Industrial machineries wear down by nature after certain years of operation, which could lead to critical break-down and a costly repair. However, a regular overhauling process can stop the system from wearing down and malfunctioning. Overhauling consists of disassembling, inspecting and reassembling the components to ensure that each part is in serviceable condition. The main workflow of the overhaul process can be generalized to removing, disassembly, cleaning, inspection, replace/repair, reassembly, installing and testing. Inspection is the core of the overhauling process, in which all components must be inspected for damages and anomalies, and repaired or replaced if needed. The components consist of parts of various sizes such as rotors and covers, as well as small parts and fasteners such as bolts, screws, washers, and nuts that hold different parts together. Therefore, the inspection involves identifying damages, sorting and classifying the fasteners, and placing them into compartments for further reuse, which are performed manually in overhaul plants by technicians. The technicians are more likely to be exposed to a broad range of occupational hazards, noise, vibration and different kinds of radiation, and chemicals. Some inspection tasks can be tedious and time-consuming, which increases the errors, especially under time pressure. Moreover, the inspection tasks have their specific challenges: 1) the number and the similarity of the fasteners and small parts that must be manually sorted, classified and packaged, 2) characteristics and nature of metallic parts and surfaces, and 3) different range of damages which need to be inspected. These challenges introduce opportunities to use machine learning, computer vision and automation for inspection tasks in overhaul processes. To assist technicians in overhauling processes, we conducted an experimental research on developing supporting systems using deep learning and computer vision, including damage detection, sorting, classification, and packaging of the fasteners used in the machineries. We used a deep learning based approach to sort, classify and place the components inside compartments. Deep learning based methods are characteristically data-centric algorithms and their performance depends on the availability of a dataset of images. We collected 7 experimental different datasets for fastener damage detection, surface damage detection, sorting, single-view classification, multi-view classification, classification with mixed real and synthetic images, and bin picking . Having an accuracy of over 99\% in damage detection and classification, over 99\% in sorting, over 99\% in classification and over 70\% in bin picking, our approaches imply a possible usage in overhaul processes. Using these applications reduces the the time and human error of the overhauling process.     «

Industrial machineries wear down by nature after certain years of operation, which could lead to critical break-down and a costly repair. However, a regular overhauling process can stop the system from wearing down and malfunctioning. Overhauling consists of disassembling, inspecting and reassembling the components to ensure that each part is in serviceable condition. The main workflow of the overhaul process can be generalized to removing, disassembly, cleaning, inspection, replace/repair, reas...     »

Industriemaschinen nutzen sich nach bestimmten Betriebsjahren von Natur aus ab, was zu kritischen Ausfällen und kostspieligen Reparaturen führen kann. Regelmäßige Wartungssprozesse können jedoch Abnutzungen reduzieren und dadurch auch Ausfallzeiten minimieren. Der Überholungsprozess besteht in der Regel aus der Demontage, Inspektion und Montage der Komponenten, um sicherzustellen, dass sich jedes Teil in einem betriebsbereiten Zustand befindet. Der Hauptarbeitsablauf des Überholungsprozesses kann auf das Entfernen, Zerlegen, Reinigen, Prüfen, Ersetzen / Reparieren, Zusammenbauen, Installieren und Testen verallgemeinert werden. Die Inspektion ist der Kern des Überholungsprozesses, bei dem alle Komponenten auf Beschädigungen und Anomalien überprüft und bei Bedarf repariert oder ersetzt werden müssen. Die Komponenten bestehen aus Teilen verschiedener Größen wie Rotoren und Abdeckungen sowie kleinen Teilen und Befestigungselementen wie Bolzen, Schrauben, Unterlegscheiben und Muttern, die verschiedene Teile zusammenhalten. Daher umfasst die Inspektion das Erkennen von Schäden, das Sortieren und Klassifizieren von Befestigungselementen sowie dessen Einordnung in verschiedene Behälter zur weiteren Wiederverwendung. Diese Tätigkeiten werden heutzutage meist noch manuell von Technikern in Wartungszentren durchgeführt. Techniker kommen hierdurch leichter mit einer Vielzahl von Gefahren am Arbeitsplatz in Berührung, wie z.B. Lärm, Vibrationen, Chemikalien und verschiedene Arten von Strahlung. Einige Inspektionsaufgaben können langwierig und zeitaufwändig sein, was die Fehlerraten von Instandhaltungen insbesondere unter Zeitdruck erhöhen kann. Darüber hinaus haben Inspektionsaufgaben ihre jeweiligen spezifischen Herausforderungen: 1) Anzahl und Ähnlichkeit der Verbindungselemente und Kleinteile, die manuell sortiert, klassifiziert und verpackt werden müssen, 2) Eigenschaften und Art der Metallteile und -oberflächen und 3) unterschiedliche Bereiche von Schäden, die überprüft werden müssen. Diese Herausforderungen bieten die Möglichkeit, maschinelles Lernen, Computer Vision und Automatisierung für Inspektionsaufgaben in Wartungsprozessen einzusetzen. Um Techniker bei der Durchführung von Wartungsprozessen zu unterstützen, wurden Experimente zur Entwicklung unterstützender Systeme unter Verwendung von Deep Learning und Computer Vision durchgeführt. Diese Experimente beinhalteten die Schadenserkennung, Sortierung, Klassifizierung und Verpackung der in den Maschinen zu verwendeten Befestigungselemente. Unter verwendung eines Deep Learning-basierten Ansatzes wurden Komponenten sortiert, klassifiziert und verschiedenen Behältern zugeordnet. Deep Le\-arning-basierte Ansätze sind charakteristisch datenzentrierte Algorithmen und ihre Leistung hängt von der Verfügbarkeit eines Datensatzes von Bildern ab. Für unsere Experimente wurden Datensätze von den folgenden 7 Aufgabenbereichen generiert: Die Erkennung von Befestigungsschäden, die Erkennung von Oberflächenschäden, die Sortierung von Einzelteilen, die Einzelansichtsklassifizierung, die Mehrfachansichtsklassifizierung, die Klassifizierung mit gemischten realen und synthetischen Bildern sowie für die Kommissionierung von Behältern. Als Resultate konnten die folgenden Genauigkeiten erzielt werden: Schadenserkennung und -klassifizierung (über 99\%), bei der Sortierung und Klassifizierung von Einzelteilen (über 99\%), bei der Kommissionierung in Behälter (über 70\%). Diese Ergebnisse implizieren, das sich unsere Ansätze gezielt bei anstehenden Wartungsprozessen einsetzen lassen. Die Verwendung unserer Ansätze reduziert darü\-ber hinaus die Wartungsdauer, sowie das menschliche Versagen während des Wartungsprozesses.     «

Industriemaschinen nutzen sich nach bestimmten Betriebsjahren von Natur aus ab, was zu kritischen Ausfällen und kostspieligen Reparaturen führen kann. Regelmäßige Wartungssprozesse können jedoch Abnutzungen reduzieren und dadurch auch Ausfallzeiten minimieren. Der Überholungsprozess besteht in der Regel aus der Demontage, Inspektion und Montage der Komponenten, um sicherzustellen, dass sich jedes Teil in einem betriebsbereiten Zustand befindet. Der Hauptarbeitsablauf des Überholungsprozesses kan...     »