Hunderte Steckverbinder in fünf Minuten smart prüfen

Die NVidia Corporation ist einer der größten Entwickler von Grafikprozessoren und Chips für Personal Computer, Server und Spielkonsolen. Um sicherzustellen, dass die hochwertigen und komplexen Systeme genau wie vorgesehen funktionieren, ist die Inspektion entscheidend. „Damit die Inspektion erfolgreich durchgeführt werden kann, mussten die Produktionsmitarbeiter nach Schäden an den Steckverbindern suchen, bevor die Systeme die Produktionsstätte verlassen“, erklärt Olaf Römer, Geschäftsführer von ATEcare Service und Vertriebspartner des Kitov Core.

Das Netzwerksystem NVidia Director Switch umfasst Hunderte von Steckverbindungen, die für die Kommunikation zwischen den Geräten im Netzwerk eines Unternehmens verwendet werden. Das System fungiert im Wesentlichen wie ein großer Switch, der den Datenfluss in einem Unternehmensnetzwerk durch die Verwendung mehrerer Anschlüsse verwaltet, die die Geräte eines Unternehmens miteinander verbinden. „Bei so vielen kleinteiligen Steckern, die sich an schwer zugänglichen Stellen befinden, ist es für Mitarbeiter schwierig, sicherzustellen, dass jeder Stecker und seine Pins richtig sitzen und frei von Hindernissen sind. Sie müssen mit Taschenlampen in das Innere von Serverschränken leuchten, um nach verbogenen Stiften, gebrochenen Rahmen und Fremdkörpern zu suchen. Zu den Fehlern können auch Teile gehören, an denen Kunststoffspritzgussmaterial oder andere Verunreinigungen angebracht sind, sowie defekte oder fehlende Stecker und Stifte, die die Funktionsweise eines Gerätes beeinträchtigen können“, führt Römer weiter aus. Die manuelle Prüfung erscheint noch schwieriger, wenn man bedenkt, dass jedes System fast 380 Steckverbinder enthält und dass jeder Steckverbinder 40 Stifte umfasst. Hinzu kommt die Größe eines Steckers. Dieser misst 50 × 45 mm und ein Pinrahmen 4 × 7,5 mm.

Da die Kosten für jeden Switch extrem hoch sind, müssen solche Systeme von Anfang an funktionieren. Ausfallzeiten des Netzes aufgrund fehlerhafter Vermittlungssysteme sind nicht akzeptabel. Da die Inspektion winziger Teile so komplex und zeitaufwändig ist und menschliche Prüfer Fehler machen, wusste NVidia, dass ein Prüfprozess mit einer automatisierten Lösung die effizienteste Maßnahme darstellt. Das Unternehmen suchte nach einer Lösung, mit der die Anzahl der Teileausfälle und Rückrufe reduziert und die Inspektionszeit verkürzt werden kann, wodurch wiederum die Kosten in der gesamten Produktions- und Lieferkette reduziert werden konnten. Darüber hinaus sollte sich die gewünschte Lösung leicht an Änderungen am Switch sowie an zukünftige Versionen und Modelle anpassen lassen.
Das System enthält 1.024 Kommunikationsanschlüsse, die mit einer internen Wasserkühlung gekühlt werden. Dies macht den Montageprozess komplex, wobei der gesamte Aufbau etwa eine Woche dauert. Die Midplane wird in einem Werk hergestellt und dann zur Montage nach Israel geliefert. Im Anschluss werden die mechanischen Teile hinzugefügt, das System wird vollständig zusammengebaut und getestet und die Qualitätskontrolle durchgeführt. „Bei einem so großen (48,96 × 17,64 × 30,3 Zoll) und komplexen System wusste NVidia , dass es von den Daten profitieren würde, die ein automatisches visuelles Inspektionssystem liefert und dass es so verhindern kann, dass fehlerhafte Produkte ausgeliefert werden“, erläutert Römer.

Mit dem flexiblen Kamerakopf der Kitov-Lösung konnten Steckverbinder und Pins innerhalb des Switches um 80 % schneller inspiziert werden. Die Lösung kombiniert 2D- und 3D-Machine-Vision-Funktionen, Deep Learning und robotergestützte Streckenplanung. Durch den Einsatz von Kitov.ai wurde die Effizienz gesteigert, Teileausfälle und Rückrufe reduziert und die Inspektionszeit verkürzt. Das System ermöglichte eine visuelle Rückverfolgbarkeit in Echtzeit und bot eine einfache Integration mit dem UR10e-Roboter von Universal Robots. Die Inspektionszeit für den Director Switch wurde von einer Stunde auf fünf Minuten reduziert. NVidia konnte das System trainieren, wobei die Software im Laufe der Zeit durch KI und Deep Learning dazulernte. Die gespeicherten Bilder und Ergebnisse dienen zur Unterstützung bei Gewährleistungsansprüchen und zur Prozessverbesserung.