mav 02.2024
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Bild 3: Erklärung Mean<br />
Average Precision (mAP).<br />
Bild: IFW<br />
rung die Verschleißform („Freiflächenverschleiß“,<br />
„Ausbruch“ und „Anhaftung“)<br />
und -fläche im Bild. Berechnet werden daraufhin<br />
Verschleißkenngrößen wie die Verschleißmarkenbreite<br />
V B<br />
sowie die Fläche des<br />
Ausbruchs in µm. Ein Alarm löst aus, wenn<br />
eine der Verschleißkenngrößen einen vom<br />
Benutzer festgelegten Schwellenwert überschreitet.<br />
Grundlage für die Verschleißberechnung<br />
ist die möglichst exakte Segmentierung der<br />
verschlissenen Fläche durch das KI-Modell.<br />
Daher wird in diesem Beitrag zunächst das<br />
KI-Modell zur Erkennung und Segmentierung<br />
des Verschleißes im Bild vorgestellt und<br />
untersucht. Die Untersuchung der Genauigkeit<br />
der Verschleißberechnung steht noch<br />
aus und birgt einige Herausforderungen.<br />
Diese sind eine fehlende Vergleichbarkeit, etwa<br />
durch manuelle Mikroskopmessungen<br />
und Abweichungen, die vor (Labelqualität<br />
und Erkennungsgüte des KI-Modells) und<br />
während der Verschleißberechnung (Berechnungsmethode)<br />
entstehen können.<br />
Zur Verschleißsegmentierung wird das<br />
KI-Modell YOLO v8 verwendet. Ausgeführt<br />
wird es auf dem Embedded System „GREY.<br />
Box“ von RSConnect. Für das Training des<br />
KI-Modells werden entsprechend der anzulernenden<br />
Verschleißformen Bilder mit dazugehörigen<br />
Labels benötigt. Es wurden<br />
1800 Bilder einer Werkzeuggeometrie aufgezeichnet.<br />
Enthalten sind die drei Verschleißformen<br />
Freiflächenverschleiß, Ausbrüche<br />
und Anhaftungen. Das KI-Modell erkennt<br />
und segmentiert nach abgeschlossenem<br />
Training die Verschleißformen (Bild 2).<br />
Das Modell wird auf 80 % des Datensatzes<br />
trainiert. Eine Validierung findet während<br />
des Trainings auf weiteren 10 % statt.<br />
Die verbleibenden 10 % werden für den finalen<br />
Test des Modells verwendet. Die Beurteilung<br />
erfolgt anhand der Mean Average<br />
Precision (mAP), siehe Bild 3.<br />
Ergebnisse<br />
YOLO v8 X (Extra Large) erzielt eine<br />
mAP@0.5 von 0,652 auf dem Testdatensatz.<br />
Die AP@0.5 der einzelnen Klassen unterscheidet<br />
sich dabei deutlich. Für Freiflächenverschleiß<br />
wird eine AP@0.5 von 0,600<br />
erreicht. Für Ausbrüche werden 0,773 erzielt.<br />
Anhaftungen werden mit einer<br />
AP@0.5 von 0,583 am schlechtesten erkannt.<br />
Die im Vergleich niedrige AP der Klassen<br />
Freiflächenverschleiß und Anhaftungen lässt<br />
sich zum einen durch eine erhöhte Anzahl<br />
an Hintergrunddetektionen bei diesen beiden<br />
Klassen erklären. Zum anderen tritt auf<br />
einer Vielzahl der Bilder Freiflächenverschleiß<br />
nur sehr feinflächig auf (durchschnittliche<br />
Labelfläche 2600 Pixel, entspricht<br />
0,2 % der Gesamtpixelfläche). Gleiches<br />
gilt für Anhaftungen (ØA ≈ 4000 Pixel).<br />
Ausbrüche sind meist deutlicher sichtbar<br />
(ØA ≈ 7000 Pixel).<br />
Mit Abschluss des ProKI-Umsetzungsprojektes<br />
von RSConnect und dem Institut<br />
für Fertigungstechnik und Werkzeugmaschinen<br />
(IFW) liegt eine Methode zur bildbasierten<br />
und KI-unterstützten Verschleißüberwachung<br />
vor. Aufgebaut wurde ein Datensatz,<br />
der die drei Verschleißklassen Freiflächenverschleiß,<br />
Ausbrüche und Anhaftungen<br />
enthält. Trainiert wurde ein YOLO v8 X<br />
Modell zur Verschleißsegmentierung. Die<br />
Untersuchung hat gezeigt, dass die Methode<br />
Potenzial zur Überwachung von Werkzeugverschleiß<br />
bietet. Mit einer AP@0.5 von<br />
0,773 werden Ausbrüche bereits zuverlässig<br />
erkannt. Diese sind besonders relevant für<br />
die Oberflächenqualität und sind daher ein<br />
wesentliches Kriterium für den Werkzeugwechsel.<br />
Die Beurteilung der Genauigkeit<br />
der Umrechnung in die Verschleißkenngrößen<br />
steht noch aus. Im nächsten Schritt sollen<br />
daher Referenzaufnahmen mittels Mikroskop<br />
erstellt werden. Diese ermöglichen<br />
die Beurteilung des Fehlers, der sich durch<br />
die Labelqualität sowie die Segmentierungsgenauigkeit<br />
des KI-Modells und der Umrechnung<br />
der segmentierten Fläche in die<br />
Verschleißkenngrößen ergibt.<br />
■<br />
IFW Universität Hannover<br />
www.ifw.uni-hannover.de<br />
Bild 2: Verschleißüberwachungssystem. Bild: IFW<br />
RSConnect GmbH<br />
https://www.rsconnect.de<br />
April 2024 23