diese interdisziplinäre Mischung stellt sicher, dass technologische Exzellenz mit tiefem Verständnis für industrielle Anwendungen kombiniert wird. So entwickeln wir ein System, das nicht nur leistungsfähig, sondern auch praxisnah und marktfähig ist.