Skip to content
Licensed Unlicensed Requires Authentication Published by Oldenbourg Wissenschaftsverlag December 13, 2019

Inline-Computertomographie zur automatisierten Bauteilbewertung im Takt der Fertigung

Inline computed tomography for automated component evaluation at cycle time
Maxim Schlotterbeck

Maxim Schlotterbeck hat ihren Master of Systems Engineering an der Ostfalia Hochschule für angewandte Wissenschaften in Wolfenbüttel im Jahr 2016 abgeschlossen. Aktuell promoviert sie an der Otto-von-Guericke Universität Magdeburg am Institut für Werkstoff- und Fügetechnik, in Kooperation mit ZEISS und der BMW AG. Einsatzort während der Promotion ist in Landshut, Standort der Leichtmetallgießerei der BMW AG. Dort forscht sie an den Inline-Computertomographie-Anlagen der Firma ZEISS und unterstützt die gemeinsame Weiterentwicklung.

, Carsten Fritsch

Dr. Carsten Fritsch hat an der Technischen Universität München Produktionstechnik studiert und dort 2002 zum Thema Feinschneiden von Aluminiumlegierungen promoviert. Seit 2002 ist er bei BMW in unterschiedlichen Führungspositionen für Anlagenplanung und Fertigung verantwortlich. In leitender Funktion widmet er sich derzeit u. a. der Aufgabe, die Prozesse der Rohteilbearbeitung zu optimieren.

, Torsten Sievers

Dr. Torsten Sievers hat an der Universität Oldenburg Physik studiert und 2007 am Institut für Informatik zum Thema Echtzeitobjektverfolgung im Elektronenmikroskop promoviert. Anschließend stieg er bei ZEISS im Bereich der Konzernforschung ein und leitete dort bis 2013 die Abteilung Data Processing. 2013 wechselte er in den Unternehmensbereich Industrielle Messetechnik und hat dort auf unterschiedlichen Führungspositionen an der Entwicklung von Inline-Inspektionssystemen gearbeitet. Derzeitiger Arbeitsschwerpunkt ist die Konzeption von neuen Geschäftsmodellen im Bereich Messtechnik-Software.

and Christian Wojek

Dr. Christian Wojek hat an der Universität Karlsruhe und an der McGill University Montreal Informatik studiert und 2010 an der Technischen Universität Darmstadt zum Thema Monokulares Szenenverständnis in Computer Vision promoviert. 2011 war er Postdoktorand am Max-Planck-Institut Saarbrücken bevor er bei ZEISS im Bereich der Konzernforschung eingestiegen ist. Seit 2019 leitet er bei ZEISS die Applikationsentwicklung X-Ray und ist insbesondere an Lösungen im Anwendungsbereich maschinelles Lernen interessiert, die auf echten Problemen in der Praxis funktionieren.

EMAIL logo
From the journal tm - Technisches Messen

Zusammenfassung

Der Zylinderkopf und das Kurbelgehäuse gehören zu den meist beanspruchten Gussbauteilen im Verbrennungsmotor. Die hohe Funktionsintegration und der gleichzeitige Wandel der Automobilindustrie zum Leichtbau führen zu geometrisch hochkomplexen sowie mechanisch und thermisch stark belasteten Gussbauteilen. Die Inline-Computertomographie (CT) wird eingesetzt, um die geforderte Auslieferqualität jedes Bauteils im Takt der Fertigungslinie zu garantieren.

Die Herausforderung bei der Prüfung besteht in der geringen zur Verfügung stehenden Prüfzeit. Der Takt der Fertigungsstraße, welcher teilweise weniger als eine Minute beträgt, gibt den Zeitrahmen für die Prüfung vor. Eine weitere zu bewältigende Aufgabe entsteht durch den Herstellungsprozess der Bauteile. Der eingesetzte Kokillenguss führt zu individuellen Abweichungen jedes Bauteiles von der Idealgeometrie, was den einfachen Vergleich zur Sollgeometrie unmöglich macht. Durch den Einsatz der CT-Prüfung können diese Abweichungen aufgezeigt, analysiert und bewertet werden. Die umfangreiche Analyse der Zylinderköpfe und Kurbelgehäuse in Kombination mit einem fehlenden Standard für die CT-spezifische Defektauswertung führen zu einem enorm hohen manuellen Aufwand. Der Einfluss des jeweiligen Mitarbeiters prägt dabei ein stark subjektiv beeinflusstes Prüfergebnis für jedes Bauteil.

Die im Folgenden beschriebenen Weiterentwicklungen beziehen sich auf die automatische Analyse und Bewertung durch ein Inline-CT für Zylinderköpfe. Im Ergebnis kann eine effiziente Qualitätssicherung bei gleichzeitiger Reduktion des menschlichen Einflusses bei der Bauteilbewertung erreicht werden.

Abstract

One of the most stressed cast components of an internal combustion engine are the cylinder head and cylinder block. A large number of functionalities needs to be integrated into the product next to complying to lightweight construction demands. Hence, the cylinder head is a very complex and mechanically stressed cast component. Inline computed tomography (CT) is used to guarantee the desired standards in each produced part within the fast cycle time of the production line.

The main challenge for the inline CT is the short time being available for the quality inspection. The cycle time of the production line can be less than one minute and is therefore the upper limit of the quality inspection time for each part. Furthermore, due to the gravity die casting process natural deviations from the ideal target geometry occur. The deviations vary over time and are, thus, individual for each part and prevent a simple comparison to the nominal geometry. Those deviations can be evaluated by inline CT. The extensive analysis of each cylinder head in combination with a missing standard for the inline CT-based defect evaluation lead to high manual demands. The impact of the respective co-worker implies a strongly subjectively influenced part quality.

In the following the recent developments regarding the analysis and evaluation using inline CT technology for cylinder heads are described. An efficient quality assurance and reduction of the manual influence on the evaluation is the result.

About the authors

Maxim Schlotterbeck

Maxim Schlotterbeck hat ihren Master of Systems Engineering an der Ostfalia Hochschule für angewandte Wissenschaften in Wolfenbüttel im Jahr 2016 abgeschlossen. Aktuell promoviert sie an der Otto-von-Guericke Universität Magdeburg am Institut für Werkstoff- und Fügetechnik, in Kooperation mit ZEISS und der BMW AG. Einsatzort während der Promotion ist in Landshut, Standort der Leichtmetallgießerei der BMW AG. Dort forscht sie an den Inline-Computertomographie-Anlagen der Firma ZEISS und unterstützt die gemeinsame Weiterentwicklung.

Carsten Fritsch

Dr. Carsten Fritsch hat an der Technischen Universität München Produktionstechnik studiert und dort 2002 zum Thema Feinschneiden von Aluminiumlegierungen promoviert. Seit 2002 ist er bei BMW in unterschiedlichen Führungspositionen für Anlagenplanung und Fertigung verantwortlich. In leitender Funktion widmet er sich derzeit u. a. der Aufgabe, die Prozesse der Rohteilbearbeitung zu optimieren.

Torsten Sievers

Dr. Torsten Sievers hat an der Universität Oldenburg Physik studiert und 2007 am Institut für Informatik zum Thema Echtzeitobjektverfolgung im Elektronenmikroskop promoviert. Anschließend stieg er bei ZEISS im Bereich der Konzernforschung ein und leitete dort bis 2013 die Abteilung Data Processing. 2013 wechselte er in den Unternehmensbereich Industrielle Messetechnik und hat dort auf unterschiedlichen Führungspositionen an der Entwicklung von Inline-Inspektionssystemen gearbeitet. Derzeitiger Arbeitsschwerpunkt ist die Konzeption von neuen Geschäftsmodellen im Bereich Messtechnik-Software.

Christian Wojek

Dr. Christian Wojek hat an der Universität Karlsruhe und an der McGill University Montreal Informatik studiert und 2010 an der Technischen Universität Darmstadt zum Thema Monokulares Szenenverständnis in Computer Vision promoviert. 2011 war er Postdoktorand am Max-Planck-Institut Saarbrücken bevor er bei ZEISS im Bereich der Konzernforschung eingestiegen ist. Seit 2019 leitet er bei ZEISS die Applikationsentwicklung X-Ray und ist insbesondere an Lösungen im Anwendungsbereich maschinelles Lernen interessiert, die auf echten Problemen in der Praxis funktionieren.

Literatur

1. T. Schmall, R. Bähr, M. Fehlbier and M. Gonter, Wissenschaftssymposium Komponente: Ur- und Umformen, Springer-Verlag, 2017, p. 99.10.1007/978-3-658-18476-6Search in Google Scholar

2. S. Carmignato, W. Dewulf and R. Leach, Industrial X-Ray Computed Tomography, Cham: Springer, 2018.10.1007/978-3-319-59573-3Search in Google Scholar

3. J. Hsieh, Computed Tomography: Principles, Design, Artifacts, and Recent Advances, 3rd ed., Bellingham, WE: SPIE, 2015.10.1117/3.2197756Search in Google Scholar

4. L. A. Feldkamp, L. C. Davis and J. W. Kress, “Practical cone-beam algorithm,” J. Opt. Soc. Am. A, 1, pp. 612–619, 1984.10.1364/JOSAA.1.000612Search in Google Scholar

5. C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens and Z. Wojna, “Rethinking the Inception Architecture for Computer Vision,” in IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 2016.10.1109/CVPR.2016.308Search in Google Scholar

6. J. Deng, W. Dong, R. Socher, L.-J. Li, K. Li and L. Fei-Fei, “ImageNet: A Large-Scale Hierarchical Image Databas,” in IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2009.10.1109/CVPR.2009.5206848Search in Google Scholar

7. Y. Bengio, “Deep Learning of Representations for Unsupervised and Transfer Learning,” in JMLR: Workshop and Conference Proceedings, 2012.Search in Google Scholar

8. Ö. Çiçek, A. Abdulkadir, S. S. Lienkamp, T. Brox and O. Ronneberger, “3D U-Net: learning dense volumetric segmentation from sparse annotation,” in International conference on medical image computing and computer-assisted intervention (MICCAI), 2016.10.1007/978-3-319-46723-8_49Search in Google Scholar

Received: 2019-10-04
Accepted: 2019-12-04
Published Online: 2019-12-13
Published in Print: 2020-02-25

© 2020 Walter de Gruyter GmbH, Berlin/Boston

Downloaded on 4.12.2022 from frontend.live.degruyter.dgbricks.com/document/doi/10.1515/teme-2019-0150/html
Scroll Up Arrow