Anzeige
Anzeige

Komplexe Messaufgaben automatisieren mittels Deflektometrie

Nichts für Standardroboter

Voraussetzung dafür, dass sich die Produktion der Zukunft selbst steuert, ist eine automatisierte Mess- und Prüftechnik. Die Nachfrage nach solchen Lösungen steigt – selbst bei Oberflächeninspektionen, in der Sichtprüfungen mit bloßem Auge noch weit verbreitet sind. Bevor eine automatische Oberflächenkontrolle hier selbstverständlich wird, gilt es noch, einige technologische Hürden zu nehmen.

Bild: Carl Zeiss Industrielle Messtechnik GmbH

Ein Roboter nimmt die gekrümmte Zierleiste mithilfe von Vakuumsaugern auf, um sie an der Zeilenkamera des Prüfsystems vorbeizuführen. Dabei entsteht per Deflektometrie ein langegezogenes Bild der Oberfläche. (Bild: Carl Zeiss Industrielle Messtechnik GmbH)

„Presse 3 bitte reinigen, durch einen Span in der Form droht Ausschuss“. Solche Aussagen sollen zukünftig die Produktionssteuerung verbessern, wenn das Projekt Production Intelligence von Dr. Wolfgang Kimmig und seinen Mitstreitern am Ziel ist. Der Projektleiter im Geschäftsbereich Process Control & Inspection bei Zeiss Industrial Metrology arbeitet mit mehreren Kooperationspartnern daran, die Oberflächenprüfung von Zierleisten für Fahrzeuge zu automatisieren. Involviert in das vom Bundesministerium für Bildung und Forschung geförderte Projekt (Förderkennzeichen 01IS15011) sind neben Zeiss das Fraunhofer-Institut für Physikalische Messtechnik, der Automobilzulieferer Fischer IMF und das Softwareunternehmen Jedox AG. Hauptaufgabe von Zeiss ist dabei die Gewinnung der Messdaten – was einfacher klingt als es ist. Obwohl das Team bereits ähnliche Prüfaufgaben für andere Werkstücke realisiert hat, ließ sich das aktuelle Projekt nur mit hohem Aufwand umsetzen. Die größten Herausforderungen, vor denen das Projektteam stand, hingen eng mit der eingesetzten optischen Technologie zusammen.

Streifen zur Defekterkennung

Das Verfahren der Deflektometrie, das Prüfsystemen wie dem SurfMax zugrunde liegt, wird bereits erfolgreich in der Praxis eingesetzt. Um Oberflächenfehler zu erkennen, beleuchten LED-Arrays das Werkstück mit unterschiedlichen, sinusförmigen Streifenmustern. Diese werden an der Oberfläche des Prüfteils reflektiert und von einer Kamera aufgenommen, die mehrere Bilder in direkter Abfolge erfasst. Aus diesen Rohbildern errechnet die Software nicht nur ein Graubild mit reinen Helligkeitsinformationen, sondern auch Glanz- sowie Neigungsinformationen der Oberfläche. Der Vorteil: Eine Scheuerstelle beispielsweise, die im Graubild kaum sichtbar ist, tritt im Glanzbild deutlich in Erscheinung. Das Neigungsbild hingegen macht Schlagstellen oder Kratzer erkennbar. Eine spezielle Software wertet die Bilder automatisch aus. Die Kriterien und Grenzwerte dafür werden vorab festgelegt. „Selbst der erfahrenste Sichtprüfer kann Defekte nicht annähernd so genau analysieren, wie ein gutes Messgerät mithilfe der Deflektometrie“, betont Kimmig. Die bogenförmige Anordnung der LED-Arrays erlaubt es im Fall des SurfMax, auch gekrümmte Oberflächen auszuleuchten. Die hohe Lichtleistung ermöglicht zusätzlich kurze Belichtungszeiten und somit schnelle Bildaufnahmen – die Voraussetzung für den Einsatz im Fertigungstakt.

Stark gekrümmte Prüflinge

Das Problem bei der Prüfung der Zierleisten: Obwohl Anwender mit dem SurfMax erfolgreich die Oberflächen zylindrischer Buchsen oder Kniegelenke prüfen, ließ sich das System nicht einfach auf die Metallleisten übertragen. Dies scheiterte an der Form der 3 bis 10cm breiten und 1 bis 1,20m langen, stark gekrümmten Leisten. Denn das bisher eingesetzte Prüfsystem war auf vier Achsen beschränkt und bot keine Möglichkeit, solche Teile komplett zu prüfen. Das Projektteam entschloss sich, einen Roboter einzusetzen, der den Prüfling zur Inspektion an einer fest installierten Zeilenkamera vorbeiführen und entsprechend drehen sollte. So sollte die gesamte Oberfläche abgebildet werden. Dabei stellten sich jedoch drei Schwierigkeiten dar: Erstens mussten die Entwickler nicht nur die genaue Geschwindigkeit des Roboters kennen, um ein scharfes, aussagekräftiges Bild zu erzielen. Diese musste zweitens auch konstant bleiben, damit keine streifenförmigen Artefakte im Bild auftraten. Drittens musste sich die Leiste trotz ihrer gekrümmten Form während des gesamten Scans im Schärfebereich der Kamera befinden, das heißt einerseits hatte die Kamera den entsprechenden Schärfebereich zu bieten, andererseits hatte der Roboter das Werkstück stets im richtigen Abstand zu halten. Keine Aufgaben für einen Standard-Roboter, der darauf ausgelegt ist, ein Teil schnell von A nach B zu befördern.

Nichts für Standardroboter
Bild: Carl Zeiss Industrielle Messtechnik GmbH


Empfehlungen der Redaktion

Das könnte Sie auch interessieren

Die VeriSens-Vision-Sensoren XF900 und XC900 von Baumer steuern die Cobots von Universal Robots schon nach wenigen Minuten Einrichtung. Die Kalibrierung hinsichtlich Bildentzerrung, Umrechnung in Weltkoordinaten und Koordinatenabgleich zwischen Vision-Sensor und Roboter erfolgt aufgrund des zum Patent angemeldeten SmartGrid automatisch. ‣ weiterlesen

Anzeige

Wie sieht die Messtechnik der Zukunft aus? Um dies zu erfahren, trafen sich Experten von Faro, GOM, Isra Vision, Werth Messtechnik und Zeiss AI sowie ein Anwender im Rahmen des Control Vision Talks Forums. In Teil 2 der Diskussion geht es um Daten-Handling, Bedienbarkeit und Kosten.‣ weiterlesen

Rose+Krieger und das Fraunhofer IEM präsentieren als jüngstes Projekt ihrer Zusammenarbeit ein dreiachsiges Raumportal für ein System zur roboterbasierten Bearbeitung. ‣ weiterlesen

Der Carbon-Vakuumgreifer der CVGC-Serie von Coval ist das erste Produkt einer Greiferreihe für kollaborative Roboter. Der leichte Greifer lässt sich einfach in verschiedene Roboter integrieren. ‣ weiterlesen

Anzeige

Als UR+-Partner hat FerRobotics speziell für die Universal-Robots-Modelle UR10 und UR10e den Active Orbital Kit 905 als abgestimmte Plug&Play-Schleif- und -Polierlösung entwickelt. Die Lösung eignet sich für die Oberflächenveredelung von komplex geformten Werkstücken. ‣ weiterlesen

Moderne Lösungen für das Robotergreifen umfassen Machine-Learning-Methoden, die auch das sichere Greifen unbekannter Werkstücke mit variablen Geometrien ermöglichen. Das befähigt Industrieroboter, Objekte zu erkennen, zu lokalisieren und schließlich zu greifen.‣ weiterlesen

Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige