Inline-Qualitätssicherung von Prüfstiftspitzen

Ausgangssituation

Die einwandfreie elektrische Kontaktierung von Prüfstiften mit dem Prüfling wird maßgeblich durch die Qualität der Prüfstiftspitzen beeinflusst.

Bei den empfindlichen Spitzen kann es zu Beschädigungen kommen. Aufgrund der kleinen Abmessungen und der kurzen Taktraten in der automatisierten Fertigung der Prüfstifte sind Beschädigungen nur schwer zu erkennen. Die Fehlerbilder sind dabei vielfältig und die Gut-/Schlecht-Kriterien lassen sich nur teilweise in Zahlen fassen. 

Lösungsidee

Ein kamerabasiertes Prüfsystem soll in den Fertigungsprozess der Prüfstifte integriert und mit KI-basierter Bildauswertung kombiniert werden. Nach einer Einlernphase mit Hilfe von Gut-/Schlecht-Mustern soll dieses Prüfsystem zunehmend besser in die Lage versetzt werden, beschädigte Prüfstiftspitzen selbständig zu erkennen. Über ein Signal an eine vorhandene oder gegebenenfalls nachzurüstenden Ausschleusevorrichtung sollen dann als beschädigt erkannte Prüfspitzen oder alternativ die ganzen Stifte automatisiert aus dem Prozess entfernt werden.

Nutzen

Prüfstifte müssen ein mindestens ebenso hohes Niveau an Funktionssicherheit, Zuverlässigkeit und Verfügbarkeit aufweisen wie die damit zu prüfenden Elektronikbaugruppen. Andernfalls führt dies zu erhöhtem Aufwand. Werden beschädigte Prüfstiftspitzen erst durch den Endanwender beim Einbau erkannt, so führt dies dort zu erhöhtem Aufwand und im Extremfall zum Stillstand der Fertigungslinie, mindestens aber des Prüfsystems. Ein hohes Qualitätsniveau und eine entsprechend gute Reputation stellt bei Prüfstiften zudem ein Alleinstellungsmerkmal gegenüber den internationalen Wettbewerbern dar.

Umsetzung der KI-Applikation 

Dem Fraunhofer IPA wurden Bilder von Gut- und Schlechtteilen zur Verfügung gestellt. Die Bilder wurden entsprechend vorverarbeitet und in Trainings-, Validierungs- und Testsets unterteilt.

Anhand der Trainingsbilder wurden verschiedene Klassifizierungsmodelle aus der Klasse der Convolutional Neural Networks trainiert. Die Auswertungen des Testsets zeigten eine positive Erkennungsrate der Gut- und Schlechtteile. Mittels Methoden der erklärbaren KI wurden diese Ergebnisse zusätzlich verifiziert. Dabei wurde überprüft, anhand welcher Bildbereiche die Modelle eine Klassifizierungsentscheidung trafen.

Ausgangssituation

Prüfstifte (Gefederte Kontaktstifte) werden in der manuellen oder automatischen Prüfung von Elektronikbaugruppen und von Steckern an Kabelbäumen zur Kontaktierung der Prüfpunkte verwendet. Bei Fertigung, Lagerung, Transport, Kommissionierung oder Weiterverarbeitung kann es zu Beschädigungen an den empfindlichen Spitzen kommen. Aufgrund der kleinen Abmessungen und der kurzen Taktraten in der automatisierten Fertigung sind solche Beschädigungen nur schwer zu erkennen. Üblicherweise werden deshalb Gut-/Schlecht-Bilder bzw. -Muster zur subjektiven Beurteilung durch das Bedien- oder QS-Personal verwendet, allerdings prinzipbedingt nur in Form von Stichprobenprüfungen.

Lösungsidee

Ein kamerabasiertes Prüfsystem soll in den Fertigungsprozess der Prüfstifte integriert und mit KI-basierter Bildauswertung kombiniert werden. Nach einer Einlernphase mit Hilfe von Gut-/Schlecht-Mustern soll dieses Prüfsystem zunehmend besser indie Lage versetzt werden, beschädigte Prüfstiftspitzen selbständig zu erkennen. 

Nutzen

Prüfsysteme und die darin enthaltenen Prüfstifte müssen schon grundsätzlich ein mindestens ebenso hohes Niveau an Funktionssicherheit, Zuverlässigkeit und Verfügbarkeit aufweisen wie die damit zu prüfenden Elektronikbaugruppen. Werden beschädigte Prüfstiftspitzen erst durch Endanwenderinnen und -anwender beim Einbau erkannt, so führt dies dort zu erhöhtem Aufwand und im Extremfall zum Stillstand der Fertigungslinie, mindestens aber des Prüfsystems. Ein hohes Qualitätsniveau und eine entsprechend gute

Reputation stellt bei Prüfstiften zudem ein Alleinstellungsmerkmal

gegenüber den internationalen Wettbewerbern dar.

Umsetzung der KI-Applikation 

Defekte und nicht defekte Prüfspitzen wurden in einem Fotosetup und monochromer Kamera mittels Elektromotor abfotografiert. Diese Bildsequenzen, zusammen mit der Information über defekte Proben, stellen die Datengrundlage dar, mit der verschiedene aktuelle Netzarchitekturen (mit LSTM Layer versehen) auf diesen Klassifizierungstask trainiert und mit K-Cross- Validation überprüft wurden. In einem weiteren Schritt wurde diese Datenbank erfolgreich mittels Semi-Supervised-Learning erweitert.