KI-gestützte Qualitätskontrolle für Bremsbeläge
Herausforderung & Zielsetzung
Neben technisch relevanten Mängeln können Bremsbeläge aufgrund einer Vielzahl natürlicher Komponenten optische Mängel aufweisen, die durch chargenbedingte Schwankungen entstehen. Diese Schwankungen können beispielsweise dazu führen, dass ein Bremsbelag, der normalerweise eine gleichmäßige Farbe aufweist, mit Flecken gefertigt wird. Die technische Qualität des Belages iwird dabei in der Regel nicht beeinträchtigt. Da der Kunde bei der Anlieferung üblicherweise nur die optische Erscheinung des Bremsbelages bewerten kann, führen solche chargenbedingten, rein visuellen Abweichungen häufigs zu Reklamationen. Dies stellt das Fachpersonal in der Qualitätssicherung (QS) vor die Herausforderung, ab wann ein Bremsbelag aufgrund seiner optischen Erscheinung als Ausschuss deklariert werden muss, um Kundenreklamationen zu vermeiden.
In einer Machbarkeitsstudie wird daher eine Automatisierungslösung zur objektiven und automatisierten 100 %-Kontrolle jedes Bauteils in Kooperation zwischen der Bremskerl-Reibbelagwerke Emmerling GmbH & CO. KG (Bremskerl) und dem Mittelstand-Digital Zentrum Hannover (MDZH) umgesetzt. Anhand eines beispielhaften optischen Fehlerbildes wird überprüft, ob ein Kamerasystem in Kombination mit einem Modell der Künstlichen Intelligenz (KI) in der Lage ist, dieses Fehlerbild automatisiert zu erkennen und zu quantifizieren. Bei dem gewählten optischen Fehlerbild handelt es sich um schwarze Flecken, die auf den ansonsten gräulichen Bremsbelägen fertigungsbedingt auftreten können. Ebenfalls geprüft wird ein technisch relevantes Fehlerbild: der Einschluss von Messing oder anderen Metallen im Bremsbelag (siehe Bild 1). Dieses Fehlerbild wird aufgrund seiner geringen Größe oftmals vom Fachpersonal übersehen und stellt daher ebenfalls eine Herausforderung für die QS dar.
Lösungsweg
Einfache Umsetzung durch wenig standardisierte Hardware:
Der prototypische Prüfstand zur QS besteht aus einer Basler puA2500 USB-Kamera mit 5 Megapixeln und einem Basler C125-0618-5M Objektiv (siehe Bild 1). Mit dem kompakten Aufbau (270 x 260 x 200 mm) kann die gesamte Breite der beispielhaften „Latschen“ mit einer Breite von 22,5 mm erfasst werden. Aus diesen werden kleinere Bremsbeläge ausgeschnitten, wie bspw. der Bremsbelag in Bild 1. Um die Gesamte Länge der Latschen (ca. 900 mm) zu überprüfen, sind fünf Einzelbilder erforderlich. Für die QS werden die Latschen bzw. Bremsbeläge unter der Kamera platziert und mit Offenblende aufgenommen, sodass das Umgebungslicht ausreicht. Für eine möglichst robuste QS sollte bei der Einrichtung der finalen Prüfzelle auf eine konstante Belichtung geachtet werden. Es empfiehlt sich daher, externe Beleuchtungseinheiten einzusetzen und diese an die Umgebungsgegebenheiten anzupassen. Konstante Umgebungsbedingungen unterstützen neben der Bildaufnahme mit hoher Abbildungsgüte die Robustheit des KI-Modells zur Erkennung der Fehlstellen. Das KI-Modell wird auf einem Embedded System der Jetson-Orin-Produktreihe des Herstellers Nvidia ausgeführt. Embedded Systems haben den Vorteil, dass diese aufgrund der kompakten Abmessungene in den Schaltschrank der Maschinen integriert werden können – so ist eine QS auch direkt in der Fertigung möglich.
Mit KI zur automatisierten Qualitätssicherung:
Für die Qualitätssicherung werden zwei Arten von KI-Modellen verwendet: ein Modell zur Objekterkennung und ein Modell zur Objektsegmentierung. Einschlüsse von Messing oder anderen Metallen führen zum direkten Ausschuss der Bremsbelege, wohingegen bei den schwarzen Flecken Größe und Anzahl entscheidend sind. Zur Erkennung von Einschlüssen genügt daher ein KI-Modell zur Objekterkennung. Diese Modellart gibt als Ausgabe die Klasse des Objekts, in diesem Fall „Einschluss“, und die ungefähre Position in Form eines umschließenden Rechtsecks (der sogenannten Bounding Box) aus. In der Anwendung wird somit die Position des Einschlusses auf dem Bild markiert, wodurch bei Bedarf eine manuelle Nachkontrolle erfolgen kann (siehe Bild 2).
Für die zweite Fehlerart, die schwarzen Flecken, wird ein Modell der Objektsegmentierung verwendet. Bei dieser Modellart wird ebenfalls die Klasse des Objekts ausgegeben, die Position jedoch als Polygon, also als pixelgenaue Fläche ausgegeben. Dies ermöglicht eine Umrechnung in die Größe der Fehlstelle mittels des Abbildungsmaßstabs in Relation zur Auflösung der Kamera. Der Nachteil besteht darin, dass für das Anlernen des KI-Modells deutlich mehr Zeit für die Erstellung eines Datensatzes benötigt wird, da die Fehlstellen in den Trainingsdaten manuell als Polygon markiert werden müssen. Bei der Objekterkennung reicht hingegen die gröbere und weniger zeitaufwändige Markierung mittels der Bounding Box.
Für die Erkennung von Einschlüssen wurden ca. 200 Bilder von fünf runden Bremsbelägen sowie vier Latschen aufgenommen. Für die Erkennung und Segmentierung von Flecken wurden 325 Bilder von 21 Latschen aufgenommen. Die Daten wurden im Anschluss im Verhältnis 8:1:1 in Trainings-, Validierungs- und Testdaten aufgeteilt. Üblicherweise werden die Trainings- und Validierungsdaten während des Trainings verwendet. Die Validierungsdaten stellen sicher, dass das Modell nicht auf die Trainingsdaten überangepasst wird. Der Testdatensatz dient zur abschließenden Bewertung der Modellgüte und Generalisierungsfähigkeit.
Als Modellarchitektur wird YOLO11s für die Objekterkennung und YOLO11s-seg für die Segmentierung von Ultralytics verwendet. Diese Modelle sind aufgrund ihrer kompakten und effizienten Netzarchitektur für die Ausführung auf Embedded Systems geeignet. Für beide Modellarten werden die besten Ergebnisse erzielt, wenn eine Bildgröße von 2560 Pixel verwendet wird. Dies entspricht nahezu der Auflösung des Kamerasystems (2592 x 1944 Pixel). Die Verarbeitung erfolgt bei dieser Bildgröße in unter einer Sekunde, was als ausreichend betrachtet wird.
Für die Erkennung von Einschlüssen wird eine mittlere durchschnittliche Genauigkeit (engl. mean Average Percision, mAP) von 0,835 bei einer Schnittmenge über der Vereinigungsmenge (engl. Intersection over Union, IoU) von ≥ 0,5 erreicht (mAP@50). Die mAP ist eine gängige Bewertungsmetrik in der Bildverarbeitung und kann im Idealfall 1,0 betragen. Für Flecken wird eine mAP@50 von 0,748 erreicht.
Für beide Fehlertypen konnten auf Bremsbelägen, die von Bremskerl als Gutteile deklariert wurden, Fehler erkannt werden (siehe Bild 2, Einschluss auf Gutbauteil). Dies zeigt, dass die Modelle eine gute Generalisierungsfähigkeit besitzen und verdeutlicht gleichzeitig, dass ein automatisiertes und objektives System für die Fehlererkennung hohes Potential für die QS und zur Vermeidung von Reklamationen bietet.
Prüfstand
Prüfstand zur automatisierten, optischen Qualitätskontrolle
Erkennung von Einschlüssen
a) Ausgabe des KI-Modells, Einschluss auf Reibwerkstoffhalbzeug
b) Vergrößerte Ansicht der Fehlstelle zur Nachkontrolle
Nutzen für den Mittelstand
Die Automatisierung der Qualitätskontrolle mittels KI-gestützter Bildverarbeitung bietet dem Mittelstand erhebliche Vorteile. Durch die Implementierung eines objektiven und automatisierten Systems können optische und technische Fehler bei Produkten effizienter erkannt und quantifiziert werden. Dies reduziert die Fehlerquote und erhöht die Zuverlässigkeit der Qualitätskontrolle. Reklamationen aufgrund optischer Mängel werden dadurch minimiert, was zu einer höheren Kundenzufriedenheit führt.
Darüber hinaus ermöglicht die Technologie eine effizientere Ressourcennutzung und kann dem Fachkräftemangel entgegenwirken, indem sie das Fachpersonal entlastet und ihnen mehr Raum für komplexere Aufgaben schafft. Langfristig stärkt dies die Wettbewerbsfähigkeit von KMU in der Fertigungsindustrie.
„Die Einführung von KI in unsere Qualitätskontrolle eröffnet uns neue Möglichkeiten, Prozesse effizienter zu gestalten. Wir erhoffen uns nicht nur eine Reduzierung des Prüfaufwands, sondern auch eine gleichbleibend hohe Produktqualität, um die maximale Sicherheit für die Anwendungen unserer Kunden zu gewährleisten.“
Christian Wege,
Abteilungsleiter Technologie und Entwicklung
Im Interview
„Unser Ziel sind keine kurzfristigen Effekte, sondern nachhaltige Verbesserungen.”
Meik Philipsen ist seit 2022 kaufmännischer Geschäftsführer der Bremskerl-Reibbelagwerke Emmerling GmbH & Co. KG und verantwortet unter anderem das Qualitätsmanagement. Bremskerl mit Sitz in Estorf entwickelt und fertigt seit über 90 Jahren spezialisierte Reibmaterialien für eine Vielzahl an Industrieanwendungen.
Auf dem Foto sieht man die Geschäftsführung: Meik Philipsen links und Stefan Purbs rechts.
Herr Philipsen, im Rahmen Ihres gemeinsamen Projekts mit dem Mittelstand-Digital Zentrum Hannover wurde untersucht, wie Künstliche Intelligenz die Qualitätskontrolle bei Bremsbelägen unterstützen kann. Wie kam es zu der Entscheidung, dieses Thema anzugehen?
Die Qualitätskontrolle spielt in unserem Unternehmen eine zentrale Rolle. Unsere Brems- und Reibbeläge müssen höchsten Sicherheitsanforderungen genügen – insbesondere in Anwendungen wie der Antriebstechnik, dem Maschinen- und Anlagenbau oder der Robotik. Wir haben erkannt, dass sich durch KI-gestützte Bildverarbeitung in diesem Bereich neue Möglichkeiten ergeben. Die Idee entstand aus unserem strategischen Ziel heraus, die Prozesse kontinuierlich zu verbessern – technologisch wie organisatorisch. Das Projekt war eine hervorragende Gelegenheit, dieses Zukunftsthema strukturiert anzugehen.
Wie bewerten Sie die Ergebnisse der durchgeführten Machbarkeitsstudie?
Die Ergebnisse waren durchweg positiv. Die Studie hat uns gezeigt, dass KI in der Lage ist, unsere Mitarbeitenden bei der visuellen Qualitätsprüfung objektiv, wiederholbar und effizient zu unterstützen. Insbesondere bei der Erkennung feiner Oberflächenfehler liegt ein großes Potenzial. Gleichzeitig wurde deutlich, dass KI-Systeme sinnvoll ergänzen, aber den geschulten Blick unserer Mitarbeitenden nicht ersetzen – insbesondere bei repetitiven oder sehr detailorientierten Aufgaben.
Welche Erkenntnisse nehmen Sie aus dem Projekt mit? Gibt es bereits konkrete Überlegungen, KI-basierte Lösungen zukünftig in Ihre Qualitätskontrolle zu integrieren?
Wir haben ein gutes Verständnis dafür gewonnen, wie sich ein KI-System in bestehende Abläufe integrieren lässt. Besonders wichtig war für uns die Erkenntnis, dass die Qualität der Daten – also z. B. die Bilder der Prüfteile – entscheidend für den Erfolg eines KI-Systems ist. Auf Basis der Studie diskutieren wir derzeit intern, in welchem Umfang wir eine Pilotanwendung entwickeln und testen können. Der Wille zur Umsetzung ist definitiv da.
Welche Herausforderungen sind Ihnen bei der Umsetzung des Projekts begegnet – fachlich, technisch oder organisatorisch?
Technologie allein reicht nicht aus – entscheidend ist, dass sie im Unternehmen ankommt und mitgetragen wird. Unser Ziel war es von Anfang an, nicht nur ein funktionierendes KI-Modell zu entwickeln, sondern ein System, das unsere Mitarbeitenden mitnimmt und sich sinnvoll in ihre Arbeit integrieren lässt. Fachlich ist es besonders anspruchsvoll, die Vielzahl unserer unterschiedlichen Produkte korrekt zu erfassen und zu kategorisieren. Dabei zeigt sich auch: Die Qualität der KI hängt maßgeblich vom Input ab – und der kommt von unseren erfahrenen Mitarbeitenden. Ihr Know-how ist nicht nur für die Entwicklung entscheidend, sondern bleibt auch in Zukunft zentral, wenn es darum geht, KI-Systeme richtig einzusetzen und weiterzuentwickeln.
Planen Sie weitere Schritte in Richtung KI-Einsatz in Ihrem Unternehmen oder ergeben sich daraus neue Digitalisierungsansätze?
Ja, definitiv. Das Projekt war für uns ein wichtiger Impulsgeber. Wir haben heute ein deutlich klareres Verständnis davon, wo Künstliche Intelligenz in einem mittelständischen Produktionsunternehmen wie Bremskerl sinnvoll und wirkungsvoll eingesetzt werden kann. Derzeit evaluieren wir erste konkrete Anwendungsfälle in internen Tests und prüfen, wie sich die Technologie systematisch und praxisnah in unsere Abläufe integrieren lässt. Unser Ziel sind keine kurzfristigen Effekte, sondern nachhaltige Verbesserungen entlang der gesamten Prozesskette. Neben der Qualitätskontrolle sehen wir auch Potenziale in der Prozessüberwachung, um unsere Produktqualität weiter zu steigern und unseren Kunden langfristig einen noch höheren Mehrwert zu bieten. Für uns ist klar: KI soll kein Selbstzweck sein – sie muss uns helfen, besser zu werden in dem, was wir ohnehin mit Leidenschaft tun.
Vielen Dank, Herr Philipsen, für das Gespräch und die interessanten Einblicke in den Einsatz von KI in der Qualitätskontrolle bei Bremskerl.
Die Firma Bremskerl zählt zu den führenden Anbietern im Bereich der Reibungstechnik. Das Unternehmen entwickelt, produziert und vertreibt Brems- und Reibbeläge für eine Vielzahl von Anwendungsbereichen, darunter die Antriebstechnik, der Maschinen- und Anlagenbau sowie die Robotik.
Das könnte Sie auch interessieren
Noch Fragen offen?
Unsere Projekte umfassen einen großen zeitlichen, organisatorischen und thematischen
Umfang. Erfragen Sie die Details einfach beim Projektverantwortlichen. Wir leiten Sie gerne weiter!
