KI findet Fehler Deep Learning erkennt Stahlgefügefehler in Wälzlagern

Anbieter zum Thema

Fraunhofer IWM

Schaeffler Technologies AG & Co. KG

KOHLER Maschinenbau GmbH

G+K Umformtechnik GmbH

evopro systems engineering AG

Wälzlager verringern die Reibung in rotierenden Systemen. Die Korngröße der Stähle entscheidet die Eignung. Doch bisher war die Charakterisierung mit Fehlern verbunden.

In Bezug auf ihre Qualität müssen Lager aus Stahlwerkstoffen sorgfältig ausgewählt und geprüft werden. Maßgeblichen Einfluss auf die mechanischen Eigenschaften des Stahls hat die Korngröße, sagen Forscher vom Fraunhofer-Institut für Werkstoffmechanik IWM in Freiburg. Und bisher wird die Größe der Kristallite im Stahlgefüge nur per Sichtprüfung durch Metallographen bewertet, was durchaus eine fehleranfällige Methode darstellt, wie es weiter heißt. Am IWM habe man aber nun in Zusammenarbeit mit Schaeffler Technologies ein „Deep Learning“-Modell entwickelt, das eine wirklich objektive Bewertung der Korngröße ermögliche.

Metallographen sind bei der Gefügebeurteilung geteilter Meinung

Der typische Werkstoff für Wälzlager sind oberflächlich gehärtete, mit Kohlenstoff angereicherte Stähle. Mit der Oberflächenhärtung wird das Material widerstandsfähig genug, um das Versagen, also die sogenannte Ermüdung und kritisches Risswachstum der Bauteile durch zyklische Belastung zu vermeiden. Das verhindert außerdem schwere Unfälle. Kritische mikrostrukturelle Merkmale in Stahllegierungen sind typischerweise nichtmetallische Einschlüsse sowie überdurchschnittlich große Körner, wie die Forscher erklären. Diese Kristallite entstehen bei der Herstellung des Stahls und sind im Zuge der Wertschöpfungskette stetigen Veränderungen ausgesetzt. Deshalb ist deren zuverlässige Bewertung für die Qualitätskontrolle unerlässlich. Das neue „Deep Learning“-Modell zur Korngrößenbestimmung ist deshalb für martensitische und bainitische Stähle ausgelegt – also Stähle mit einer gehärteten Mikrostruktur, die durch abruptes Abkühlen entsteht.

Dossier Schweißen

Schweißtechnik der Zukunft

Das Modell soll die bisherige aufwändige Sichtprüfung ergänzen oder gar ersetzen. Primär wird nach größeren Körnern und anderen Fehlstellen gesucht, weil bei diesen die Wahrscheinlichkeit des Versagens am höchsten ist. Und wie ein Ringversuch zeigte, weichen die Prüfungen der Fachleute auch noch voneinander ab. Deren Ergebnisse sind also subjektiv, ungenau und damit nicht hinreichend zuverlässig, was speziell dann heikel werden kann, wenn es sich um sicherheitsrelevante Anwendungen von Wälzlagern handelt, wie die Forscher zu bedenken geben. Auch ist das typische Prüfungsverfahren fehleranfällig, weil es auf kleinen Stichproben beruht und wegen des großen Aufwands nicht das komplette Bauteilgefüge abdecken kann.

Training mit relativ geringem Datenaufwand möglich

Das neue „Deep Learning“-Modell zur Korngrößenbestimmung hingegen kann beliebig große Bauteilbereiche bewerten und weist eine hohe Genauigkeit und sehr gute Reproduzierbarkeit auf, wie die IWM-Forscher betonen. Um das zu ermöglichen, wurde das Modell mit Bilddaten gefüttert, die zuvor durch das Auge von Experten klassifiziert wurden. Mithilfe der Bilder des Industriepartners Schaeffler wurde das Modell schließlich trainiert, Mikrostrukturen in Stahl zu erkennen und zu klassifizieren. Die Innovation dabei sei, dass so eine durchgängig objektive und automatisierte Bewertung der Korngröße gelinge. Die Daten sind bedingt durch unterschiedliche Bewertung der Korngrößen durch die Metallographen zwar mit einem Rauschen behaftet, jedoch wird bei der Optimierung des Modells das Rauschen, sprich die Fehlbeurteilung, herausgefiltert. Indem das Modell stetig Bilder erhält, die mit einer Über- und Unterschätzung der Korngröße einhergehen, lernt es eine mittlere Repräsentation. Dabei wird es trainiert, die Mikrostrukturen sicherer zu bewerten. In diesem Fall sind für das Training weder außerordentlich saubere Daten noch große Datenmengen erforderlich, wie die Forscher anmerken. Dabei schaffen Ansätze der sogenannten erklärbaren künstlichen Intelligenz mehr Transparenz bei der Entscheidungsfindung des Modells.

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.

KI nützt

Künstliche Intelligenz in der Produktion schafft Arbeitsplätze

(ID:49736283)