KI-gestützte Qualitätskontrolle mit Impulsanregung

Von festen Schwellenwerten zur intelligenten Sortierung

Die Qualitätskontrolle durch Impulsanregung funktioniert seit Jahrzehnten auf die gleiche Weise: Vergleich der Resonanzfrequenz und Dämpfung jedes Teils mit festen Annahme-/Ablehnungsschwellenwerten. Teile innerhalb des Fensters bestehen. Teile außerhalb werden aussortiert.

Feste Schwellenwerte haben einen blinden Fleck. Ein einzelner Frequenzschwellenwert kann nicht unterscheiden, ob ein Teil außerhalb des Fensters liegt, weil es sich um normale Chargenvariation handelt oder weil es einen echten Fehler enthält. Wenn die Produktionsbedingungen driften (Werkzeugverschleiß, Materialchargen-Wechsel, Ofentemperaturverschiebungen), müssen die Bediener die Schwellenwerte erweitern, um die Fehlausschussrate niedrig zu halten. Weitere Schwellenwerte lassen mehr Grenzteile durch.

Kernaussage: Modelle des maschinellen Lernens, die auf vollständigen Resonanzspektren trainiert sind, klassifizieren Fehlertypen und passen sich an Produktionsdrift an – von der binären Gut/Schlecht-Entscheidung zur intelligenten Sortierung.

ML-Modelle analysieren die vollständige Resonanzsignatur: alle Schwingungsmoden, ihre relativen Amplituden, die Dämpfung für jeden Modus und die gesamte Spektralform. Muster, die ein einzelner Schwellenwert übersieht, werden klassifizierbar.

Was KI zur Impulsanregung beiträgt

Fehlerklassifikation

Ein gerissenes Teil und ein poröses Teil zeigen beide anomale Dämpfung. Ein Schwellenwert sortiert beide ohne Unterscheidung aus. Ein trainierter Klassifikator trennt sie. Porosität beeinflusst alle Moden gleichmäßig. Ein Riss erzeugt modenspezifische Dämpfungsspitzen abhängig von seiner Lage relativ zu den Knotenlinien.

Die Unterscheidung fließt direkt in die Prozesssteuerung ein. Wegen Porosität aussortierte Teile weisen auf die Ofenatmosphäre oder Pulverqualität hin. Wegen Rissbildung aussortierte Teile weisen auf thermischen Stress oder Ausstoßkraft hin. Die Sortierentscheidung wird diagnostisch.

Adaptive Schwellenwerte

Rohstoffeigenschaften variieren zwischen Lieferanten. Werkzeuge verschleißen allmählich. Ofenbedingungen verschieben sich über eine Kampagne. Feste Schwellenwerte, die bei der Ersteinrichtung festgelegt werden, müssen all diese Variation berücksichtigen, was bedeutet, dass sie konservativ eingestellt werden, was bedeutet, dass sie übermäßig aussortieren.

ML-Modelle, die auf gelabelten Produktionsdaten trainiert sind, lernen, wie normale Variation aussieht. Entscheidungsgrenzen folgen dem Prozesszustand und verschärfen sich dort, wo die Daten es unterstützen.

Prädiktive Qualität

Mit historischen Daten, die Resonanzsignaturen mit nachgelagerten Ergebnissen verknüpfen (Festigkeitsprüfung, Kundenreklamationen, Feldausfälle), sagen Modelle nicht nur voraus, ob ein Teil die aktuelle Spezifikation erfüllt, sondern wie es sich im Einsatz verhalten wird. Teile am Rand der akzeptablen Population werden für zusätzliche Prüfung markiert oder in weniger anspruchsvolle Anwendungen umgeleitet.

Die Datenbasis

Jede Impulsanregungsmessung erzeugt einen strukturierten, reproduzierbaren Datensatz in Millisekunden:

• Biegeresonanzfrequenz (Elastizitätsmodul-Indikator)
• Torsionsresonanzfrequenz (Schubmodul-Indikator)
• Dämpfungswerte für jeden Modus (Fehlerempfindlichkeit)
• Vollständiges Frequenzspektrum (Modenformen, Obertöne, Störspitzen)
• Teilemasse und Abmessungen (Dichteberechnung)

Die Daten sind numerisch, rauscharm und hochdimensional genug für ML, ohne unhandlich zu sein. Eine Produktionslinie, die über 1 000 Messungen pro Stunde erzeugt, sammelt über 8 000 gelabelte Beispiele pro Schicht.

Bildbasierte KI-Inspektion erfordert teure Kameras, kontrollierte Beleuchtung und massive Bilddatensätze. Schwingungsanalyse an rotierenden Maschinen befasst sich mit instationären Signalen und Umgebungskontamination. Impulsanregungsdaten kommen sauber: Die Messung ist kontrolliert, reproduzierbar und physikbasiert.

Anwendungsbereiche

Automobiler Antriebsstrang

Gusseisenkomponenten, gesinterte Zahnräder und Pleuelstangen werden in Stückzahlen produziert, bei denen eine 100%-Prüfung obligatorisch ist und Fehlausschusskosten pro Schicht gemessen werden. ML-verbesserte Impulsanregung trennt akzeptable Gussvariation von echten Nodularitätsdefekten in duktilem Gusseisen oder unterscheidet unvollständiges Sintern von Dichtevariation in PM-Teilen.

Additive Fertigung

AM-Teile weisen prozessspezifische Fehler auf (Bindefehler, Schlüssellochporosität, Eigenspannungen), die andere Resonanzsignaturen erzeugen als Guss- oder Schmiedefehler. Auf AM-spezifische Daten trainierte Modelle lernen diese Muster. Wenn die AM-Produktion vom Prototyping zur Serienfertigung skaliert, löst die automatisierte Resonanzprüfung den Qualitätsengpass.

Keramik und technische Bauteile

Ein einzelner unentdeckter Fehler in einem Keramikteil bedeutet katastrophales Versagen. ML-Modelle, die auf keramischen Resonanzdaten trainiert sind, unterscheiden akzeptable Porositätsniveaus von kritischen Rissinitiierungsstellen. Feste Dämpfungsschwellenwerte bewältigen dies schlecht, da akzeptable Dämpfungsbereiche je nach Teilegeometrie und Materialsorte variieren.

Bremsbeläge und Reibmaterialien

SAE J2598 schreibt bereits Resonanzprüfungen für Bremsbeläge vor. ML erweitert dies von der Konformitätsprüfung zur prädiktiven NVH-Klassifikation: Korrelation der Resonanzsignaturen von Bremsbelägen mit der Quietschneigung am Fahrzeug, bevor der Belag eine Achse erreicht.

Auf dem Weg zur KI-Integration

Organisationen, die bereits Impulsanregung auf Produktionslinien einsetzen, haben den schwierigsten Teil erledigt. Die Messinfrastruktur ist vorhanden und erzeugt Daten.

Beginnen Sie damit, vollständige Resonanzspektren zusammen mit Gut/Schlecht-Entscheidungen und nachgelagerten Qualitätsergebnissen aufzuzeichnen. Dieser gelabelte Datensatz wird zur Trainingsgrundlage. Pilotmodelle laufen im Schattenmodus parallel zu bestehenden Schwellenwerten und beweisen ihren Wert, bevor sie die Entscheidungshoheit übernehmen.

Das Inline-System und die Messstation von GrindoSonic erfassen das vollständige Resonanzspektrum bei Produktionsgeschwindigkeit. Sechs Jahrzehnte der Verfeinerung der Messphysik haben die stabilen, reproduzierbaren Daten hervorgebracht, die ML erfordert.