KI-Oberflächenrauheit: Ra-Wert automatisch prüfen

TL;DR

KI-basierte Bildverarbeitung und optische Sensoren messen Oberflächenrauheit inline in 0,3 Sekunden — ohne Taktnadel, ohne Bediener, ohne Maschinenstillstand. Mittelständische Zerspaner erreichen 100 % Prüfquote statt 5 % Stichprobe, erkennen Ra-Abweichungen ab 0,05 µm und reduzieren Kundenreklamationen um 60–80 %. Einstieg ab 9.500 €.

Jedes 20. Bauteil prüfen und hoffen

Ein Drehteilehersteller in Pforzheim fertigt Hydraulikkolben aus Edelstahl mit einer Rauheitsanforderung von Ra 0,4 ±0,1 µm. Die Qualitätssicherung prüft per taktilem Rauheitsmessgerät: Bauteil in die Messvorrichtung einlegen, Tastschnitt fahren, Ergebnis dokumentieren. Dauer pro Messung: 3,5 Minuten. Bei einer Tagesproduktion von 1.200 Kolben schafft ein Prüfer 120 Messungen — eine Prüfquote von 10 %.

Im Februar 2025 lieferte der Betrieb 8.400 Kolben an einen Automobilzulieferer. 340 Stück lagen außerhalb der Ra-Spezifikation. Der Kunde reklamierte die gesamte Lieferung: Rücktransport, 100-%-Nachprüfung, Sortierkosten — insgesamt 47.600 €. Dazu kam ein 6-monatiges Audit mit verschärfter Eingangs-prüfung beim Kunden.

Laut einer VDI-Umfrage unter 230 Zerspanungsbetrieben prüfen 68 % die Oberflächenrauheit nur stichprobenartig. 41 % haben im vergangenen Jahr mindestens eine Rauheits-Reklamation erhalten.

Taktil vs. optisch vs. KI: Drei Messprinzipien

Taktile Messung (konventionell)

Eine Diamantnadel fährt über die Oberfläche und zeichnet das Rauheitsprofil auf. Genauigkeit: ±0,02 µm. Nachteile: langsam (2–4 min pro Messung), empfindliche Tastspitze, nur ein Tastschnitt pro Messung, Oberfläche wird mechanisch berührt.

Konfokale Mikroskopie (optisch)

Ein Laserstrahl tastet die Oberfläche berührungslos ab. Genauigkeit: ±0,01 µm. Geschwindigkeit: 0,5–2 Sekunden. Nachteile: teuer (ab 25.000 €), empfindlich gegen Vibrationen, schwierig bei glänzenden Oberflächen.

KI-Bildanalyse (neu)

Eine Industriekamera mit strukturierter Beleuchtung nimmt die Oberfläche auf. Ein trainiertes CNN (Convolutional Neural Network) berechnet aus dem Bild den Ra-Wert. Genauigkeit: ±0,05 µm. Geschwindigkeit: 0,3 Sekunden. Kosten: ab 9.500 €.

Die KI-Bildanalyse erreicht nicht die Genauigkeit der taktilen Messung — aber sie ermöglicht 100 % Prüfquote. Und ein Ausreißer bei 100 % Prüfung wird sicherer erkannt als bei 5 % Stichprobe.

So funktioniert die KI-Rauheitsmessung

Das System besteht aus vier Komponenten:

Kamera-Modul: Industriekamera mit 5 Megapixeln, telecentrischem Objektiv und koaxialer LED-Beleuchtung. Auflösung: 2 µm/Pixel. Montage über dem Werkstück-Ausgang der Drehmaschine.

Beleuchtungs-Setup: Strukturierte Beleuchtung mit vier Winkelstellungen (0°, 45°, 90°, 135°) erzeugt Schattenbilder der Oberflächentextur. Je rauer die Oberfläche, desto stärker die Schattierung.

Edge-KI-Rechner: NVIDIA Jetson Orin oder vergleichbar. Inferenzzeit unter 50 ms. Stromverbrauch 15 W.

Software-Stack: Bildvorverarbeitung, CNN-Inferenz, Ergebnisverwaltung, MES-Anbindung.

# Systemkonfiguration — Inline-Rauheitsmessung
kamera:
  sensor: "Sony IMX547"
  aufloesung_px: [2592, 1944]
  framerate_fps: 30
  objektiv: "telecentrisch 1x"
  arbeitsabstand_mm: 120

beleuchtung:
  typ: "strukturiert_4_winkel"
  wellenlange_nm: 625  # rot, hoher Kontrast
  belichtungszeit_us: 500

ki_modell:
  architektur: "ResNet-50 modifiziert"
  eingabe: "4_kanal_bild (4 Beleuchtungswinkel)"
  ausgabe:
    - ra_um  # arithmetischer Mittenrauwert
    - rz_um  # gemittelte Rautiefe
    - konfidenz_prozent
  training_bilder: 5000
  genauigkeit_ra: 0.05  # µm

schnittstellen:
  mes_anbindung: "OPC-UA"
  ergebnis_format: "QDX (QIF Data Exchange)"
  alarmierung: "digitaler Ausgang + MQTT"

Training des KI-Modells

Das CNN muss lernen, welche Bildmuster welchem Ra-Wert entsprechen. Der Trainingsprozess:

1. Referenzdaten sammeln: 200 Bauteile mit bekannten Ra-Werten (taktil gemessen) fotografieren. Jedes Bauteil 4 Bilder (4 Beleuchtungswinkel) = 800 Bilder.

2. Datenerweiterung: Rotation, Spiegelung, Helligkeitsvariation. Ergibt 5.000 Trainingsbilder aus 200 Referenzteilen.

3. Transfer Learning: Vortrainiertes ResNet-50 (ImageNet) als Basis, letzte Schichten neu trainiert auf Ra-Regression. Trainingsdauer: 4 Stunden auf einer RTX 4060.

4. Validierung: 50 weitere Bauteile taktil und optisch messen, Korrelation berechnen. Ziel: R² > 0,95 zwischen taktilem und KI-Ra-Wert.

5. Fortlaufendes Lernen: Jede taktile Stichprobe fließt als neues Trainingsbeispiel ins Modell. So verbessert sich die Genauigkeit kontinuierlich, ohne dass der Bediener etwas tun muss.

Inline-Integration: Drei Varianten

Variante A — Am Maschinenausgang: Kamera über dem Teileschacht montiert. Jedes Bauteil wird beim Ausschleusen fotografiert. Taktzeit-neutral, da Messung während des Transports. Geeignet für CNC-Drehmaschinen und Fräszentren.

Variante B — Im Roboter-Handling: Kamera in die Roboterzelle integriert. Der Roboter hält das Bauteil vor die Kamera, bevor er es ablegt. Zusätzliche Zykluszeit: 0,5 Sekunden. Geeignet für automatisierte Fertigungszellen.

Variante C — Separate Messstation: Bauteile laufen über ein Förderband durch eine Messkabine. Durchsatz: 1.800 Teile pro Stunde. Geeignet für hohe Stückzahlen und nachträgliche 100-%-Prüfung.

Ergebnisse: Drei Kundenbeispiele

Der Drehteilehersteller aus Pforzheim amortisierte die Investition von 14.200 € (Variante A, zwei Kameras) innerhalb von 3,2 Monaten allein durch vermiedene Reklamationskosten. Die Einsparung im ersten Jahr: 38.400 € durch weniger Reklamationen plus 12.600 € durch reduzierten Prüfpersonalaufwand.

Grenzen der Technologie

KI-Rauheitsmessung funktioniert nicht überall gleich gut:

• Spiegelnde Oberflächen (Ra unter 0,1 µm) reflektieren die strukturierte Beleuchtung zu stark. Hier bleibt die konfokale Messung überlegen.
• Innenflächen (Bohrungen, Nuten) erfordern spezielle Endoskop-Optiken, die den Preis auf 18.000–25.000 € treiben.
• Unterschiedliche Werkstoffe brauchen jeweils eigenes Training. Ein Modell für Edelstahl funktioniert nicht für Aluminium, da die Lichtreflexion anders ist.
• Kühlmittelreste auf der Oberfläche verfälschen die Messung. Eine Ausblasstation vor der Kamera kostet 800 € zusätzlich.

Für Fälle, in denen die KI-Messung nicht ausreicht, bleibt die taktile Stichprobe als Backup. Die KI reduziert lediglich die Stichprobenfrequenz von 100 % manuell auf 2 % Absicherung.

Kosten und ROI

Die ROI-Berechnung berücksichtigt: vermiedene Reklamationskosten, reduzierter Prüfpersonalaufwand, geringere Ausschusskosten durch sofortige Abweichungserkennung. Bei den meisten Betrieben liegt die Amortisation unter 6 Monaten.

Einführung in 4 Wochen

1. Woche 1: Referenzteile sammeln (200 Stück mit taktilen Messwerten), Kameraposition definieren, Beleuchtungstest
2. Woche 2: Hardware installieren, KI-Modell trainieren, erste Korrelationsmessungen
3. Woche 3: Schattenbetrieb — KI misst parallel, taktile Prüfung bleibt aktiv, Ergebnisse werden verglichen
4. Woche 4: Umstellung auf KI-Prüfung mit taktiler Stichprobenabsicherung (2 %)

Häufige Fragen

Ersetzt die KI-Messung die taktile Prüfung komplett?

Nein. Die KI-Messung dient als 100-%-Inline-Screening. Taktile Messungen bleiben als Referenz und Kalibrierung notwendig — aber nur noch als Stichprobe (2–5 % statt bisher 100 % der Prüfungen). Die taktilen Werte fließen als Trainingsdaten zurück ins KI-Modell.

Wie oft muss das KI-Modell nachtrainiert werden?

Bei stabilen Prozessen genügt ein monatlicher Abgleich mit 20 taktilen Referenzmessungen. Bei Werkstoffwechsel oder neuen Bauteilgeometrien empfiehlt sich ein Nachtraining mit 50 Referenzteilen — Dauer: ca. 2 Stunden inklusive Bildaufnahme und Training.

Funktioniert das System bei verschiedenen Rauheitsparametern (Ra, Rz, Rmax)?

Das CNN kann gleichzeitig mehrere Rauheitsparameter vorhersagen. Ra und Rz funktionieren mit einer Korrelation von R² > 0,95. Rmax ist schwieriger, da es ein Extremwert ist — hier liegt R² bei ca. 0,88. Für normgerechte Dokumentation nach ISO 4287 reicht das für ein Screening, nicht für ein Zertifikat.

Welche Kameraauflösung brauche ich für welchen Ra-Bereich?

Faustregel: Die Pixelgröße sollte mindestens das Fünffache der kleinsten zu messenden Ra-Differenz betragen. Für Ra 0,4 ±0,1 µm genügen 2 µm/Pixel (5 MP Kamera). Für Ra 0,1 ±0,02 µm brauchen Sie 0,5 µm/Pixel (20 MP Kamera mit Makroobjektiv, Kosten ca. 8.000 € statt 4.200 €).

Kann ich das System für die Implementierung selbst aufbauen oder brauche ich einen Systemintegrator?

Betriebe mit eigener IT-Abteilung und Bildverarbeitungs-Erfahrung können das System selbst aufbauen. Die Open-Source-Bibliotheken (PyTorch, OpenCV) sind frei verfügbar. Realistisch dauert der Eigenaufbau 8–12 Wochen statt 4 Wochen mit einem Integrator. Die Hardware-Kosten bleiben gleich; Sie sparen 3.000–5.000 € Integrationskosten.