In der hochpräzisen Fertigung gibt es keinen Spielraum für Fehler bei der Dichtheitsprüfung. Unsere Lösungen für Dichtheitstests stehen für modernste automatisierte Qualitätssicherung. highFlaws in Verpackungsversiegelungen sind eine wesentliche Ursache für Korrektur- und Vorbeugungsmaßnahmen (CAPA) bei medizinischen Auftragsherstellern. Dieses Problem reicht jedoch weit über regulierte Umgebungen hinaus.
Eine fehlerhafte Dichtung/Versiegelung wie ein Leck im Kanal oder eine unvollständige Verbindung, ist oft mit bloßem Auge nicht erkennbar. In der Versiegelungsebene eingeschlossene Verunreinigungen oder geringfügige Abweichungen im Prozess können unentdeckt bleiben, bis die Produktleistung beeinträchtigt oder die Sterilität gefährdet ist. Zu diesem Zeitpunkt sind die Folgen in Form von Rückrufaktionen, Untersuchungen und Produktionsausfällen deutlich gravierender, als wenn das Problem bereits während des Produktionsprozesses erkannt wird.
Bei der manuellen Prüfung ist es schwierig, Mikroschäden zuverlässig zu erkennen, während herkömmliche Prüfsysteme häufig zu Fehlausschleusungen führen, die die Effizienz und das Vertrauen in den Prozess beeinträchtigen. Gleichzeitig müssen regulierte Branchen sicherstellen, dass die Prüfung nicht nur genau ist, sondern auch validiert ist und sich auf Einzelstückebenen zruückverfolgen lässt.
Averna entwickelt automatisierte Dichtungsprüfsysteme, die all diese Herausforderungen bewältigen, indem sie hochauflösende Bildgebung mit adaptiven Prüfstrategien und Echtzeitanalysen kombinieren.
Unsere Systeme sind darauf ausgelegt, kritische Fehler wie Kanalundichtigkeiten, unvollständige Versiegelungen, Abweichungen in der Dichtungsbreite, Falten, Knicke, eingeschlossene Fremdkörper und Mikrolöcher in verschiedenen Anwendungsbereichen zu erkennen. Dazu zählen:
- Blisterverpackungen
- Flexible Beutel wie sterile Barrieren auf Tyvek-Basis
- Starre Verpackungsformate
- Abgedichtete Elektronikgehäuse, die ein hohes Maß an Integrität erfordern


Gegebenenfalls werden Klassifikatoren auf Basis maschinellen Lernens – typischerweise CNNs für bildbasierte Fehlererkennung – gezielt eingesetzt. So wird die Variabilität realer Produktionsumgebungen gehandhabt, in denen ansonsten bei herkömmlichen Vision-Algorithmen die Schwellenwerte aufgrund von Lichtveränderungen, Schwankungen beim Substrat und Materialschwankungen ständig neu angepasst werden müssten.
Regelbasierte Systeme eignen sich gut für kontrollierte, genau definierte Fehlerarten in stabilen Fertigungslinien. Sie sind deterministisch, leicht zu validieren und erfordern keine Trainingsdaten. Daher werden sie in regulierten Umgebungen oft bevorzugt, da sie leichter zu erklären, zu überprüfen und im Rahmen der Änderungskontrolle zu verwalten sind.