蔡司技术清洁度解决方案

确定污染根本原因，更快做出正确决策

请联系我们了解更多信息

更快的标准分析
仅需一次过滤扫描即可检测出发光的金属颗粒
更快的颗粒分类
将光学和电子显微镜结合在一个无缝的工作流程中
更快作出决策
分析关键颗粒的化学成分，找出污染源
更快记录
在一个工作步骤中创建符合所有当前行业标准的清洁度报告
更快的颗粒检测
和验证——借助集成的机器学习算法实现

什么是技术清洁度？

技术清洁度发挥着重要作用，尤其是在部件制造领域，如电气工程或汽车工业。如果污染发生在颗粒敏感点上，会迅速导致功能受损，甚至出现故障。如果一个系统中残留的污垢很少，不会因此发生损害，那么则视为技术清洁。

技术清洁度在以下领域尤为重要：

汽车和电动车
医疗行业
机械工程
增材制造

电气工程和电池生产
光学行业
油液分析和液压

为什么技术清洁度如此重要？

由于技术发展，许多行业都需要越来越复杂的系统。早在20世纪90年代，汽车工业中由于污染导致的部件损坏就有所增加。程序标准化的必要性日渐清晰。2004年发布的“VDA 19指南”也称为“技术清洁度测试——功能相关汽车零部件的颗粒污染”，于2015年修订为VDA 19第1部分。在国际上ISO 16232（2007）建立了一套标准规定。2010年的VDA 19第2部分包含了装配生产清洁度相关的规则指南。

VDA19第1部分为各类型污染给出了明确定义。借助这些定义，能够通过清洁度分析和其它技术清洁过程对污染进行检测，并可采取相应的解决措施。其目的是预防性地避免部件上残留污垢。

颗粒

纤维

下列材料的实体

金属
塑料
矿物
橡胶
盐类

长宽比为1:20
纤维宽度：≤ 50 µm

进行关联颗粒分析
以确定生产中关键污染的特征

供应商、制造商和终端用户始终希望获得更高的质量标准。因此至关重要的是，创新设计的清洁流程要在整个生产过程中排除相关零部件的任何污染。蔡司技术清洁度解决方案可确定污染的根本原因，使您能够更快地做出正确的决定。

如何确定根本原因？蔡司技术清洁度解决方案

提高您在蔡司ZEN core技术清洁度分析中对于对象分类的生产力

蔡司技术清洁度工作流程，含提取和过滤

借助技术清洁度解决方案优化流程

更高的清洁度，更高的品质

颗粒污染是影响产品效率、功能和寿命的因素。例如研究表明，液压和注油系统故障的主要原因是颗粒污染。油液分析有助于尽可能降低维护成本，同时延长设备的正常运行时间。

为制造业的需求量身打造

蔡司技术清洁度解决方案是与汽车制造商和供应商合作开发的。他们对高性能的颗粒识别和表征系统有特定要求，并且系统必须直观易用。

蔡司解决方案便于应用，可部署于多个地点及任何制造业或工业环境中，而且非显微镜专家的用户也可操作使用。

蔡司技术清洁度解决方案可与已建立的行业标准配合使用：

部件的技术清洁度	油液清洁度	制造过程中医疗器械的清洁度
VDA 19.1	ISO 4406	VDI 2083，第21部分
VDA 19.2（Illig值）	ISO 4007
ISO 16232	DIN 51455
	SAE AS 4059

为了在一个工作步骤中创建包含所有相关数据的清洁度报告，蔡司显微镜和HYDAC提取设备能够在一个无缝工作流程中将数据交换至一个报告中，从而提高生产率。
阅览杂志，全面了解蔡司如何将HYDAC设备的数据整合到报告中。技术清洁度应用于汽车工业的一个成功故事。

可能的污染源和应用

运动部件之间的颗粒，例如滚珠轴承

喷嘴中的颗粒，例如来自发动机

油和润滑剂中的颗粒

电气触点之间的颗粒，例如印制电路板

注射器和植入物中的颗粒

蔡司One-Scan扫描技术将速度提升50%

创新的蔡司软件解决方案带来更高效率

除了量化颗粒及测量其尺寸，技术清洁度的标准还要求区分出具有金属光泽和不具光泽的颗粒。传统方法必须通过两次扫描滤膜、且每次使用不同偏振器和分析器取向来进行区分。借助奖项加身的蔡司One-Scan扫描技术，现在只需扫描一次即可实现这一目标，将获取结果的时间缩短了50%。2021年3月，弗劳恩霍夫制造工程和自动化研究所（IPA）授予蔡司One-Scan扫描技术REINER奖杯！Fraunhofer Purity Technology Award（弗劳恩霍夫清洁度技术大奖）。

用蔡司ZEN core技术清洁度分析进行的评估包括：

全自动评估
关于伪影的尺寸、长度、面积和坐标的信息
只需对滤膜进行一次扫描，即可区分具有金属光泽和非金属光泽的颗粒
按尺寸等级区分的伪影，作为具有产品指纹的点云

通过技术清洁度分析实现更高生产力

蔡司软件通过机器学习算法，加速对颗粒的分类

技术清洁度是工业显微技术领域ZEN core软件组合的一部分。为优化颗粒分类，蔡司现为蔡司ZEN core用户提供“技术清洁度分析”（TCA）解决方案，该方案具有三个基于机器学习的预训练模块。根据分析图像的测量参数，该模块提供对颗粒进行分类的功能。用户和客户通过三个预先训练好的机器学习模型对样品进行分析，还可对这些模型进行额外训练。样品通过灰度测定得到分析，用于对象分类的预训练机器学习模型在新TCA工作模板中后台运行，同时根据现有的颗粒测量结果并行检查类型分类。这种通过机器学习算法对类型分类进行的额外检查“查看”了通过经典分析获得的颗粒尺寸、形状、强度和类型分类等结果，并将各种特征组合成大量无关联的决策树。每个决策树的结果会使用针对对象分类模型进行的分类训练，以独立评估每个决策树的结果。该结果是对颗粒类型的自动预测。