Band 86, Heft 11 - Trends in der industriellen Mess- und Automatisierungstechnik / Gastherausgeber: Michael Heizmann, Klaus-Dieter Sommer

Zusammenfassung Netzwerke von Sensoren für verschiedene Messgrößen stellen zunehmend das Rückgrat für eine Vielzahl von Anwendungsgebieten in beispielsweise Industrie, Maschinenbau und Umweltüberwachung dar. Dabei spielt das Zusammenführen der Daten (Sensorfusion) eine zentrale Rolle in der Anwendung und ist im Allgemeinen ein gut untersuchtes Forschungsgebiet. Die Berücksichtigung metrologischer Grundprinzipien wie Kalibrierung, Messunsicherheiten und damit Rückführung auf das SI-Einheitensystem für vergleichbare und reproduzierbare Messergebnisse ist jedoch vergleichsweise wenig untersucht. Dieser Beitrag diskutiert Grundsatzfragen, stellt Lösungsansätze aus dem aktuell laufenden EMPIR-Projekt “Metrology for the Factory of the Future” (Met4FoF) vor und gibt einen Ausblick auf zukünftige Forschungsfelder. Dabei fokussiert sich der Artikel auf das Anwendungsfeld der sog. „Industrie 4.0“ als „Fabrik der Zukunft“.

Zusammenfassung In diesem Artikel werden energieautarke Funksensorsysteme und deren Einsatz vor dem Hintergrund realer Messaufgaben detailliert beleuchtet. Insbesondere die Konnektivität steht dabei im Mittelpunkt der Betrachtungen. Dabei wird auf die drahtlose Kommunikationsschnittstelle eingegangen und es werden die Herausforderungen beim Einsatz unter produktionsnahen Randbedingungen diskutiert. Auch werden die Stellschrauben des Systementwurfs in Abhängigkeit der Leistungsparameter vor dem Hintergrund eines autarken Betriebs dargestellt. Zusammenfassend ergibt sich ein Bild für den Systementwurf energieautarker Funksensorknoten für industrielle Einsatzszenarien, die anhand ausgewählter realisierter Beispiele aufgezeigt werden.

Health assessment of electric motors is a research topic of high relevance in the area of structural mechanics. In the early days, the health state of an electric motor was mainly determined by empirical knowledge. But this paradigm is shifting to advanced methods of predicting the health of single components of an electric motor using its physical simulation models from the design phase. However, the process of creating the models to become usable during operation is laborious and in many cases no simulation or even 3D-CAD models from the design phase are available. This article focuses on a combination of a physics-based and data-driven estimation of the motor health, especially for motors where no information from the design phase is available. In particular, the advancements of the development of the hybrid fusion method moSAIc are presented. moSAIc allows to transfer the knowledge inherent in physical degradation models of motors to unknown derivatives. The experiments show that the accuracy and robustness of moSAIc is significantly better compared to results of earlier stages.

Zusammenfassung Infolge von sinkenden Hardwarepreisen und der zunehmenden Automatisierung in Produktionsprozessen wird maschinelles Lernen für industrielle Sichtprüfungsaufgaben immer interessanter. In diesem Beitrag wird die Detektierbarkeit von Objekten in Bildern mit verschiedenen Auflösungen mittels eines neuronalen Netzes untersucht. Die verwendeten Datensätze beinhalten die Erkennung von Defekten in Leiterplatten, Ziffern von Hausnummern und Verkehrsschildern. Es wird gezeigt, dass die Information über das Vorhandensein eines Objekts bis zu einer bestimmten Schwelle beim Heruntertasten nicht verschwindet. Dadurch kann die Auflösung des Eingabebildes des Detektors reduziert werden, ohne hohe Verluste bei der Detektion hinnehmen zu müssen, was den Ressourcenbedarf der Inferenz reduziert. Dies erleichtert die Implementierung des Detektors auf kleineren Geräten wie bspw. einem FPGA erheblich. Für die untersuchten Datensätze ist so eine Reduktion der Seitenlängen der Eingangsbilder um bis zu 50%50\hspace{0.1667em}\% möglich und wird nur durch Bilder, die relativ kleine Objekte enthalten, begrenzt.

Zusammenfassung Das selektive Laserstrahlschmelzen (LBM) steht aktuell an der Schwelle zum Einsatz für Kleinserien. Ein wesentlicher Nachteil des Verfahrens ist aktuell noch die geringe Reproduzierbarkeit der Prozessqualität. Einige aktuelle Forschungsarbeiten konzentrieren sich deshalb auf die Integration optischer Messtechnik zur Prozessüberwachung. Neben den optischen Verfahren zeigen erste Untersuchungen, dass auch akustische Sensoren zur Prozessüberwachung ein vielversprechender Ansatz sind. Eine große Herausforderung bei den akustischen Daten stellt die Datenverarbeitung dar, da das akustische Rohsignal nur schwer zu interpretieren ist. In dieser Arbeit wird ein neues Konzept für ein akustisches Prozessüberwachungssystem vorgestellt und in eine Versuchsumgebung integriert. Zum Aufzeichnen akustischer Signale werden in einem Design of Experiments Prozessparameter gezielt variiert und Testkörper verschiedener Bauteilqualität aufgebaut. Für einen ersten Nachweis der Eignung des Messsystems zur Überwachung des Prozesses wird ein künstliches neuronales Netz trainiert, um die verwendeten Prozessparameter (drei Laserleistungen) zu bewerten. Damit kann gezeigt werden, dass diese Messtechnik das Potential hat, den Prozess zu überwachen.

Mass personalization—a megatrend in industrial manufacturing and production—requires fast adaptations of robotics and automation solutions to continually decreasing lot sizes. In this paper, the challenges of applying robot-based automation in a highly individualized production are highlighted. To face these challenges, a framework is proposed that combines latest machine learning (ML) techniques, like deep learning, with high-end physics simulation environments. ML is used for programming and parameterizing machines for a given production task with minimal human intervention. If the simulation environment realistically captures physical properties like forces or elasticity of the real world, it provides a high-quality data source for ML. In doing so, new tasks are mastered in simulation faster than in real-time, while at the same time existing tasks are executed. The functionality of the simulation-driven ML framework is demonstrated on an industrial use case.

Matching, i. e. determining the exact 2D pose (e. g., position and orientation) of objects, is still one of the key tasks in machine vision applications like robot navigation, measuring, or grasping an object. There are many classic approaches for matching, based on edges or on the pure gray values of the template. In recent years, deep learning has been utilized mainly for more difficult tasks where the objects of interest are from many different categories with high intra-class variations and classic algorithms are failing. In this work, we compare one of the latest deep-learning-based object detectors with classic shape-based matching. We evaluate the methods both on a matching dataset as well as an object detection dataset that contains rigid objects and is thus also suitable for shape-based matching. We show that for datasets of this type, where rigid objects appear with rigid transformations, shape-based matching still outperforms recent object detectors regarding runtime, robustness, and precision if only a single template image per object is used. On the other hand, we show that for the application of object detection, the deep-learning-based approach outperforms the classic approach if annotated data is used for training. Ultimately, the choice of the best suited approach depends on the conditions and requirements of the application.

Zusammenfassung Die Röntgen-Computertomographie (R-CT) hat sich unter den zerstörungsfreien Prüfverfahren zur Inspektion der Produktqualität bereits einen festen Platz erworben. Aufgrund der ausführlichen, hochauflösenden Abbildung von relevanten Bauteilregionen weist die R-CT ein enormes Potenzial zur Lösung aktueller sowie zukünftiger Prüfaufgaben auf. Dementgegen stehen jedoch häufig die im Vergleich zu anderen Prüfverfahren höheren Kosten, welche sich aus den Anlageninvestitionen, der Scanzeit sowie der anschließenden Analyse- und Bewertungszeit ergeben. Als Dienstleiter im Bereich der R-CT ist die Microvista GmbH spezialisiert auf die Entwicklung automatisierter Analyse- und Bewertungsroutinen für CT-Schichtbilder. Der Einsatz von Methoden des maschinellen Sehens insbesondere für qualitative Bewertungen, welche meist noch durch einen Prüfer durchgeführt werden, wird dabei nicht nur als ein wesentlicher Schritt zur Reduktion der Inspektionskosten gesehen, sondern auch um den Bewertungsprozess objektiver und damit zuverlässiger zu gestalten. Im Folgenden sollen die damit einhergehenden Herausforderungen, insbesondere der Umgang mit nur wenigen Trainingsbeispielen, sowie die erzielten Ergebnisse an einem Praxisbeispiel – der Fehlererkennung in einem Wassermantel – vorgestellt werden.

This paper focuses on the application of novelty detection in combination with supervised fault classification for industrial condition monitoring. Its goal is to provide a guideline for engineers on how to apply novelty detection for outlier detection, monitoring of supervised classification and detection of unknown faults without the need of a data scientist. All guidelines are demonstrated by means of a publicly available condition monitoring dataset. In each application case the results achieved with different common novelty detection algorithms are compared, advantages and disadvantages of the respective algorithms are shown. To increase applicability of the suggested approach visualization of results is emphasized and all algorithms have been included in a publicly available data analysis software toolbox with graphical user interface.