KI-unterstützte Schaumcharakterisierung

Fehler und Defekte schnell erkennen

Das thermoplastische Schaumspritzgießen (TSG) ist ein etabliertes Verfahren zur Herstellung von kostengünstigen Leichtbauteilen für die Großserie. Zellgröße, Zelldichte und Zellgrößenverteilung entlang des Querschnitts sind wichtige Kenngrößen zur Charakterisierung und im Bereich der Qualitätssicherung bei der industriellen Herstellung geschäumter Bauteile. Die schnelle Verfügbarkeit dieser Kenngrößen ist wichtig, denn verfahrensbedingt können Fehlerbilder auftreten, die – je nach Ausprägung – zu einer mechanischen Beeinträchtigung bis hin zum Bauteilversagen führen können. Beispiele für typische Fehlerarten sind unzureichende Schaumbildung, Blasenkoagulation mit Bildung großer Hohlräume, Blasenebenen oder Abweichungen von der Kugelform wie etwa in Fließrichtung oval oder tropfenförmig verzogene Blasen.

Prüfaufwand reduzieren mittels KI

Klassische Methoden der Charakterisierung wie Dünnschliff, Mikroskopie und Computertomografie erfordern Qualifikationen, Zeit- und Arbeitsaufwand und sind zur fertigungsbegleitenden Qualitätskontrolle ungeeignet. Ziel des Forschungsprojektes „KIScha“ ist die Entwicklung einer schnellen Prüfmethode für die Qualitätssicherung mit Gut/Schlecht Klassifizierung nach Kundenvorgaben. Die Probenpräparation soll dabei auf ein Minimum reduziert werden.

Toolchain zur Datenverknüpfung

Zunächst wird ein spezieller Prüfkörper für geschäumte Bauteile spritzgegossen. Hier gilt es, möglichst viele unterschiedliche Schaumstrukturen zu erzeugen. Als mechanischer Kennwert ist im Forschungsprojekt die Kerbschlagzähigkeit definiert. Die Vorgehensweise lässt sich jedoch auf weitere Kenngrößen übertragen. Jede Serie Prüfkörper wird dem Kerbschlagbiegeversuch unterzogen. Die Bruchfläche hat noch einen anderen Zweck, sie dient zur Erzeugung einer Bilddatei. Die Bruchfläche wird mikroskopiert  und eine möglichst qualitativ hochwertige Bilddatei wird erzeugt. Die Auflösung sollte so gewählt werden, dass auch kleine Blasen von 5-10 µm erkennbar werden, wenn sie für die Auswertung relevant sind.

Qualität im Blick

Zum Anlernen der KI wird eine Datenbank „gefüttert“. Der Datenpool besteht aus zahlreichen Bilddateien unterschiedlichster Schaumstrukturen. Ihnen zugeordnet sind folgende Informationen: Schlagzähigkeit, Schäumgrad, Rundheitskennzahl, kompakte Randschichtdicke, Material- und Rezepturzusammensetzung. Die Transformation des digitalen Bildes in eine multidimensionale Pixelmatrix ist ein grundlegender Schritt in der digitalen Bildverarbeitung. Ein selbst entwickelter Algorithmus („Watershed“) verwendet die Pixelmatrix, um Strukturen in einem Bild zu erkennen und zu klassifizieren.

Die Verifizierung mit den konventionellen Charakterisierungsmethoden REM oder CT zum Projektabschluss liefert praxisnahe Ergebnisse.