Verbindungselemente und Schrauben
Erkenne Gewindefehler, Kopf-Antrieb-Defekte, Beschichtungsdeckung, Längen-Toleranz und Oberflächenmarken, bevor die Trommeln das Werk verlassen.
Automatisierte Qualitätskontrolle für kaltgeformte Schrauben- und Verbindungselementproduktion, läuft auf einem refurbed iPhone an Kaltumformer, Gewinderoller, Galvanik und Verpackung.
Was ist automatisierte Qualitätskontrolle in der Schraubenproduktion?
Automatisierte Qualitätskontrolle in der Schrauben- und Verbindungselementproduktion nutzt eine Kamera und ein KI-Modell, um jedes Teil an Kaltumformer, Gewinderoller, Galvanik und Verpackung zu erfassen und nicht-konforme Einheiten vor dem Kundendock zu melden. Statt auf den Bediener am Lehrenarbeitsplatz oder auf starre regelbasierte Machine-Vision zu setzen, lernt die KI Deine spezifische Kopfform, Antriebsgeometrie, Beschichtungssignatur und Gewindeprofile und legt einen konstanten visuellen Prüfpunkt über Schichten, Linientempo und Güte-Wechsel.
Schrauben und Verbindungselemente sind bei Produktionsgeschwindigkeit besonders schwer zu prüfen, weil die Oberfläche zwischen Zinkbeschichtung, Geomet und Brünierung unterschiedlich liest, Kopffüll-Defekte unter Hallenbeleuchtung wie normale Umform-Streuung aussehen, und die dünn beschichtete Trommel, die den Salzsprühtest scheitert, an der Oberfläche identisch zu einer voll beschichteten Trommel aussieht. Regelbasierte Vision für eine einzige Sachnummer bricht beim Wechsel auf einen anderen Kopf, einen anderen Antrieb oder eine andere Beschichtung. KI-gestützte Prüfung schluckt diese Schwankungen, weil das Modell aus echten Produktionsbildern statt aus festen Schwellwerten lernt.
Das Ergebnis ist ein automatischer visueller Prüfpunkt, der Deine Lehrenprobe ergänzt und Dir eine teil-scharfe Bilddokumentation liefert. Wenn die 8D-Anfrage des Kunden sechs Wochen später kommt, ziehst Du die Frames aus der genauen Produktionstrommel und bestätigst entweder den Defekt oder konterst mit Beweisen.
Defekte, die wir auf Schrauben- und Verbindungselement-Linien erkennen
Gewindeprofil und Steigung
Gewindedefekte umfassen abgeschälte Gewinde, fehlerhafte Steigung und unvollständige Profile, verursacht durch Walzenverschleiß, Rohling-Fehlausrichtung oder Kühldrift. Abgeschälte Gewinde scheitern am Drehmomenttest auf der Kundenlinie, und falsche Steigungen führen zu Verkanten in der Gegenseite des OEM. Bediener prüfen Gewinde am Lehrenarbeitsplatz, können aber nicht jedes Teil beobachten, sodass Grenzfälle die Probe passieren. Das KI-Modell lernt die Soll-Gewindesignatur pro Sachnummer und meldet Abscherung, Steigungsfehler und unvollständige Profile, sobald das lokale Muster Deine Toleranz überschreitet, mit den Frames als Beweis, damit Du die Walzen wechselst, bevor eine ganze Trommel außerhalb der Spezifikation ausgeliefert wird.
Antriebstiefe und -geometrie
Antriebsdefekte umfassen flache Phillips, gebrochene Torx-Flügel, dezentrale Innensechskante und gratbehaftete Innenkonturen, verursacht durch Stempelverschleiß, Rohling-Fehlausrichtung oder Trim-Werkzeug-Verschleiß. Flache Antriebe rutschen am Schrauber des Kunden ab, gebrochene Torx-Flügel scheren beim ersten Drehmoment, und dezentrale Konturen scheitern an der OEM-Bildprüfung. Bediener prüfen Antriebe mit einem Tiefenmaß, übersehen aber die visuelle Signatur des gratbehafteten Flügels. Das KI-Modell hält die Antriebsgeometrie-Signatur pro Sachnummer vor und meldet flache, gebrochene, dezentrale und gratbehaftete Antriebe am Trim-Werkzeug-Ausgang, damit die Linie den Stempel wechselt, bevor eine ganze Trommel ausgeliefert wird.
Beschichtungsdeckung und Dünnstellen
Beschichtungsdefekte umfassen Dünnstellen, Laufspuren und kahle Stellen, verursacht durch Gleichrichterdrift, Trommellast-Ungleichgewicht oder Spülbecken-Verunreinigung. Dünnstellen scheitern am Salzsprühtest, den der OEM am Wareneingang fährt, und kahle Stellen lösen Feldausfall-Reklamationen aus Außenanwendungen aus. Bediener prüfen die Beschichtungsfarbe per Auge, übersehen aber die Dünnstellen, die an der Trommeloberfläche durchgehen und im Kundenlabor scheitern. Das KI-Modell lernt die Soll-Beschichtungsfarbe und Reflexion pro Finish und meldet Dünnstellen, Laufspuren und kahle Stellen am Galvanik-Ausgang, damit die Linie anpasst, bevor eine ganze Trommel ausgeliefert wird.
Längen- und Schaftdurchmesser-Toleranz
Maßdefekte umfassen zu kurze und zu lange Teile, übergroße und untergroße Schaftdurchmesser sowie Kopfhöhen außerhalb der Spezifikation, verursacht durch Werkzeugverschleiß am Kaltumformer, Drahtvorschub-Drift oder Kühlzyklus-Fehler. Zu kurze Teile scheitern am automatischen Drehmomentschrauber des OEM, und übergroße Schäfte scheitern am Gewindeschneiden des Kunden. Bediener prüfen Maße mit einer Schieblehre an der Trommel, übersehen aber den langsamen Drift über einen langen Lauf. Das KI-Modell lernt die Soll-Silhouette pro Sachnummer und meldet Drift am Kaltumformer-Ausgang, damit die Linie das Werkzeug wechselt, bevor der Lauf außerhalb der Spezifikation läuft.
Kopfrisse und Kantenausbrüche
Kopfdefekte umfassen radiale Risse, axiale Risse und ausgebrochene Ecken, verursacht durch Drahtgüten-Schwankung, Kaltumformer-Überlast oder Trim-Werkzeug-Fehlausrichtung. Die schlimmsten Fälle überstehen die Trommelprobe und scheitern am OEM-Drehmomentschrauber, der den Kopf in der Montage abreißt. Das KI-Modell lernt die Soll-Kopfsignatur und meldet Risse und Ausbrüche am Trim-Werkzeug-Ausgang, mit den Frames als Beweis, damit Du die Drahtcharge wechselst oder den Umformer anpasst, bevor eine ganze Trommel ausgeliefert wird.
Oberflächenmarken, Kratzer, Werkzeugschleifspuren
Oberflächendefekte umfassen Werkzeugschleifspuren am Schaft, Kratzer vom Förderband und Trommel-Stoßschäden, verursacht durch Handhabungsfehler, Transportband-Verschleiß oder Trommellast-Verunreinigung. Die Defekte scheitern an der kosmetischen Prüfung beim Tier-1 und lösen Nacharbeitsforderungen am OEM-Wareneingang aus. Das KI-Modell hält die Oberflächensignatur pro Finish vor und meldet jedes Teil mit Schleifspur, Kratzer oder Stoßschaden an der Verpackungsstation, bevor die Trommel oder die Schachtel verschlossen wird.
Der Beleuchtungsaufbau, der das auf einer Schraubenlinie funktionieren lässt, ist eine diffuse Deckenleuchte über Kaltumformer und Trim-Werkzeug für Kopf und Antrieb, plus eine Niedrigwinkel-Ringleuchte am Galvanik-Ausgang und an der Verpackung für Beschichtungsdeckung und Schaftoberfläche. Ein iPhone Pro mit Makro- und Weitwinkellinsen deckt die sieben Defektfamilien aus einer Prüfstation pro kritischem Kontrollpunkt ab. Wir synchronisieren das Rig mit dem Förderband-Encoder, damit gemeldete Teile eine Aussonderungs- oder Halt-Entscheidung auslösen. Die Optik spezifizieren wir gemeinsam beim Onboarding.
Wie Enao auf einer Schrauben- und Verbindungselementlinie läuft
Das komplette Hardware-Rig kostet unter €1.000 und besteht aus einem refurbed iPhone Pro, einer diffusen Deckenleuchte mit optionaler Niedrigwinkel-Ringleuchte für die Galvanik-Prüfung, einem USB-C-Kabel und einer Halterung über Kaltumformer, Trim-Werkzeug, Gewinderoller, Galvanik-Ausgang oder Verpackungsstation. SPS-Integration ist für die erste Inbetriebnahme nicht nötig, das Rig passt in einen Flightcase, und die Linie läuft beim Aufbau weiter.
Das Onboarding läuft self-serve. Dein Linienteam montiert das Rig, öffnet die Enao-App und sammelt am nächsten Sachnummer-Wechsel Referenzframes. Tag eins liefert 80% Genauigkeit ohne Vorlabeling, und ab Tag vierzehn arbeitet das Modell auf den gesehenen Defektfamilien über dem Lehrenprüfer und verbessert sich mit jedem Teil, das die Linie bestätigt oder verwirft.
Jede Linie trainiert ihr eigenes Modell auf Kopfformen, Antriebsgeometrien und Beschichtungs-Finishes. Beim Wechsel auf eine andere Sachnummer oder Drahtgüte an derselben Linie adaptiert das Modell in einer Schicht. Wenn Du eine Schwesterlinie mit ähnlicher Produktfamilie startest, beginnt das zweite Modell mit der Erfahrung des ersten, und der Aufwand sinkt deutlich.
Außertolerante Teile erreichen die Verpackungsstation nicht, Ausschuss wird am Prüfpunkt statt im QS-Büro verbucht, und Deine Bediener bekommen die Stunden zurück, die sie für die Aufgaben brauchen, die einen Menschen erfordern: Werkzeugwechsel, Galvanik-Chemie und 8D-Bearbeitung.
Wie Enao gegen manuelle Prüfung und klassische Machine-Vision abschneidet
Für Schraubenproduzenten verdichtet sich der Vergleich auf fünf Dimensionen.
Aufbauzeit auf einer Schraubenlinie. — Manuelle Sichtprüfung: stundenlange Schulung pro Bediener, laufende Lohnkosten. Klassische Machine-Vision: drei bis neun Monate Integration mit einem Systemintegrator, plus ein Regelsatz pro Sachnummer. Enao: in einer Woche von Deinem Team eingerichtet, Tag eins auf 80% Genauigkeit.
Hardwarekosten pro Linie. — Manuelle Sichtprüfung: keine Anschaffung, laufende Lohnkosten. Klassische Machine-Vision: €40.000 bis €200.000 pro Linie für Industriekameras, strukturierte Beleuchtung und Integration. Enao: unter €1.000 pro Linie mit refurbed iPhone Pro, Lampe und Halterung.
Umgang mit neuen Sachnummern, Güten und Finishes. — Manuelle Sichtprüfung: Bediener pro neuer Sachnummer neu schulen. Klassische Machine-Vision: Regelsatz pro Antrieb und Finish neu schreiben, oft an den Integrator ausgelagert. Enao: Modell auf neue Köpfe, Antriebe und Beschichtungen in einer Schicht nachtrainieren, ohne Code anzufassen.
Erkennungsgenauigkeit auf subtilen Beschichtungsdrifts und Oberflächenmarken. — Manuelle Sichtprüfung: zu Schichtbeginn hoch, fällt nach drei Stunden messbar ab. Klassische Machine-Vision: stark bei Maßprüfung, schwach bei subtiler Beschichtungsdrift und Oberflächenmarken-Erkennung. Enao: lernt Kopf-, Antriebs- und Beschichtungssignaturen aus Referenzframes und hält die Genauigkeit über Schichten und Läufe.
Wer es betreibt. — Manuelle Sichtprüfung: geschulter Bediener am Lehrenarbeitsplatz. Klassische Machine-Vision: Systemintegrator oder spezialisierter Vision-Engineer. Enao: Dein Linienteam, kein externer Spezialist nötig.
Tier-1-Lieferanten und Hausgeräte-OEMs wechseln Lieferanten wegen eines einzigen PPAP-Escapes, und die Kosten eines 8D oder einer stillen Lieferanten-Rating-Abstufung liegen weit über den Kosten eines iPhone-basierten Prüf-Rigs. Genau für diese Lücke ist Enao gebaut.
