Die sogenannte Schliffbild Prüfung, Teil der Metallographie, ist ein wichtiger Schritt in der Materialanalyse, denn die Schliffbildanalyse dient der detaillierten Untersuchung der Mikrostruktur von Schliffen von Materialproben. Die Schliffbild Analyse wird oft in der Metallurige, Werkstoffwissenschaft und Qualitätskontrolle eingesetzt, um der inneren Struktur von Materialien auf den Grund zu gehen. Ein Beispiel hierfür ist der Makroschliff der Schweißnaht, bei dem die Qualität und Integrität der Schweißverbindung überprüft wird. Diese Methode der Materialanalyse ist sehr aufwändig, da von den Metallproben erst dünne Schliffe zu entnehmen sind, die dann geätzt und schließlich unter dem Mikroskop analysiert werden, um Phasenanteile, Einschlüsse, Gefügestrukturen und andere mikroskopische Merkmale untersuchen zu können. Doch diese Kenngrößen geben Aufschluss über die Qualität der Materialprüfung. Um diesen Vorgang zu erleichtern, wird für die Qualitätsprüfung vermehrt Künstliche Intelligenz eingesetzt.
AI.SEE™ revolutioniert durch den Einsatz künstlicher Intelligenz die bisherigen Methoden der Materianalyse. Statt manueller Prozesse, die viel Zeit und Ressourcen beanspruchen, ermöglichen leistungsstarke Algorithmen des maschinellen Lernens eine schnelle und präzise Analyse von Schliffbildern, die vor allem mit ihrer Genauigkeit und Objektivität ihrer Ergebnisse überzeugt, z. B. bei der Schweißnahtprüfung. AI.SEE™ erkennt Strukturen, Schichtdicken und Einschlüsse automatisch und reduziert so menschliche Fehler und maximiert gleichzeitig die Genauigkeit der Qualitätsprüfung. Durch künstliche Intelligenz können sogar große Mengen von Schliffbildern in kürzester Zeit verarbeitet werden, so dass der Analyseprozess beschleunigt und die Effizienz gesteigert werden können. Durch das Lernverhalten künstlicher Intelligenz ist die Auswertung im Rahmen der Schliffbild Analyse nicht nur zuverlässig, sondern auch voll automatisierbar. Künstliche Intelligenz hebt die Schliffbild Kontrolle somit auf ein ganz neues Level. In welchen Bereichen Sie Künstliche Intelligenz konkret unterstützen kann, erfahren Sie im Folgenden.
Schritt 1:
Erkennung & Segmentierung der Materialien (a,c,b)
Schritt 2:
Messung der Materialstärken (d)
Schritt 3:
Pixelgenaue Lokalisierung relevanter Messpunkte (e)
Schritt 4:
Berechnung der Messabstände und Prüfung auf Toleranzen (f)
Für die Analyse von Gefügestrukturen, Einschlüssen und Phasenanteilen sowie die oben gezeigte Makroschliffprüfung bei Schweißnähten ist AI.SEE™ ideal geeignet, da die Software im Rahmen der Schliffbild Prüfung Metallproben für die Qualitätskontrolle, Entwicklung und Forschung zuverlässig automatisieren kann.
Für die Charakterisierung von Materialien ist die Flächenvermittlung in verschiedenen Bereichen ein entscheidender Faktor für die Qualitätsprüfung. Künstliche Intelligenz identifiziert und vermisst die verschiedenen Phasen oder Bestandteile auf einer Schlifffläche – automatisiert und ohne manuelle Kontrolle.
Im Rahmen der Qualitätskontrolle ist es wichtig, mechanische Eigenschaften von Werkstoffen zu bewerten. Hierfür werden im Rahmen der Härteprüfung Härteprofile erstellt und deren Verteilung auf der Mikroebene untersucht.
Auch der sogenannte Kalottenschliff kann durch AI.SEE™ automatisiert werden. Der Kalottenschliff ist für die Analyse von Beschichtungen, Schichten und Oberflächenstrukturen von großer Wichtigkeit und kann durch Künstliche Intelligenz automatisiert und präzise durchgeführt werden.
Auch bei der Bestimmung von Korngrößen in mettallurgischen Proben hat sich AI.SEE™ bereits bewährt. Denn erst eine automatisierte Korngrößenanlyse bietet zuverlässig einen detaillierten Einblick in die Struktur von Materialien und ist für die Bewertung der Qualitätsgüte ein entscheidendes Kriterium.
Die Partikelanalyse ist ebenfalls ein wichtiger Aspekt der Schliffbildprüfung. Hier werden Partikel in einem Material identifiziert, charakterisiert und quantifiziert. Die automatisierte Partikelanalyse durch Künstliche Intelligenz besticht durch ihre Präzision und ermöglicht u.a. die Bestimmung der Partikelkonzentation sowie deren morphologische Charakterisierung.
Mit dem shopfloor.io-Asset Ping können Sie Bestandsmaschinen im Feld anbinden, erfassen und Maschinendaten visualisieren, digitale Services vertreiben und Ihren After-Sales erhöhen.
Nach dem ersten Screening senden wir dir eine Einladung zu unserem Tool Talentcube. Wir haben 3-5 kurze Fragen vorbereitet, die du in einem persönlichen Video beantworten kannst (auch wir haben ein kurzes Vorstellungsvideo vorbereitet). Solltest du dich damit nicht wohlfühlen, gib uns gerne Bescheid - wir finden eine Alternative!
Wir möchten dadurch einen authentischen Ersteindruck von dir erhalten und haben gleichzeitig die Möglichkeit dein Video mit unserem Team zu sichten und schnell richtige Entscheidungen zu treffen.