Zum Hauptinhalt springen
– Branche Automobilindustrie

Künstliche Intelligenz in der Automobil­industrie – Visuelle Qualitäts­sicherung auf dem nächsten Level

Der Einsatz modernster KI-Algorithmen in der Automobilindustrie stellt höchste Qualität in jeder Fertigungsstufe sicher: vom Presswerk über die Lackiererei, bei Komponentenlieferungen bis hin zur Endmontage.

KI macht Fehler klassifizierbar – in Takt­zeit, in Serie, in Qualität „Made-in-Germany“.


In der Automobilindustrie entscheidet jedes Detail: kleinste Kratzer auf der Karosserie, Lunker im Fahrwerksguss oder unvollständige Schweißnähte wirken sich unmittelbar auf Sicherheit, Markenimage und Kundenzufriedenheit aus.

KI ist der Schlüssel für das Qualitätsmanagement von Automobilherstellern und Zulieferern von Automotive-Komponenten, um maximale Prozesssicherheit, geringere Nacharbeit und die perfekte Driving-Experience für den Endkunden sicherzustellen.

36ZERO Vision bringt Deep Learning in die Serienproduktion – hochautomatisiert oder individuell gefertigt.

Die Cloud-Plattform dient der Entwicklung von KI-Modellen individuell für jede Anwendung. Sie wird initial mit bekannten Fehlertypen trainiert und kann durch Interaktion mit Mitarbeitern kontinuierlich verbessert werden. So passt sie sich neuen Fahrzeugmodellen, Varianten, neuen Anwendungen und Fertigungsbedingungen flexibel an und macht Qualitätsentscheidungen weltweit standardisiert.

Bilder industrieller Kameras werden mit den trainierten Modellen autark, on-premise und in Echtzeit analysiert, Fehlermuster erkannt und Bauteile objektiv bewertet. Oberflächen, Materialstrukturen und Montageprozesse lassen sich dadurch ohne Verzögerung prüfen – schneller und präziser als durch das menschliche Auge oder klassische Systeme wie Annomalieerkennung, welche jedwede Abweichung als Fehler deklariert.


Typische Fehlerarten in der
automobilen Fertigung:

1. Oberflächenfehler


  • Kratzer, Riefen, Dellen an Karosserie- oder Zierteilen.
  • Lackfehler – Staubeinschlüsse, Läufer, Orangenhaut.
  • Gratbildung an Kunststoff- oder Metallbauteilen.
  • Schleif- oder Polierspuren.

2. Material- und Gefügefehler


  • Poren und Lunker im Guss (z. B. Motorblock, Fahrwerkskomponenten).
  • Einschlüsse (Schlacke, Oxide) im Metall.
  • Risse bei Zahnrädern, Wellen, Kolbenringen und Antriebssträngen nach dem Pressen, Härten oder Schweißen.

3. Montage- und Verbindungsfehler


  • Fehlende oder falsch montierte Teile z. B. Schrauben, Dichtungen, Kabel.
  • Schweißfehler – z.B. Bindefehler, unvollständige Durchschweißung.
  • Klebe- und Dichtfehler – fehlerhafte Aufbringung, die beispielsweise zu Leckagen in Türen, Scheiben oder Kühlkreisläufen führen können.

Herausforde­rungen für das Qualtäts­management von OEM‘s und TIER1Lieferanten

Pseudoausschuss

Fälschlich aussortierte Teile führen zu hohem manuellem Aufwand oder unnötiger Erhöhung des Ausschusses.

Späte Fehlerentdeckung

Die Weiterverarbeitung und Veredelung von fehlerhaften Bauteilen erhöht unnötig den Ressourceneinsatz und senkt die Kapazität der Produktionsanlagen.

Kundenreklamationen und Rückrufe

Ein übersehener Fehler in der Linie kann zu aufwendigen Nacharbeiten oder teuren Rückrufen führen.

Variantenvielfalt & Komplexität

Unterschiedliche Modelle, Ausstattungsvarianten, Farben und Materialien machen Grenzmuster komplex und stellen herkömmliche Vision Systeme vor Grenzen.

Fachkräftemangel & Subjektivität

Manuelle Sichtprüfungen sind ermüdend, zeitintensiv, uneinheitlich und binden dringend benötigte Mitarbeiter.

Taktzeit & Toleranzen

Hohe Bandgeschwindigkeiten, wechselnde Lichtbedingungen und Positionsabweichungen.

Skalierung & Pflege

Modelle, Grenzmuster und Qualitätskonzepte müssen weltweit konsistent Anwendung finden und standardisiert werden.

Einaltung von VDA-Standards und ISO-Normen

Hersteller von Fahrzeugen und Komponenten der gesamten Automotive-Lieferkette stellen ein einheitliches Qualitätsmanagement bei Produkten und Prozessen sicher, von der Entwicklung bis zur Auslieferung des Fahrzeugs an den Endkunden.
lack_einschluss_class_a_fläche
In der A-Fläche ist ein Staubeinschluss sichtbar, der die Oberflächenqualität beeinträchtigt.
kratzer_class_a_fläche
Auf der A-Fläche befindet sich ein minimal sichtbarer Kratzer.
spaltmaß_zu-groß
Das gemessene Spaltmaß überschreitet die vorgegebene Toleranzgrenze.

Mehrwert durch KI-gestützte Qualitäts­sicherung durch Fehlermuster­erkennung


  • Verbesserung der Prozesse bei hoher Produktvarianz – Künstliche Intelligenz erkennt Fehler auch bei wechselnden Modellen, Farben oder Materialien.
  • Hardware-agnostische Technologie – Software-definierter Algorithmus ist unabhängig von eingesetzten Bildverarbeitungssystemen.
  • Objektive Entscheidungen – Einheitliche Prüfentscheidung unabhängig von Zeit, Produkt und äußeren Einflüssen.
  • Nahtlose Integration – Turnkey-Lösungen, sowie Retrofitting in bestehende Anlagen und Linien.
  • Aussagekräftiges Echtzeit-Feedback – Automatisierte Rückmeldung mit genauen Informationen zu den gefundenen Fehlern (Klassifizierung) erlaubt die Optimierung von Prozessabläufen (z. B. Lackauftrag, Schweißparameter).
  • Kostenreduktion und höhere Effizienz – Weniger Nacharbeit, weniger Pseudoausschuss und weniger Rückrufe durch effizientere Qualitätskontrollen.
  • Traceability & Rückverfolgbarkeit – Reproduzierbare, lückenlose und automatisierte Dokumentation (Bild, Befund, Grenzmuster)
  • Human-in-the-Loop – Werker-UI für Befundbestätigung und einfaches Nachlabeln
  • Globale Skalierbarkeit – Effektive und einheitlich Qualitätsstandards an allen Standorten.

KI – Anwendungen
in der Automobil­industrie

  • 1 // Presswerk & Karosserie:
    Detektion von Kratzern, Riefen, Dellen und Riessen an Blechteilen.
  • 2 // Lackiererei:
    Erkennung von Staubeinschlüssen, Läufern oder Orangenhaut in Echtzeit – noch vor dem Trocknungsprozess.
  • 3 // Gießerei & Antriebsstrang:
    Analyse von Poren, oberflächlichen Lunkern, Einschlüssen und Härtefehlern in Gussteilen, Zahnrädern, Kolbenringen, Antriebssträngen oder Felgen.
  • 4 // Schweiß- und Klebeprozesse:
    Kontrolle von Bindefehlern, unvollständigen Nähten oder Kleberaupen-Unterbrechungen.
  • 5 // Spritzguss & Interieur:
    Erkennen von Graten, Blasen oder Einfallstellen bei Kunststoffbauteilen.
  • 6 // Endmontage:
    Prüfung von Vollständigkeit (Schrauben, Clips, Dichtungen, Kabel) und korrekter Positionierung aller Teile.
  • 7 // Text- und Codelesen:
    OCR-gestützte Erfassung von VINs, Bar- und QR-Codes zur lückenlosen Dokumentation.

Digitale Transformation durch KI in der Automobil­industrie