In der hochsensiblen Fertigung gibt es keinen Spielraum für Fehler bei der Dichtungsintegrität. Unsere Lösungen zur Dichtheitsprüfung stellen den Gipfel der automatisierten Qualitätskontrolle dar und vereinen hohe… Fehler in Verpackungsversiegelungen sind eine wesentliche Ursache für Korrektur- und Vorbeugungsmaßnahmen (CAPA) bei medizinischen Auftragsherstellern, und dieses Problem reicht weit über regulierte Umgebungen hinaus.
Ein Defekt an der Versiegelung, wie beispielsweise ein Leck im Kanal oder eine unvollständige Verbindung, ist mit bloßem Auge oft 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 worden wäre.
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 und auf Einzelstückebene rückverfolgbar ist.
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, darunter:
- Blisterverpackungen
- flexible Beutel, wie beispielsweise 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, um die Variabilität realer Produktionsumgebungen zu bewältigen, in denen Lichtveränderungen, Schwankungen beim Substrat und Materialschwankungen von Charge zu Charge andernfalls eine ständige Neuanpassung der Schwellenwerte bei herkömmlichen Bildverarbeitungsalgorithmen erfordern würden.