Prüfung von Motorblock und Zylinderkopf auf Gussfehler: Tiefenlern-basierte Bildverarbeitung

Übersicht

Motorblöcke und Zylinderköpfe können in verschiedenen Fertigungsstadien Fehler entwickeln. Gießfehler sandlöcher, Porosität, Schwindfehler und Einschlüsse entstehen beispielsweise während des Gießprozesses, während bearbeitungs- und Handhabungsfehler wie Aufprallmarkierungen und Kratzer in nachfolgenden Produktionsprozessen auftreten können.

Die Bildverarbeitungs-Prüflösung von Big Bird Industrial kombiniert industrielle 20-MP-Kameras, hochleuchtende Beleuchtung, robotergestützte Bildaufnahme und Deep-Learning-Algorithmen zur Prüfung sowohl bearbeiteter Oberflächenfehler als auch sichtbarer Gussfehler an Motorblöcken und Zylinderköpfen.

Das referenzierte System weist eine veröffentlichte Prüfzykluszeit von 4,5 Minuten , wobei die endgültige Konfiguration und der Takt entsprechend dem Werkstück und den Prüfanforderungen angepasst werden können.

1. Gießfehler und Bearbeitungsfehler sind unterschiedliche Prüfprobleme

Motorblöcke und Zylinderköpfe können Fehler enthalten, die aus grundsätzlich verschiedenen Fertigungsstufen stammen.

Gießfehler

Typische gießtechnisch bedingte Fehler umfassen:

• Sandlöcher
• Gasporosität
• Schrumpfungsfehler
• INHALTE

Diese Fehler entstehen während des Metallfüllens, der Erstarrung oder anderer Gießprozesse. Wenn sie an der Oberfläche sichtbar werden, können sie als dunkle Flecken, Vertiefungen, unregelmäßige Einbuchtungen oder Bereiche mit abweichender Oberflächenstruktur erscheinen.

Bearbeitungs- und Handhabungsfehler

Nach dem Gießen durchlaufen Motorblöcke und Zylinderköpfe Bearbeitungs-, Transport-, Spann- und andere Produktionsvorgänge.

Typische Fehler aus diesen Stufen umfassen:

• Schlagmarken
• Krähenfüße
• Oberflächenschäden
• Lokale Dellen

Diese Fehler können sich optisch deutlich von Gießfehlern unterscheiden.

Dieser Unterschied ist für die Maschinenvision wichtig, da die beiden Fehlergruppen möglicherweise unterschiedliche Bildgebungs- und Algorithmusstrategien erfordern.

2. Warum die Erkennung von Gießfehlern schwierig ist

Gießoberflächen sind von Natur aus komplexer als hochgradig einheitliche bearbeitete Oberflächen.

Eine bearbeitete Oberfläche weist möglicherweise eine relativ konsistente Textur und Reflexion auf, während eine Gießoberfläche folgende Merkmale enthalten kann:

• Unregelmäßige Textur
• Natürliche Oberflächenvariation
• Veränderungen der Rauheit
• Unterschiedliche Reaktionen auf Beleuchtung
• Materialbedingte visuelle Merkmale

Gießfehler wie Sandlöcher und Porosität können zudem erheblich in Form und Größe variieren.

Ein einfaches, schwellenwertbasiertes Vision-System könnte daher Schwierigkeiten haben, einen echten Fehler von einer normalen Gussstruktur zu unterscheiden.

Aus diesem Grund verwendet das referenzierte System maschinelles Sehen auf Basis von Deep Learning .

Anstatt sich ausschließlich auf feste Graustufen- oder geometrische Schwellenwerte zu verlassen, kann ein trainiertes Modell visuelle Merkmale aus repräsentativen OK- und NG-Proben lernen.

Deep Learning beseitigt jedoch nicht die Notwendigkeit einer geeigneten Bildgebung. Beleuchtung, optische Auflösung, Probengüte und die Definition des Inspektionsbereichs bleiben grundlegend für die Systemleistung.

3. Inspektionslösung: Deep Learning + hochauflösendes Sehen

Die referenzierte Ausrüstung integriert die Inspektion von Bearbeitungsfehlern und Gussfehlern in einen gemeinsamen Inspektionsworkflow.

Fehler an bearbeiteten Oberflächen

Das System kann festgelegte bearbeitete Bereiche auf Fehler wie folgende prüfen:

• Schlagmarken
• Krähenfüße
• Oberflächenschäden

Gießfehler

Der Prüfumfang umfasst außerdem:

• Sandlöcher
• Gasporosität
• Schrumpfungsfehler
• INHALTE

Die tatsächlich detektierbare Fehlergröße und die Akzeptanzkriterien hängen von der Werkstückoberfläche, den Abbildungsbedingungen und den vom Kunden festgelegten Qualitätsstandards ab.

Deep-Learning-Prüfung

Das System nutzt Deep-Learning-Algorithmen zur Analyse der aufgenommenen Bilder.

Dieser Ansatz ist besonders nützlich, wenn die Fehlermorphologie sich nicht mithilfe einfacher, fester Regeln beschreiben lässt.

Beispielsweise können Sandlöcher und Porosität in folgenden Aspekten variieren:

• Form
• Größe
• Kantenmerkmale
• Kontrast
• Oberflächentextur
• Verteilung

Ein Deep-Learning-Modell kann mithilfe repräsentativer Proben trainiert werden, um diese Merkmale zu identifizieren.

4. Hardware-Konfiguration

Das referenzierte System kombiniert hochauflösende Bildgebung mit robotergestützter Positionierung.

Sehsystem

• 20-MP-Industriekamera
• Extra große, hochhelligkeitsfähige Lichtquelle

Die hochauflösende Kamera liefert detaillierte Bildinformationen, während das große Beleuchtungssystem so konzipiert ist, dass es im gesamten Inspektionsbereich eine geeignete Ausleuchtung gewährleistet.

Robotische Bildgebung

AFANUC-Roboter wird für die automatisierte Kamerapositionierung und Bildaufnahme eingesetzt.

Diese Konfiguration ermöglicht es dem System, mehrere Bereiche komplexer Motorkomponenten zu inspizieren, ohne dass für jede Inspektionsposition eine separate feste Kamera erforderlich ist.

Steuerungs- und Datenfunktionen

Das System integriert:

• Code-Lesung
• Maschinelles Sehen zur Qualitätsprüfung
• Deep-Learning-Algorithmen
• Prüfbarkeit und Rückverfolgbarkeit
• Datenanalyse
• Fernzugriff auf Daten

Dadurch können Inspektionsergebnisse einzelnen Werkstücken zugeordnet und später zur Qualitätsanalyse überprüft werden.

5. Technische Spezifikationen

Die folgenden Spezifikationen basieren auf den öffentlich zugänglichen Produktinformationen des genannten Systems.

Artikel	Spezifikation
Anwendung	Nutzfahrzeuge, Personenkraftwagen, einschließlich NEV
Werkstücke	Komponenten für Antriebsstränge mit neuer Energie; Komponenten für Dieselantriebsstränge und Benzinantriebsstränge
Prüfumfang	Oberflächenfehler an bearbeiteten Teilen und Gussfehler
Gießfehler	Sandlöcher, Porosität, Schwindungsfehler, Einschlüsse
Bearbeitungsfehler	Auswirkungsmarkierungen, Kratzer und verwandte Oberflächenschäden
Veröffentlichter Inspektionszyklus	4,5 Minuten
Industriekamera	20 MP
Beleuchtung	Extra große, hochhelligkeitsfähige Lichtquelle
Roboter	Fanuc
KONTROLLE	Siemens / Advantech Industrie-PC
Inspektionstechnologie	Maschinenvision plus Deep Learning
Funktionen	Codelesung, Inspektion, Rückverfolgbarkeit, Datenanalyse und Fernzugriff

Der ein Zyklus von 4,5 Minuten ist ein veröffentlichter Anwendungswert die tatsächliche Inspektions-Taktzeit sollte anhand der Anzahl der Inspektionsbereiche, der Werkstückgeometrie, des Roboterpfads, der Bildverarbeitungsanforderungen und des Produktionsmodus bewertet werden.

6. Wichtige Auswahlüberlegungen

6.1 Erstellung der Musterdatenbank vor der Algorithmusentwicklung

Die Leistung des Deep-Learning-Verfahrens hängt stark von der Qualität der Muster ab.

Das Projekt sollte repräsentative Muster erfassen, die Folgendes umfassen:

• Normale Produkte
• Eindeutige NG-Produkte
• Verschiedene Defektarten
• Verschiedene Defektgrößen
• Grenz- oder Randfälle
• Verschiedene Oberflächenzustände

Grenzfälle sind besonders wichtig, weil reale Produktionsdefekte nicht immer so eindeutig sind wie Laborbeispiele.

6.2 Quantitative Defektkriterien definieren

Begriffe wie „kleine Porosität“ oder „kleines Sandloch“ sind für ein Bildverarbeitungssystem ohne technische Kriterien schwer zu interpretieren.

Die Qualifikationsspezifikation sollte – soweit zutreffend – folgende Angaben enthalten:

• Minimale Fehlstelle
• Maximal zulässige Defektgröße
• Anzahl der Defekte
• Defektdichte
• Fehlerortung
• Zulässiger Abstand zwischen Fehlern

Der Algorithmus kann dann anhand eines klar definierten Prüfziels trainiert und validiert werden.

6.3 Berücksichtigen Sie den 4,5-Minuten-Takt bei der Produktionsplanung

Die veröffentlichte Taktzeit ist im Vergleich zur hochgeschwindigkeitsfähigen Inline-Visionprüfung relativ moderat.

Dies kann die Konfiguration geeignet machen für:

• Vollständige Prüfung kritischer Komponenten
• Chargeprüfung
• End-of-Line-Qualitätsprüfung
• Probenahmeinspektion

Falls die Prüfung in eine schnellere Produktionslinie integriert werden muss, können die Prüfpunkte möglicherweise auf mehrere parallele Stationen verteilt werden.

Die konkrete Lösung sollte durch eine Taktzeitanalyse bestimmt werden, statt vorauszusetzen, dass eine einzige robotergestützte Prüfzelle alle Takterfordernisse erfüllen kann.

6.4 Planen Sie den Datenzugriff und die Datenspeicherung

Fernabfragefunktionen für Daten sind nützlich für die Qualitätsrückverfolgbarkeit, doch das System sollte an der tatsächlichen IT-Umgebung des Werks ausgerichtet sein.

Die technische Spezifikation sollte folgende Punkte definieren:

• Datenspeicherungszeitraum
• Bildspeicherkapazität
• Benutzerberechtigungen
• Methode des Fernzugriffs
• Notstromanforderungen
• Zuordnung von Werkstück zu Ergebnis

7. Kann die Sichtinspektion Gussfehler erkennen?

Maschinenvision kann gussfehler erkennen, die visuell auf der zu inspizierenden Oberfläche sichtbar sind , einschließlich geeigneter Beispiele wie Sandlöcher, Porosität, oberflächennahe shrinkage-bedingte Fehler und Einschlüsse.

Allerdings gibt es eine wichtige Einschränkung.

Ein Fehler, der vollständig im Inneren der Gussteilwand verborgen ist und keine sichtbare Oberflächenanzeige aufweist, kann mit reinen Oberflächenbildverfahren nicht zuverlässig erkannt werden. .

Derartige innere Fehler erfordern je nach Anwendungsfall möglicherweise andere zerstörungsfreie Prüfverfahren, beispielsweise:

• Röntgenuntersuchung
• Ultraschallprüfung
• Magnetpulverprüfung
• Weitere anwendungsspezifische NDT-Verfahren

Daher ist die Sichtprüfung als Methode zur Inspektion von sichtbaren Oberflächen- und nahe-Oberflächen-Erscheinungsformen zu verstehen , nicht jedoch als Ersatz für jede Form der Gussinspektion.

8. Aufrechterhaltung der Leistungsfähigkeit von Deep-Learning-Modellen

Ein Deep-Learning-Modell wird normalerweise nicht einfach deshalb ungenau, weil es über einen Zeitraum hinweg in Betrieb war.

Die Inspektionsleistung kann sich jedoch ändern, wenn sich die Produktionsbedingungen ändern.

Beispiele hierfür sind:

• Neues Gussmaterial oder neuer Lieferant
• Neuer Bearbeitungsprozess
• Änderungen der Oberflächenbeschaffenheit
• Änderungen der Beleuchtung
• Neue Produktmodelle
• Neue Fehlerarten
• Kameratypwechsel
• Änderungen an Halterungen oder Roboterpositionen

Ein robustes Vision-Projekt sollte daher einen Modellwartungsmechanismus umfassen, der Folgendes abdeckt:

1. Neue Fehlermuster-Sammlung
2. Überprüfung von Produktionsmustern
3. Modellvalidierung
4. Modellaktualisierung
5. Versionskontrolle
6. Neuvalidierung nach Änderungen

Diese Verantwortlichkeiten und Verfahren sind am besten in der technischen Vereinbarung vor der Geräteabnahme festzulegen.

9. Integration der Sichtinspektion mit der Reinigung

Motorblöcke und Zylinderköpfe können vor der Endinspektion gereinigt werden.

Für Fertigungslinien, die sowohl Reinigung als auch Sichtinspektion erfordern, können beide Prozesse in einen umfassenderen Qualitätskontroll-Arbeitsablauf integriert werden.

Eine typische Abfolge könnte lauten:

Bearbeitung → Reinigung → Trocknung → Sichtprüfung → Rückverfolgbarkeit → Montage

Dieser Ansatz kann die Wahrscheinlichkeit neuer Kontaminationen oder Schäden durch mechanische Einwirkung während unnötiger Zwischenhandhabung verringern.

Er kann zudem sicherstellen, dass das Prüfergebnis den Zustand des Bauteils unmittelbar vor der Montage genauer widerspiegelt.

Big Bird Industrial verfügt sowohl über industrielle Präzisionsreinigungsanlagen als auch über Maschinenvision-Prüftechnik , wodurch kombinierte Reinigungs- und Prüflösungen für Anwendungen möglich werden, bei denen beide Prozesse erforderlich sind.

10. Maschinenvision-Prüftechnik von Big Bird Industrial

Harbin Big Bird Industrial Co., Ltd. (Big Bird Industrial), ehemals Harbin Shimada Big Bird Industrial Co., Ltd., bietet integrierte Lösungen für industrielle Reinigung und Maschinenvision für Anwendungen in der Automobil-Antriebstechnik und der Präzisionsfertigung.

Das Maschinenvision-Geschäft umfasst sechs Spezialgebiete:

• Orient See — dimensionale und geometrische Inspektion
• Surface See — Oberflächenfehlerinspektion
• Assembly See — Montageprüfung und Poka-Yoke
• Inner See — Inspektion von Innenbohrungen und Innenwänden
• Lackprüfung — Inspektion von Oberflächenfehlern im Lack
• Algorithmus & Softwareplattform — Algorithmen und Software für maschinelles Sehen

Für Motorblöcke und Zylinderköpfe Surface See kann sowohl für Oberflächenfehler an bearbeiteten Flächen als auch für sichtbare Gussfehler konfiguriert werden.

Wo eine Inspektion von Innenbohrungen erforderlich ist Inner See kann die Inspektion von Innenbohrungen und Innenwandflächen abgedeckt werden.

Dadurch lässt sich das Inspektionssystem entsprechend der jeweiligen Fehlerart, der Inspektionsstelle und dem Fertigungsprozess konfigurieren – statt eine einzige Bildgebungsmethode für alle Bereiche anzuwenden.

FAQ

Kann maschinelles Sehen die manuelle Inspektion von Sandlöchern und Porosität ersetzen?

Bei Fehlern, die auf der zu inspizierenden Oberfläche deutlich sichtbar sind, kann die automatisierte Bildverarbeitung die manuelle Sichtinspektion ersetzen oder erheblich reduzieren.

Hingegen können Fehler, die vollständig im Inneren des Gussteils verborgen und ohne jegliche Oberflächenanzeige sind, allein mittels Oberflächenbildgebung nicht erkannt werden. Solche Fehler erfordern geeignete zerstörungsfreie Prüfverfahren.

Verliert ein Deep-Learning-Modell nach einer gewissen Laufzeit an Genauigkeit?

Nicht einfach aufgrund der Betriebszeit.

Die Leistung kann sich ändern, wenn sich das Produkt, der Prozess, das Material, die Beleuchtung oder die Fehlerpopulation ändern. Daher sind eine kontinuierliche Stichprobensammlung und eine regelmäßige Modellvalidierung für eine langfristige Produktionsstabilität wichtig.

Warum beträgt der veröffentlichte Inspektionszyklus 4,5 Minuten?

Das referenzierte System führt mithilfe robotergestützter Positionierung und Bildverarbeitung mehrere Abbildungsvorgänge an komplexen Oberflächen von Motorkomponenten durch.

Das veröffentlichte 4,5-Minuten-Zyklus ist für die referenzierte Anwendung geeignet. Falls ein kürzerer Produktions-Takt erforderlich ist, können die Prüfpunkte auf parallele Stationen verteilt oder die Abbildungs- und Roboterpfade optimiert werden.

Kann das Vision-System mit einer Reinigungsmaschine verbunden werden?

- Ja, das ist es.

Big Bird Industrial bietet sowohl präzise industrielle Reinigungsanlagen als auch maschinelle Sichtinspektionssysteme an. Wo es der Produktionsprozess erfordert, können Reinigung und Inspektion miteinander verbunden werden, sodass Komponenten direkt von der Reinigung und Trocknung zur automatisierten visuellen Inspektion und Rückverfolgbarkeit übergehen.

Fazit

Guss- und Bearbeitungsfehler stellen zwei unterschiedliche Qualitätskontrollherausforderungen für Motorblöcke und Zylinderköpfe dar.

Sandlöcher, Porosität, Schwindungsfehler und Einschlüsse stammen aus dem Gießprozess, während kratzer und Stoßmarken während der Bearbeitung, beim Handling oder beim Produktionswechsel entstehen können. Ihre visuellen Merkmale können sich erheblich unterscheiden, wodurch eine einzige, feste Schwellenwert-Inspektionsstrategie nur schwer zuverlässig anzuwenden ist.

Die referenzierte Lösung kombiniert eine 20-MP-Industriekamera, Hochleistungsbeleuchtung, FANUC-Roboterpositionierung und Deep-Learning-basierte Maschinenvision zur Inspektion sowohl der spezifizierten bearbeiteten Oberflächen als auch sichtbarer Gussfehler.

Für Produktionsanwendungen hängt die Wirksamkeit der Inspektion mittels Deep Learning jedoch von mehr ab als nur vom Algorithmus selbst. Repräsentative Proben, quantitative Akzeptanzkriterien, stabile Bildgebungsbedingungen und ein definierter Modellwartungsprozess sind allesamt wesentliche Bestandteile eines zuverlässigen visuellen Inspektionssystems.

Für Hersteller, die Reinigung, Oberflächeninspektion und Rückverfolgbarkeit kombinieren möchten, kann Big Bird Industrial diese Prozesse in einen umfassenderen automatisierten Qualitätskontrollworkflow integrieren, wobei SHIMADA als Teil der historischen Markenidentität des Unternehmens beibehalten wird.