Refine
Document Type
- Doctoral Thesis (1)
- Master's Thesis (1)
Language
- German (2)
Has Fulltext
- yes (2) (remove)
Keywords
- Oberflächenprüfung (2) (remove)
Institute
Entwicklung eines Software-Systems für die Qualitätssicherung von Oberflächen im Automobilbau
(2003)
Heutzutage nimmt die Qualitätssicherung der Produkte bei immer mehr Betrieben einen zunehmend hohen Stellenwert ein. Auch in der Automobilindustrie gelten mittlerweile hohe Qualitätsrichtlinien. Damit der Qualitätsstandard aber auch gewährleistet werden kann, muss die Qualität des Produkts ständig gemessen und beurteilt werden. Um die manuelle Prüfung der Pressteile zu unterstützen wurde in den letzten Jahren bei VW/Audi do Brasil – BUC das Oberflächen-Inspektions-System DSight eingesetzt. Leider haben jedoch zahlreiche Messungen mit DSight ergeben, dass die Ergebnisse unzuverlässig und nicht reproduzierbar sind. Aus diesem Grund wurde im Rahmen dieser Diplomarbeit ein neues Software-System zur Inspektion von Oberflächen im Automobilbau entwickelt, das die Anforderungen der Qualitätssicherung besser erfüllt. Das neue System, das den Namen VisionMaster trägt, basiert auf dem Prinzip der Retro-Reflexion. Mit Hilfe implementierter Auswertungsalgorithmen werden aufgenommene Grauwertbilder der gepressten Teile analysiert. Die Ergebnisse der Inspektion werden anschließend in übersichtlicher Form in einem Protokoll ausgegeben. Um die Reproduzierbarkeit der Messungen zu garantieren und die Messergebnisse archivieren zu können, wird zusätzlich eine Datenbank eingesetzt, auf die über die ADO-Technologie zugegriffen wird. Zur Beschleunigung der Inspektion wir das neue System VisionMaster direkt in die Produktionshalle verlagert, um dort vor Ort Messungen an den gepressten Teilen durchführen zu können.
Zur Erfassung von Veränderungen der Produkteigenschaften während der Trocknung von Lebensmitteln werden zerstörungsfreie Qualitätsmesstechniken gefordert, mit denen Veränderungen im Inneren des Produkts bestimmt werden können. Gerade im industriellen Einsatz sind schnelle, präzise, und gleichzeitig robuste Verfahren besonders wichtig, um qualitativ hochwertige Produkte zu erhalten.
In dieser Arbeit wurde zur optischen Qualitätsmessung ein neuartiges multispektrales Kamerasystem eingesetzt, um von Veränderungen der spektralen Oberflächenreflexion bei der Mango- und Ananastrocknung mit Veränderungen der Produktfeuchte, sowie mechanischen und chemischen Eigenschaften zu verknüpfen. Diese Verknüpfung wurde mit maschinellem Lernen erreicht.
In einem ersten Schritt wurde ein neues Kameraprinzip, eine multispektrale Flächenkamera mit vier Objektiven und Vorsatzfiltern, entwickelt und speziell auf den Einsatz in der Obsttrocknung angepasst. Anschließend wurden die Änderungen der Spektren und der Qualitätskriterien während der Trocknung gemessen. Dazu wurden Mango- und Ananasscheiben in einem Einzelschichttrockner bei Lufttemperaturen zwischen 40 °C und 80 °C und relativen Luftfeuchtigkeiten von 5 % bis 30 % getrocknet. Während der gesamten Trocknungsdauer wurde die Produktfeuchte der Proben gemessen, und Bilder mit der multispektralen Flächenkamera aufgenommen. Zur Analysen von nur ausgewählten Bereichen von Interesse in den Bildern wurde ein Softwarefilter entwickelt. Aus Spektraldaten und Prozessdaten konnte mit Algorithmen des maschinellen Lernens die Produktfeuchte zu jedem Zeitpunkt sehr genau vorhergesagt werden (Bestimmtheitsmaß R² von 0,98 bis 0,99). Die Kombination aus dem Prinzip der multispektralen Flächenkamera und maschinellem Lernen wurde in einem anderen Trocknungsprozess und mit weiteren Qualitätskriterien getestet. Dafür wurden Mangoscheiben in einem Schranktrockner getrocknet und deren Produkteigenschaften anhand der Spektraldaten und der Prozessdaten vorhergesagt. Bei der Vorhersage der Farbwerte Δa*, Δb* und ΔE00 sowie des Gehalts an gesamtlöslichen Feststoffen im Rehydrierungswasser wurden Bestimmtheitsmaße R² zwischen 0,56 und 0,94 erzielt).
Es konnte gezeigt werden, dass die Kombination aus dem neu entwickelten Multispektralkamerasystem und maschinellem Lernen zur Vorhersage der Produktfeuchte und anderer Qualitätskriterien der Produkte eingesetzt werden kann. Auf diese Weise können Qualitätsänderungen während des Prozesses mit nur wenigen Messgeräten inline überwacht werden.