Positionsbestimmung von Befestigungsclips am Leitungssatz

Quick Check

Ausgangssituation

In der Automobilindustrie werden Karosserien mit komplexen Leitungssätzen ausgestattet, die auf Kundenwunsch gefertigt werden. Diese Leitungssätze werden mithilfe von Kunststoffclips an der Karosserie befestigt. Die Lage der Clips erlaubt eine gewisse Toleranz, ansonsten können die Clips nicht gesteckt werden. Um mögliche Lagefehler der unterschiedlichen Clips am Leitungssatz frühzeitig zu erkennen, soll ein Kamerasystem mithilfe von Maschinellem Lernen (ML) die Position in axialer Richtung sowie die Ausrichtung der Clips am Leitungssatz überprüfen. 

 

Lösungsidee

Methoden der klassischen Bildverarbeitung wurden bei Voruntersuchungen als bedingt tauglich befunden. Das bereits vorhandene Kamerasystem soll deshalb durch ML erweitert werden. Das Kamerasystem kann hierfür an einem Universal Robot (UR) 5 befestigt werden und an die benötigten Positionen gefahren werden. Es sollen die Abweichungen der Befestigungsposition in axialer Richtung auf +/- 5 Millimeter sowie eine rotatorische Abweichung im Toleranzbereich +/-30 Grad erkannt werden.

© Fraunhofer IPA

Nutzen

Leitungssätze werden individualisiert auf Kundenwunsch hergestellt. Die enorme Variantenvielfalt sowie komplexen Anforderungen erschweren eine Automatisierung und erfordern manuelle Arbeitsschritte. Um die Verlässlichkeit bei der Leitungssatzproduktion zu erhöhen, soll erstmals die Überprüfung einzelner Teilaspekte automatisiert werden. Diese Automatisierungslösung legt den Grundstein für weitere Möglichkeiten in einem Bereich, der von manuellen Arbeitsprozessen geprägt ist und ein hohes Potenzial aufweist.

 

Umsetzung der KI-Applikation 

In diesem Anwendungsfall sollen zwei verschiedene Typen von Clips klassifiziert werden. In einem Fall wird geprüft, ob der Clip sich korrekt in der vorgesehenen Halterung befindet oder nicht. Im anderen Fall werden leicht gedrehte Clips oder falsch positionierte Clips inspiziert. Von den Clips werden jeweils Bilder aus drei verschiedenen Perspektiven erfasst und als Input für die Modelle verwendet. Mit den definierten Anforderungen erreicht das trainierte Modell eine 100-prozentige Genauigkeit im Testset. Das Modell wurde auch mit Simulationsdaten trainiert, um den Aufwand für die Datenerfassung zu reduzieren.