Mobile-Menu

KI findet Fehler

Deep Learning erkennt Stahlgefügefehler in Wälzlagern

< zurück

Seite: 2/2

Anbieter zum Thema

Fraunhofer IWM
Schaeffler Technologies AG & Co. KG
Franke GmbH
FORCAM ENISCO GmbH
Mikron Switzerland AG, Division Tool

Es bleibt dabei! Je kleiner die Korngröße, desto fester ist der Stahl!

Mit dem „Deep Learning“-Modell werden Mikrostrukturaufnahmen in verschiedene Korngrößenspannen klassifiziert. Die Wälzlager müssen ja die mikrostrukturellen Anforderungen erfüllen, was bedingt, dass die Körner eine bestimmte Größe nicht überschreiten dürfen, so die Forscher. Je kleiner die Korngröße, desto größer ist die Festigkeit des Stahls. Und je mehr kleine Körner enthalten sind, desto höher fällt die Dichte an Korngrenzen aus – also den Berührungsflächen zwischen den Körnern. Eine hohe Dichte an Korngrenzen sorgt aber dafür, dass das Bauteil sich auch unter sehr hohen Belastungen nicht plastisch verformt. Denn sogar bei einer kleinen bleibenden Verformung des Materials würde das Lager nicht mehr rund laufen. Und die Reibeigenschaften wären ebenso verschlechtert wie die Energieeffizienz.

KI-Defekterkennung kann auf andere Bauteile übertragen werden

Außer die Korngröße zu erkennen, ist das „Deep Learning“-Modell in der Lage, zwischen martensitischen und bainitischen Zuständen sowie zwischen verschiedenen Stahllegierungen (Varianten der 100Cr6- und C56-Familie) zu unterscheiden, wie man am IWM hervorhebt. Derzeit werde das Modell in das industrielle Umfeld von Schaeffler Technologies implementiert. Damit liege dem Industriepartner ein Prozess vor, mit dem die Defekterkennung an Wälzlagern in industriellen Prozessen KI-basiert und automatisiert in bisher nicht möglicher Reproduzierbarkeit erfolgen könne.

Der Workflow, der die Anpassung der KI-Modelle auf die spezifischen Materialien, die Verknüpfung mit der Bildverarbeitung und das Einbetten des Modells in benutzerfreundliche Oberflächen umfasst, lässt sich einfach auf andere Anwendungsgebiete übertragen. Das neuartige „Deep Learning“-Modell ermöglicht nämlich eine KI-basierte und automatisierte Qualifizierung auch überall dort, wo sicherheitsrelevante Komponenten hohen und zyklischen Belastungen ausgesetzt sind, wie etwa Elektromotorkomponenten oder B-Säulen von Fahrzeugen.

(ID:49736280)

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung. Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).

Aufklappen für Details zu Ihrer Einwilligung

Weiterführende Inhalte