Kontrola vady bloku motoru a hlavy válců: počítačové vidění založené na hlubokém učení pro detekci litinových vad

Přehled

Bloky motoru a hlavy válců mohou vykazovat vady v různých fázích výroby. Litinové vady například písková díra, pórovitost, smršťovací vady a nečistoty vznikají během lití, zatímco obráběcí a manipulační vady například nárazy a škrábance mohou vzniknout v následných výrobních procesech.

Řešení pro vizuální kontrolu společnosti Big Bird Industrial kombinuje průmyslové kamery o rozlišení 20 MP, osvětlení s vysokou jasností, robotické snímkování a algoritmy založené na hlubokém učení pro kontrolu jak povrchových vad vzniklých obráběním, tak viditelných litinových vad na blocích motoru a hlavách válců.

Uvedený systém má publikovanou dobu kontroly 4,5 minuty , přičemž konečná konfigurace a takt lze přizpůsobit podle požadavků na součástku a kontrolu.

litinské a obráběcí vady jsou odlišné problémy při kontrole

Bloky motorů a hlavy válců mohou obsahovat vady vzniklé ve zcela odlišných výrobních fázích.

Litinové vady

Typické litinské vady zahrnují:

• Pískové díry
• Plynová pórovitost
• Vady smrštěním
• Vkládání

Tyto vady vznikají během plnění kovu, tuhnutí nebo jiných lití. Pokud se objeví na povrchu, mohou mít podobu tmavých skvrn, jam, nepravidelných prohlubní nebo oblastí s odlišnou povrchovou strukturou.

Obráběcí a manipulační vady

Po lití procházejí bloky motorů a hlavy válců obráběním, dopravou, upínáním a dalšími výrobními operacemi.

Typické vady z těchto fází zahrnují:

• Nárazových stop
• Škrábance
• Poškození povrchu
• Místní vzniklé vryty

Tyto vady mohou mít značně odlišný vizuální vzhled ve srovnání s litinovými vadami.

Tento rozdíl je důležitý pro strojové vidění, protože obě skupiny vad mohou vyžadovat odlišné strategie snímkování a algoritmů.

2. Proč je detekce litinových vad obtížná

Litinové povrchy jsou přirozeně složitější než vysoce jednotné obráběné povrchy.

Obráběný povrch může mít relativně konzistentní strukturu a odrazivost, zatímco litinový povrch může obsahovat:

• Nepravidelnou strukturu
• Přirozenou variabilitu povrchu
• Změny drsnosti
• Různé reakce na osvětlení
• Vizuální znaky související s materiálem

Litové vady, jako jsou pískové díry a pórovitost, se mohou také značně lišit tvarem i velikostí.

Jednoduchý vizuální systém založený na prahu se proto může potýkat s obtížemi při rozlišení skutečné vady od běžné litinové textury.

Z tohoto důvodu uvedený systém využívá strojové vidění založené na hlubokém učení .

Namísto spoléhání pouze na pevné prahy šedých stupňů nebo geometrické prahy může natrénovaný model naučit vizuální charakteristiky z reprezentativních vzorků bezchybných (OK) a vadných (NG).

Hluboké učení však neodstraňuje nutnost vhodného obrazového záznamu. Osvětlení, optické rozlišení, kvalita vzorku a definice oblasti pro kontrolu zůstávají základními faktory ovlivňujícími výkon systému.

3. Řešení kontroly: hluboké učení + vysoce rozlišené vidění

Uvedené zařízení integruje kontrolu vad po obrábění i litinových vad do jednotného pracovního postupu kontroly.

Vady obrobených povrchů

Systém může kontrolovat určené opracované oblasti na výskyt vad, jako jsou například:

• Nárazových stop
• Škrábance
• Poškození povrchu

Litinové vady

Rozsah kontroly zahrnuje také:

• Pískové díry
• Plynová pórovitost
• Vady smrštěním
• Vkládání

Skutečná detekovatelná velikost vad a kritéria přijatelnosti závisí na povrchu součásti, podmínkách snímkování a kvalitních standardech stanovených zákazníkem.

Kontrola pomocí hlubokého učení

Systém používá algoritmy hlubokého učení k analýze pořízených obrázků.

Tento přístup je zvláště užitečný, pokud je obtížné popsat morfologii vad pomocí jednoduchých pevných pravidel.

Například pískové díry a pórovitost se mohou lišit v:

• Tvar
• Velikost
• Vlastnosti hrany
• Kontrast
• Povrchová textura
• Rozšíření

Model hlubokého učení lze natrénovat pomocí reprezentativních vzorků za účelem rozpoznání těchto charakteristik.

4. Hardwarová konfigurace

Odkazovaný systém využívá vysoce rozlišené snímkování spolu s robotickým polohováním.

Systém vizualizace

• průmyslová kamera s rozlišením 20 MP
• Extra velký zdroj světla s vysokou jasností

Kamera s vysokým rozlišením poskytuje podrobné obrazové informace, zatímco rozsáhlý osvětlovací systém je navržen tak, aby zajistil vhodné osvětlení celé kontrolované oblasti.

Robotické zobrazování

ARobot FANUC se používá pro automatické nastavení polohy kamery a pořízení obrazu.

Tato konfigurace umožňuje systému kontrolovat více oblastí složitých součástí motoru bez nutnosti samostatné pevné kamery pro každou kontrolní pozici.

Řídicí a datové funkce

Systém integruje:

• Čtení kódu
• Prohlídka strojového vidění
• Algoritmy hlubokého učení
• Sledovatelnost inspekce
• Analýza dat
• Vzdálený přístup k datům

To umožňuje spojit výsledky kontroly s jednotlivými výrobky a později je pro účely analýzy kvality prohlédnout.

5. Technické specifikace

Následující specifikace jsou založeny na veřejně dostupných informacích o produktu pro zmíněný systém.

Položka	Specifikace
Aplikace	Nákladní vozidla, osobní vozidla, včetně NEV
Obrobky	Komponenty pohonných jednotek nové energie; komponenty pohonných jednotek na naftu a benzín
Rozsah inspekce	Defekty obráběných povrchů a litin
Litinové vady	Pískové díry, pórovitost, smrštění, nečistoty
Defekty vzniklé obráběním	Stopy nárazu, škrábance a související poškození povrchu
Zveřejněná doba kontroly	4,5 minuty
Průmyslová kamera	20 MP
Zářivost	Extra velký zdroj světla s vysokou jasností
Robot	Fanuc
Ovládání	Průmyslový počítač Siemens / Advantech
Technologie kontroly	Počítačové vidění + hluboké učení
Funkce	Čtení kódů, kontrola, sledovatelnost, analýza dat a vzdálený přístup

Trh cyklus 4,5 minuty je uvedenou hodnotou pro danou aplikaci skutečný takt kontroly je třeba vyhodnotit na základě počtu kontrolních oblastí, geometrie obrobku, dráhy robota, požadavků na zpracování obrazu a režimu výroby.

6. Klíčové aspekty výběru

6.1 Vytvoření ukázkové databáze před vývojem algoritmu

Výkon hlubokého učení závisí výrazně na kvalitě ukázek.

Projekt by měl shromažďovat reprezentativní ukázky pokrývající:

• Normální výrobky
• Jasné produkty NG
• Různé typy vad
• Různé velikosti vad
• Hraniční nebo mezní vzorky
• Různé povrchové podmínky

Hraniční vzorky jsou zvláště důležité, protože vady ve skutečné výrobě nejsou vždy tak zřetelné jako příklady z laboratoře.

6.2 Definice kvantitativních kritérií pro vady

Výrazy jako „malá pórovitost“ nebo „malý pískový otvor“ je pro vizuální systém obtížné interpretovat bez technických kritérií.

Specifikace jakosti by měla definovat – pokud je to vhodné:

• Minimální velikost vady
• Maximální přípustnou velikost vady
• Počet vad
• Hustota vad
• Umístění vad
• Přípustná vzdálenost mezi vadami

Algoritmus lze poté natrénovat a ověřit proti jasně definovanému cíli inspekce.

6.3 Zvažte 4,5minutový cyklus při plánování výroby

Zveřejněná doba cyklu je relativně mírná ve srovnání s vysokorychlostní inline vizuální inspekcí.

Toto může činit konfiguraci vhodnou pro:

• Kompletní inspekci kritických komponent
• Kontrolou šarží
• Kontrolu kvality na konci výrobní linky
• Výběrová kontrola

Pokud má být inspekce integrována do rychlejší výrobní linky, lze inspekční body potenciálně rozdělit mezi několik paralelních stanic.

Skutečné řešení by mělo být určeno analýzou doby cyklu, nikoli předpokladem, že jedna robotizovaná inspekční buňka dokáže splnit každý požadavek taktu.

6.4 Plán přístupu k datům a jejich uchovávání

Vzdálené funkce dotazování na data jsou užitečné pro zajištění sledovatelnosti kvality, avšak systém by měl být navržen s ohledem na skutečné IT prostředí továrny.

Technická specifikace by měla stanovit:

• Dobu uchovávání dat
• Kapacitu úložiště obrazů
• Uživatelská oprávnění
• Způsob vzdáleného přístupu
• Požadavky na zálohování
• Přiřazení součástky k výsledku

7. Lze pomocí vizuální kontroly detekovat litinové vadu?

Počítačové vidění dokáže detekovat litinové vadu, které jsou vizuálně patrné na kontrolovaném povrchu , včetně vhodných příkladů děr po písku, pórovitosti, povrchových vad způsobených smrštěním a nečistot.

Avšak existuje důležité omezení.

Vada zcela ukrytá uvnitř odlitku s žádným viditelným povrchovým projevem nemůže být spolehlivě detekována pouze pomocí povrchového obrazu. .

Takové vnitřní vady mohou vyžadovat jiné metody nedestruktivního zkoušení, v závislosti na konkrétním použití, například:

• Rentgenová inspekce
• Ultrazvukové testování
• Magnetická prášková kontrola
• Jiné metody NDT specifické pro dané použití

Proto by měla vizuální kontrola být chápána jako metoda pro kontrolu viditelných povrchových a těsně podpovrchových projevů , nikoli jako náhrada za všechny formy kontroly odlitků.

8. Udržování výkonu modelu hlubokého učení

Hluboký učící se model se obvykle nestává nepřesným pouze proto, že již po určitou dobu funguje.

Výkon při inspekci se však může změnit, pokud se změní podmínky výroby.

Příklady zahrnují:

• Nový litinový materiál nebo nový dodavatel
• Nový obráběcí proces
• Změny povrchové úpravy
• Změny osvětlení
• Nové modely výrobků
• Nové typy vad
• Výměna kamery
• Změny polohy upínače nebo robota

Robustní projekt počítačového vidění by proto měl zahrnovat mechanismus údržby modelu, který zahrnuje:

1. Sběr nových vzorků vad
2. Přezkum výrobních vzorků
3. Ověření modelu
4. Aktualizaci modelu
5. Řízení verzí
6. Opětovné ověření po změnách

Tyto odpovědnosti a postupy je nejvhodnější definovat v technické dohodě před přijetím zařízení.

9. Integrace inspekce pomocí počítačového vidění s čištěním

Bloky motorů a hlavy válců lze před konečnou kontrolou vyčistit.

U výrobních linek, které vyžadují jak čištění, tak inspekci pomocí počítačového vidění, lze oba procesy integrovat do širšího pracovního postupu kontroly kvality.

Typická sekvence může být:

Obrábění → Čištění → Sušení → Kontrola strojovým viděním → Sledovatelnost → Sestavení

Tento přístup může snížit pravděpodobnost nového znečištění nebo poškození způsobeného nárazem během zbytečného mezilehlého manipulování.

Může také zpřesnit výsledek kontroly tak, aby lépe odrážel stav součásti těsně před sestavením.

Big Bird Industrial nabízí jak průmyslové zařízení pro precizní čištění, tak schopnosti kontroly strojovým viděním , a proto je možné pro aplikace vyžadující oba tyto procesy poskytnout kombinovaná řešení pro čištění a kontrolu.

10. Schopnosti Big Bird Industrial v oblasti kontroly strojovým viděním

Harbin Big Bird Industrial Co., Ltd. (Big Bird Industrial), dříve Harbin Shimada Big Bird Industrial Co., Ltd., poskytuje integrovaná řešení pro průmyslové čištění a kontrolu strojovým viděním pro automobilové pohonné jednotky a aplikace v oblasti přesného výrobního průmyslu.

Jeho činnost ve strojovém vidění zahrnuje šest specializovaných oblastí:

• Orient See — rozměrová a geometrická kontrola
• Povrchová kontrola — kontrola povrchových vad
• Kontrola montáže — kontrola montáže a poka-yoke
• Vnitřní kontrola — kontrola vnitřních otvorů a vnitřních stěn
• Kontrola nátěru — kontrola povrchových vad nátěru
• Algoritmus a softwarová platforma — algoritmy a software pro strojové vidění

U motorových bloků a hlav válců Povrchová kontrola lze nakonfigurovat jak pro defekty obrobených povrchů, tak pro viditelné litinové defekty.

Pokud je vyžadována kontrola vnitřních otvorů Vnitřní kontrola lze splnit požadavky na kontrolu vnitřních otvorů a povrchů vnitřních stěn.

To umožňuje nakonfigurovat kontrolní systém podle skutečného typu defektu, umístění kontroly a výrobního procesu, nikoli použít jednu metodu zobrazení pro každou oblast.

Často kladené otázky

Může strojové vidění nahradit ruční kontrolu pro pískové díry a pórovitost?

U defektů, které jsou viditelně expozovány na kontrolovaném povrchu, může automatizované vidění nahradit nebo výrazně snížit ruční vizuální kontrolu.

Defekty však zcela skryté uvnitř odlitku bez jakéhokoli povrchového projevu nelze detekovat pouze povrchovým zobrazením. Takové defekty vyžadují vhodné metody nedestruktivního zkoušení.

Bude model založený na hlubokém učení po určité době provozu nepřesný?

Nejen kvůli době provozu.

Výkon se může změnit, pokud dojde ke změně výrobku, procesu, materiálu, osvětlení nebo populace vad. Pro dlouhodobou stabilitu výroby je proto důležitá průběžná sběr vzorků a ověřování modelu.

Proč je uvedená doba inspekce 4,5 minuty?

Odkazovaný systém provádí několik operací pořizování obrazu na složitých površích součástí motoru s využitím robotického polohování a zpracování obrazu.

Uvedený cyklus 4,5 minuty je vhodný pro odkazovanou aplikaci. Pokud je vyžadován rychlejší výrobní takt, lze kontrolní body rozdělit mezi paralelní stanice nebo optimalizovat pořizování obrazu a dráhy robota.

Lze vizuální systém propojit s čisticím zařízením?

Ano.

Big Bird Industrial poskytuje jak přesné průmyslové čistící zařízení, tak systémy pro vizuální inspekci pomocí strojového vidění. Pokud to výrobní proces vyžaduje, čištění a inspekce lze propojit tak, aby součásti po čištění a sušení přešly přímo do automatické vizuální kontroly a sledovatelnosti.

Závěr

Litinové a obráběcí vady představují dvě odlišné výzvy pro kontrolu kvality motorových bloků a hlav válců.

Díry z písku, pórovitost, smršťovací vady a nečistoty vznikají při lití, zatímco škrábance a nárazy mohou být způsobeny během obrábění, manipulace nebo přepravy v rámci výroby. Jejich vizuální charakteristiky se mohou výrazně lišit, což ztěžuje spolehlivé použití jediné pevné prahové strategie pro inspekci.

Odkazované řešení kombinuje průmyslovou kameru o rozlišení 20 MP, osvětlení s vysokou jasností, robotické polohování od společnosti FANUC a strojové vidění založené na hlubokém učení pro kontrolu jak specifikovaných obráběných povrchů, tak viditelných litinových vad.

U výrobních aplikací však účinnost inspekce založené na hlubokém učení závisí na více než jen samotném algoritmu. Reprezentativní vzorky, kvantitativní kritéria přijetí, stabilní podmínky snímkování a definovaný proces údržby modelu jsou všechny nezbytnou součástí spolehlivého systému vizuální inspekce.

Výrobcům, kteří hledají kombinaci čištění, inspekce povrchu a sledovatelnosti, může společnost Big Bird Industrial tyto procesy integrovat do širšího automatizovaného pracovního postupu řízení kvality s tím, že SHIMADA zůstává součástí historické značkové identity společnosti.