Inspektion af motorblok og cylinderhoved for fejl: Dybtlæringssyn til støbefejl

Oversigt

Motorblokke og cylinderhoveder kan udvikle fejl i forskellige produktionsfaser. Støbefejl f.eks. stammer sandhuller, porøsitet, krympningsfejl og inklusioner fra støbeprocessen, mens bearbejdnings- og håndteringsfejl f.eks. støddemærker og ridser kan opstå i efterfølgende produktionsprocesser.

Big Bird Industrials synsinspektionsløsning kombinerer industrielle 20 MP-kameraer, højlysende belysning, robotstyret billedoptagelse og algoritmer baseret på dybtlæring til at inspicere både overfladefejl fra bearbejdning og synlige støbefejl på motorblokke og cylinderhoveder.

Det omtalte system har en offentliggjort inspektionscyklus på 4,5 minutter , hvor den endelige konfiguration og takten kan tilpasses efter emnets og inspektionskravene.

støbefejl og bearbejdningsfejl er forskellige inspektionsproblemer

Motorblokke og cylindertænde kan indeholde fejl, der stammer fra grundlæggende forskellige fremstillingstrin.

Støbefejl

Typiske støberelaterede fejl omfatter:

• Sandhuller
• Gasporøsitet
• Krymningsdefekter
• INKLUSIONER

Disse fejl dannes under metaludfyldning, solidificering eller andre støbeprocesser. Når de er eksponeret på overfladen, kan de optræde som mørke pletter, huller, uregelmæssige fordybninger eller områder med anden overfladetekstur.

Bearbejdnings- og håndteringsfejl

Efter støbningen gennemgår motorblokke og cylindertænde bearbejdning, transport, spænding og andre produktionsoperationer.

Typiske fejl fra disse trin omfatter:

• Støddemærker
• Krat
• Overfladeskade
• Lokale indtryk

Disse fejl kan have et væsentligt anderledes visuelt udseende end gysningsfejl.

Denne forskel er vigtig for maskinens syn, fordi de to fejlgrupper muligvis kræver forskellige billeddannings- og algoritmestrategier.

2. Hvorfor det er svært at opdage gysningsfejl

Gysningsoverflader er naturligt mere komplekse end meget ensartede maskinerede overflader.

En maskineret overflade kan have en relativt konstant struktur og reflektivitet, mens en gysningsoverflade kan indeholde:

• Uregelmæssig struktur
• Naturlig overfladevariation
• Ændringer i ruhed
• Forskellige lysrespons
• Visuelle egenskaber relateret til materialet

Støbefejl såsom sandhuller og porøsitet kan også variere betydeligt i form og størrelse.

Et simpelt visionssystem baseret på en tærskelværdi vil derfor muligvis have svært ved at skelne mellem en egentlig fejl og normal støbetekstur.

Af denne grund bruger det omtalte system maskinvision baseret på dybt læring .

I stedet for udelukkende at bygge på faste gråtonetræskler eller geometriske tærskler kan en trænet model lære visuelle karakteristika fra repræsentative OK- og NG-prøver.

Dybt læring eliminerer dog ikke behovet for passende billeddannelse. Belysning, optisk opløsning, prøvekvalitet og definition af inspektionsområdet forbliver fundamentale faktorer for systemets ydeevne.

3. Inspektionsløsning: Dybt læring + højopløsende vision

Den omtalte udstyr integrerer inspektion af bearbejdningsfejl og støbefejl i en fælles inspektionsarbejdsgang.

Fejl på bearbejdede overflader

Systemet kan inspicere specificerede maskinerede områder for fejl såsom:

• Støddemærker
• Krat
• Overfladeskade

Støbefejl

Inspektionsomfanget omfatter også:

• Sandhuller
• Gasporøsitet
• Krymningsdefekter
• INKLUSIONER

Den faktisk detekterbare fejlstørrelse og acceptkriterier afhænger af værkdelenes overflade, billedforholdene og kundens definerede kvalitetsstandarder.

Dyb-læringsinspektion

Systemet bruger algoritmer til dyb læring til at analysere de optagede billeder.

Denne fremgangsmåde er særligt nyttig, når fejlformen er svær at beskrive ved hjælp af simple faste regler.

For eksempel kan sandhuller og porøsitet variere i:

• Form
• Størrelse
• Kantkarakteristika
• Kontrast
• Overflade Tekstur
• Fordeling

En model til dyb læring kan trænes ved hjælp af repræsentative prøver for at identificere disse egenskaber.

4. Hardwarekonfiguration

Det omtalte system bruger højopløsende billeddannelse i kombination med robotpositionering.

Visionssystem

• 20 MP industrielt kamera
• Ekstra stor højlysstyrke lyskilde

Det højopløsende kamera leverer detaljerede billedoplysninger, mens det store belysningssystem er designet til at levere passende belysning over hele inspektionsområdet.

Robotbaseret billeddannelse

AFANUC-robot bruges til automatisk kamerapositionering og billedoptagelse.

Denne konfiguration giver systemet mulighed for at inspicere flere områder af komplekse motordele uden at kræve en separat fast monteret kamera til hver inspektionsposition.

Styrings- og datafunktioner

Systemet integrerer:

• Kodelæsning
• Maskinsejlskab-inspektion
• Algoritmer til dybt læring
• Inspektionssporbarhed
• Dataanalyse
• Fjernadgang til data

Dette gør det muligt at knytte inspektionsresultater til individuelle arbejdsemner og gennemgå dem senere til kvalitetsanalyse.

5. Tekniske specifikationer

Følgende specifikationer er baseret på den offentligt tilgængelige produktinformation for det nævnte system.

Vare	Specifikation
Ansøgning	Kommersielle køretøjer, personbiler, herunder NEV'er
Arbejdsemner	Komponenter til nyenergi-transportdrivsystemer; komponenter til diesel- og benzintransportdrivsystemer
Inspektionsomfang	Fejl på maskinerede overflader og støbeemner
Støbefejl	Sandhuller, porøsitet, krympedefekter, inklusioner
Maskinbearbejdningsdefekter	Støddemærker, ridser og relateret overfladeskade
Offentliggjort inspektionscyklus	4,5 minutter
Industrielt kamera	20 MP
Belysning	Ekstra stor højlysstyrke lyskilde
Robot	FANUC
Kontrol	Siemens/Advantech industri-PC
Inspektionsteknologi	Maskinindsejelse + dyb læring
Funktioner	Kodelæsning, inspektion, sporbarehed, dataanalyse og fjernadgang

Markedet en cyklustid på 4,5 minutter er en offentliggjort anvendelsesværdi den faktiske inspektionscyklustid skal vurderes ud fra antallet af inspektionsområder, værktøjsstykkets geometri, robotbanen, billedbehandlingskravene og produktionsmodus.

6. Vigtige overvejelser ved valg

6.1 Opbyg prøvedatabasen før algoritmeudvikling

Ydeevnen for dybt læring afhænger i høj grad af prøvekvaliteten.

Projektet skal indsamle repræsentative prøver, der dækker:

• Normale produkter
• Produkter uden fejl (Clear NG)
• Forskellige fejltyper
• Forskellige fejlstørrelser
• Grænse- eller grænsetilfældeprøver
• Forskellige overfladetilstande

Grænsetilfældeprøver er særligt vigtige, fordi fejl i den reelle produktion ikke altid er lige så tydelige som laboratorieeksempler.

6.2 Definer kvantitative fejlkriterier

Begreber som "lille porøsitet" eller "mindre sandhul" er svære for et visionssystem at fortolke uden tekniske kriterier.

Kvalitetsspecifikationen skal, hvor det er relevant, definere:

• Mindste defektstørrelse
• Maksimalt acceptabelt defektstørrelse
• Antal defekter
• Defekttæthed
• Defektplacering
• Acceptabel afstand mellem defekter

Algoritmen kan derefter trænes og valideres i forhold til et tydeligt defineret inspektionsmål.

6.3 Overvej den 4,5-minutters cyklus i produktionsplanlægningen

Den offentliggjorte cykeltid er relativt moderat sammenlignet med højhastigheds inline-billedinspektion.

Dette kan gøre konfigurationen egnet til:

• Fuld inspektion af kritiske komponenter
• Partikontrol
• Kvalitetsinspektion ved produktionsliniens slut
• Sampling Inspection

Hvis inspektionen skal integreres i en hurtigere produktionslinje, kan inspektionspunkterne potentielt fordeles på flere parallelle stationer.

Den faktiske løsning skal fastlægges gennem cykeltidsanalyse i stedet for at antage, at én robotiseret inspektionscelle kan dække alle taktkrav.

6.4 Planlæg dataadgang og -bevaring

Fjerndataforespørgselsfunktioner er nyttige til kvalitetssporbarhed, men systemet skal udformes ud fra fabrikkens faktiske IT-miljø.

Den tekniske specifikation skal definere:

• Periode for databevaring
• Billedlagringskapacitet
• Brugertilladelser
• Metode til fjernadgang
• Krav til sikkerhedskopiering
• Tilknytning af arbejdsemne til resultat

7. Kan visioninspektion opdage støbefejl?

Maskinvision kan opdage støbefejl, der er synligt eksponeret på den inspicerede overflade , herunder passende eksempler på sandhuller, porøsitet, krympningsrelaterede overfladefejl og inklusioner.

Der er dog en vigtig begrænsning.

En fejl, der er helt begravet inde i støbningen med ingen synlig overfladeindikation, kan ikke pålideligt påvises udelukkende ved hjælp af overfladebilledanalyse .

Sådanne interne fejl kræver muligvis andre metoder til ikke-destruktiv testning, afhængigt af anvendelsen, f.eks.:

• Røntgenundersøgelse
• Ultraske Test
• Magnetpulverinspektion
• Andre applikationsspecifikke NDT-metoder

Derfor bør synsinspektion forstås som en metode til inspektion af synlige overflade- og nær-overflademani­festationer , fremfor som en erstatning for alle former for støbninginspektion.

8. Vedligeholde ydeevnen af dyb-læringsmodeller

En dyb-læringsmodel bliver normalt ikke unøjagtig blot fordi den har været i drift i en periode.

Inspektionsydelsen kan dog ændre sig, når produktionsforholdene ændres.

Eksempler inkluderer:

• Nyt støbemateriale eller leverandør
• Ny maskinbearbejdningsproces
• Ændringer i overfladebehandling
• Ændringer i belysning
• Nye produktmodeller
• Nye fejltyper
• Udskiftning af kamera
• Fastgørelse eller robotpositionændringer

Et robust visionprojekt bør derfor inkludere en modelvedligeholdelsesmekanisme, der dækker:

1. Indsamling af nye fejlprøver
2. Gennemgang af produktionsprøver
3. Modelvalidering
4. Modelopdatering
5. Versionskontrol
6. Genvalidering efter ændringer

Disse ansvarsområder og procedurer defineres bedst i den tekniske aftale før udstyrets godkendelse.

9. Integration af visioninspektion med rengøring

Motorblokke og cylinderhoveder kan gennemgå rengøring før endelig inspektion.

For produktionslinjer, der kræver både rengøring og synsinspektion, kan de to processer integreres i en bredere kvalitetskontrolarbejdsgang.

En typisk rækkefølge kan være:

Maskinbearbejdning → Rengøring → Tørring → Synsinspektion → Sporbarhed → Montage

Denne fremgangsmåde kan reducere risikoen for ny forurening eller skade som følge af uønsket mellembehandling.

Den kan også gøre inspektionsresultatet mere repræsentativt for komponentens tilstand lige før montage.

Big Bird Industrial har både industriel præcisionsrengøringsudstyr og maskinbaserede synsinspektionskapaciteter , hvilket gør kombinerede rengørings- og inspektionsløsninger mulige for applikationer, hvor begge processer er påkrævet.

10. Big Bird Industrial’s maskinbaserede synsinspektionskapaciteter

Harbin Big Bird Industrial Co., Ltd. (Big Bird Industrial), tidligere Harbin Shimada Big Bird Industrial Co., Ltd. leverer integrerede industrielle rengørings- og maskinvisionsløsninger til automobilens drivlinje og præcisionsfremstilling.

Dets forretning inden for maskinbaseret syn dækker seks specialiserede områder:

• Orient See — dimensionel og geometrisk inspektion
• Surface See — inspektion af overfladedefekter
• Assembly See — monteringsinspektion og poka-yoke
• Inner See — inspektion af indre huller og indre vægge
• Paint See — inspektion af malingsoverfladefejl
• Algoritme- og softwareplatform — maskinvisionalgoritmer og -software

For motorblokke og cylindertoppe Surface See kan konfigureres til både fejl på bearbejdede overflader og synlige støbefejl.

Hvor inspektion af indre huller kræves Inner See kan opfylde inspektionskrav vedrørende indre huller og indervægsoverflader.

Dette gør det muligt at konfigurere inspektionssystemet i henhold til den faktiske fejltype, inspektionsplaceringen og produktionsprocessen i stedet for at anvende én billedopsamlingsmetode på alle områder.

Ofte stillede spørgsmål

Kan maskinvision erstatte manuel inspektion af sandhuller og porøsitet?

For fejl, der er tydeligt synlige på den inspicerede overflade, kan automatisk vision erstatte eller betydeligt reducere manuel visuel inspektion.

Dog defekter, der er helt skjult inde i støbningen og ikke viser nogen overfladeindikation, kan ikke registreres udelukkende ved hjælp af overfladebilledanalyse. Sådanne defekter kræver passende metoder til ikke-destruktiv testning.

Bliver en dyblæringsmodel unøjagtig efter at have kørt i en periode?

Ikke blot på grund af driftstiden.

Ydeevnen kan ændres, når produktet, processen, materialet, belysningen eller defektpopulationen ændres. Kontinuerlig indsamling af prøver og validering af modellen er derfor vigtig for langvarig produktionsstabilitet.

Hvorfor er den offentliggjorte inspektionscyklus 4,5 minut?

Det omtalte system udfører flere billedoptagelsesoperationer på komplekse motordeles overflader ved hjælp af robotpositionering og billedbehandling.

Den offentliggjorte 4,5-minutters cyklus er velegnet til den omtalte anvendelse. Hvis en hurtigere produktions-takt kræves, kan inspektionspunkterne fordeles mellem parallelle stationer, eller billedoptagelsen og robotbanerne kan optimeres.

Kan visionssystemet kobles til en rengøringsmaskine?

Ja.

Big Bird Industrial leverer både præcisionsindustriel rengøringsudstyr og maskinvision-inspektionssystemer. Hvor produktionsprocessen kræver det, kan rengøring og inspektion kobles sammen, så komponenter går direkte fra rengøring og tørring til automatisk visuel inspektion og sporbarthed.

Konklusion

Støbe- og maskinebearbejdningsfejl udgør to forskellige udfordringer for kvalitetskontrol af motorblokke og cylinderhoveder.

Sandhuller, porøsitet, krympningsfejl og inklusioner stammer fra støbning, mens ridser og stødmærker kan opstå under maskinebearbejdning, håndtering eller overførsel i produktionen. Deres visuelle karakteristika kan adskille sig betydeligt, hvilket gør det svært at anvende én enkelt fast tærskelinspektionsstrategi pålideligt.

Den omtalte løsning kombinerer en 20 MP industri-kamera, højlysende belysning, FANUC-robotpositionering og dyb-læring-maskinvision til inspektion af både specificerede maskinebearbejdede overflader og synlige støbefejl.

For produktionsanvendelser afhænger effektiviteten af inspektion baseret på dybt læring imidlertid af mere end algoritmen selv. Repræsentative prøver, kvantitative acceptkriterier, stabile billeddanningsforhold og en defineret modelvedligeholdelsesproces er alle væsentlige dele af et pålideligt visioninspektionssystem.

For producenter, der ønsker at kombinere rengøring, overfladeinspektion og sporbarthed, kan Big Bird Industrial integrere disse processer i en bredere automatiseret kvalitetskontrolarbejdsgang med SHIMADA beholdt som en del af virksomhedens historiske brandidentitet.