Industrie 4.0

Künstliche Intelligenz erkennt Verschleiß in Kugelgewindetrieben

| Autor / Redakteur: Juliana Pfeiffer / Nico Litzel

Eine integrierte Kamera samt Beleuchtung ermöglicht die kontinuierliche Überwachung der Spindel im Kugelgewindetrieb.
Eine integrierte Kamera samt Beleuchtung ermöglicht die kontinuierliche Überwachung der Spindel im Kugelgewindetrieb. (Bild: KIT)

Die Wartung und damit der Verschleiß der Spindel in Kugelgewindetrieben konnte bisher nur manuell festgestellt werden. Am KIT wurde nun ein System zur vollautomatischen Überwachung entwickelt.

Bei Kugelgewindetrieben, wie sie etwa in Drehmaschinen zur Präzisionsführung bei der Herstellung von zylindrischen Bauteilen zum Einsatz kommen, wird der Verschleiß bislang manuell festgestellt. Um defekte Bauteile auszutauschen, muss hierfür die Maschine still stehen. Forscher am KIT haben nun ein System zur vollautomatischen Überwachung von Kugelgewindetrieben in Werkzeugmaschinen entwickelt, dass den Maschinenstillstand reduzieren soll.

„Unser Ansatz basiert auf der Integration eines intelligenten Kamerasystems direkt in den Kugelgewindetrieb. So kann ein Anwender den Zustand der Spindel kontinuierlich überwachen. Besteht Handlungsbedarf, wird er automatisch informiert,“ erklärt Professor Jürgen Fleischer vom Institut für Produktionstechnik (WBK) des KIT.

Künstliche Intelligenz interpretiert Verschleiß genau

Bei dem neuen System wird eine Kamera mit Beleuchtung an der Mutter des Kugelgewindetriebes angebracht. Während der Bewegung der Mutter auf der Spindel macht sie von jedem Spindelabschnitt Einzelaufnahmen. Dadurch wird jeweils die gesamte Oberfläche der Spindel analysiert.

Die aufgenommenen Bilddaten werden anschließend von einer Künstlichen Intelligenz ausgewertet. Anwender erhalten somit eine direkte Bewertung des Zustands der Spindeloberfläche.

„Wir haben unseren Algorithmus mit tausenden Aufnahmen trainiert, sodass er nun souverän zwischen Spindeln mit und solchen ohne Defekt unterscheiden kann“, so Tobias Schlagenhauf vom WBK, der an der Entwicklung des Systems mitgearbeitet hat. Eine weitere Auswertung der Bilddaten quantifiziert und interpretiert den Verschleiß genau. „So können wir unterscheiden, ob es sich bei einer Verfärbung einfach nur um Schmutz oder aber um schädlichen Lochfraß handelt,“ erklärt Schlagenhauf.

Beim Training der KI wurden alle denkbaren Formen einer visuell sichtbaren Degeneration berücksichtigt und die Funktionalität des Algorithmus mit neuen, vom Modell noch nie gesehenen Bilddaten validiert. Der Algorithmus eignet sich für alle Anwendungsfälle, bei denen bildbasiert Defekte auf der Oberfläche einer Spindel identifiziert werden sollen und lässt sich auch auf andere Anwendungsfälle übertragen.

Dieser Artikel stammt von unserem Partnerportal Konstruktionspraxis.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de/ (ID: 46356342 / Industrie 4.0)