Έλεγχος ελαττωμάτων στο σώμα κινητήρα και στο κεφαλόσκελο: Όραση με βάση τη βαθιά μάθηση για ελαττώματα χύτευσης

Επισκόπηση

Τα σώματα κινητήρα και τα κεφαλόσκελα μπορούν να αναπτύσσουν ελαττώματα σε διαφορετικά στάδια της κατασκευής. Ελαττώματα χύτευσης όπως τρύπες από άμμο, πορώδες, ελαττώματα συστολής και εγκλείσματα προκύπτουν κατά τη διάρκεια της χύτευσης, ενώ ελαττώματα από μηχανική κατεργασία και χειρισμό όπως σημάδια κρούσης και γρατζουνιές μπορούν να εμφανιστούν κατά τις επόμενες διαδικασίες παραγωγής.

Η λύση εξεταστικής όρασης της Big Bird Industrial συνδυάζει βιομηχανικές κάμερες 20 MP, φωτισμό υψηλής φωτεινότητας, ρομποτική απεικόνιση και αλγόριθμους βαθιάς μάθησης για τον έλεγχο τόσο των ελαττωμάτων σε μηχανοκατεργασμένες επιφάνειες όσο και των ορατών ελαττωμάτων χύτευσης σε σώματα κινητήρα και κεφαλόσκελα.

Το αναφερόμενο σύστημα έχει δημοσιευμένο κύκλο ελέγχου 4,5 λεπτά , με την τελική διαμόρφωση και το ρυθμό παραγωγής προσαρμόσιμους σύμφωνα με το εξάρτημα και τις απαιτήσεις επιθεώρησης.

1. Τα ελαττώματα από την απόχυση και τα ελαττώματα από τη μηχανική κατεργασία αποτελούν διαφορετικά προβλήματα επιθεώρησης

Τα σώματα κινητήρων και οι κεφαλές κυλίνδρων μπορεί να περιέχουν ελαττώματα που προέρχονται από θεμελιώδως διαφορετικά στάδια κατασκευής.

Ελαττώματα χύτευσης

Τυπικά ελαττώματα σχετιζόμενα με την απόχυση περιλαμβάνουν:

• Οπές από άμμο
• Πορώδης Δομή Αερίων
• Ελαττώματα συρρίκνωσης
• ΠΕΡΙΕΧΟΜΕΝΑ

Αυτά τα ελαττώματα δημιουργούνται κατά την πλήρωση με μέταλλο, τη συμπύκνωση ή άλλες διαδικασίες απόχυσης. Όταν εκτίθενται στην επιφάνεια, μπορεί να εμφανίζονται ως σκοτεινές κηλίδες, λακκούβες, ανώμαλες εντοπικές κοιλότητες ή περιοχές με διαφορετική υφή επιφάνειας.

Ελαττώματα από μηχανική κατεργασία και χειρισμό

Μετά την απόχυση, τα σώματα κινητήρων και οι κεφαλές κυλίνδρων υπόκεινται σε μηχανική κατεργασία, μεταφορά, σύσφιξη και άλλες παραγωγικές εργασίες.

Τυπικά ελαττώματα από αυτά τα στάδια περιλαμβάνουν:

• Σημάδια κρούσης
• Σχίσματα
• Επιφανειακές βλάβες
• Τοπικές εντοπικές ενσορρήσεις

Αυτά τα ελαττώματα μπορεί να έχουν ουσιαστικά διαφορετική οπτική εμφάνιση από τα ελαττώματα από απόχυση.

Αυτή η διαφορά είναι σημαντική για την όραση μηχανών, επειδή οι δύο ομάδες ελαττωμάτων μπορεί να απαιτούν διαφορετικές στρατηγικές απεικόνισης και αλγορίθμων.

2. Γιατί η ανίχνευση ελαττωμάτων στην απόχυση είναι δύσκολη

Οι επιφάνειες απόχυσης είναι φυσικά πιο πολύπλοκες από τις εξαιρετικά ομοιόμορφες επεξεργασμένες επιφάνειες.

Μια επεξεργασμένη επιφάνεια μπορεί να έχει σχετικά σταθερή υφή και ανακλαστικότητα, ενώ μια επιφάνεια απόχυσης μπορεί να περιέχει:

• Άνιση υφή
• Φυσική παραλλαγή της επιφάνειας
• Αλλαγές στην τραχύτητα
• Διαφορετικές αντιδράσεις στο φωτισμό
• Οπτικά χαρακτηριστικά που σχετίζονται με το υλικό

Τα ελάττωματα απόχυσης, όπως οι αμμώδεις θύρες και η πορώδης δομή, μπορεί επίσης να διαφέρουν σημαντικά ως προς το σχήμα και το μέγεθος.

Ένα απλό σύστημα όρασης βασισμένο σε κατώφλια μπορεί επομένως να αντιμετωπίζει δυσκολίες στο να διακρίνει ένα πραγματικό ελάττωμα από τη φυσιολογική υφή του χυτού.

Γι’ αυτόν τον λόγο, το αναφερόμενο σύστημα χρησιμοποιεί μηχανική όραση βασισμένη σε βαθιά μάθηση .

Αντί να βασίζεται αποκλειστικά σε σταθερά κατώφλια φωτεινότητας ή γεωμετρικά κατώφλια, ένα εκπαιδευμένο μοντέλο μπορεί να μάθει οπτικά χαρακτηριστικά από αντιπροσωπευτικά δείγματα OK και NG.

Ωστόσο, η βαθιά μάθηση δεν εξαλείφει την ανάγκη για κατάλληλη απεικόνιση. Το φωτισμό, η οπτική ανάλυση, η ποιότητα των δειγμάτων και ο καθορισμός της περιοχής επιθεώρησης παραμένουν θεμελιώδεις παράγοντες για την απόδοση του συστήματος.

3. Λύση επιθεώρησης: Βαθιά μάθηση + Όραση υψηλής ανάλυσης

Το αναφερόμενο εξοπλισμός ενσωματώνει την επιθεώρηση ελαττωμάτων από κατεργασία και ελαττωμάτων από χύτευση σε μια κοινή ροή επιθεώρησης.

Ελαττώματα επεξεργασμένης επιφάνειας

Το σύστημα μπορεί να επιθεωρεί καθορισμένες επεξεργασμένες περιοχές για ελαττώματα όπως:

• Σημάδια κρούσης
• Σχίσματα
• Επιφανειακές βλάβες

Ελαττώματα χύτευσης

Το πεδίο επιθεώρησης περιλαμβάνει επίσης:

• Οπές από άμμο
• Πορώδης Δομή Αερίων
• Ελαττώματα συρρίκνωσης
• ΠΕΡΙΕΧΟΜΕΝΑ

Το πραγματικό ανιχνεύσιμο μέγεθος ελαττωμάτων και τα κριτήρια αποδοχής εξαρτώνται από την επιφάνεια του τεμαχίου, τις συνθήκες απεικόνισης και τα προδιαγραφόμενα από τον πελάτη πρότυπα ποιότητας.

Επιθεώρηση με βάση τη βαθιά μάθηση

Το σύστημα χρησιμοποιεί αλγόριθμους βαθιάς μάθησης για την ανάλυση των ληφθεισών εικόνων.

Αυτή η προσέγγιση είναι ιδιαίτερα χρήσιμη όταν η μορφολογία των ελαττωμάτων είναι δύσκολο να περιγραφεί με απλούς σταθερούς κανόνες.

Για παράδειγμα, οι οπές από άμμο και η πορώδης δομή μπορεί να διαφέρουν ως προς:

• Σχήμα
• Μέγεθος
• Χαρακτηριστικά άκρων
• Αντιθέτως
• Υφή Επιφάνειας
• Διανομή

Ένα μοντέλο βαθιάς μάθησης μπορεί να εκπαιδευτεί χρησιμοποιώντας αντιπροσωπευτικά δείγματα για την αναγνώριση αυτών των χαρακτηριστικών.

4. Διαμόρφωση Υλικού

Το αναφερόμενο σύστημα χρησιμοποιεί απεικόνιση υψηλής ανάλυσης σε συνδυασμό με ρομποτική τοποθέτηση.

Εικονικό σύστημα

• βιομηχανική κάμερα 20 MP
• Πηγή φωτός εξαιρετικά μεγάλου μεγέθους και υψηλής φωτεινότητας

Η κάμερα υψηλής ανάλυσης παρέχει λεπτομερείς πληροφορίες εικόνας, ενώ το μεγάλο σύστημα φωτισμού έχει σχεδιαστεί για να παρέχει κατάλληλο φωτισμό σε όλη την περιοχή επιθεώρησης.

Ρομποτική απεικόνιση

AΡομπότ FANUC χρησιμοποιείται για αυτοματοποιημένη τοποθέτηση της κάμερας και απόκτηση εικόνων.

Αυτή η διαμόρφωση επιτρέπει στο σύστημα να επιθεωρεί πολλαπλές περιοχές περίπλοκων εξαρτημάτων κινητήρα χωρίς να απαιτείται ξεχωριστή σταθερή κάμερα για κάθε θέση επιθεώρησης.

Συναρτήσεις ελέγχου και δεδομένων

Το σύστημα ενσωματώνει:

• Ανάγνωση κωδίκων
• Ελεγχός Οπτικής Μηχανής
• Αλγόριθμοι εμβάθυνσης μάθησης
• Ελεγξιμότητα των ελέγχων
• Ανάλυση δεδομένων
• Απομακρυσμένη πρόσβαση σε δεδομένα

Αυτό επιτρέπει τη σύνδεση των αποτελεσμάτων επιθεώρησης με συγκεκριμένα τεμάχια εργασίας και την αργότερη επανεξέτασή τους για ανάλυση ποιότητας.

5. Τεχνικές Προδιαγραφές

Οι ακόλουθες προδιαγραφές βασίζονται σε δημοσιευμένες πληροφορίες προϊόντων για το αναφερόμενο σύστημα.

Αντικείμενο	Προδιαγραφή
Εφαρμογή	Εμπορικά οχήματα, επιβατικά οχήματα, συμπεριλαμβανομένων των οχημάτων νέας ενέργειας (NEVs)
Τεμάχια εργασίας	Εξαρτήματα κινητήριων μονάδων νέας ενέργειας· εξαρτήματα κινητήριων μονάδων πετρελαίου και βενζίνης
Περιοχή Ελέγχου	Ελαττώματα μηχανοκατεργασμένων επιφανειών και χυτών
Ελαττώματα χύτευσης	Τρύπες άμμου, πορώδη, ελαττώματα συστολής, εγκλείσματα
Ελαττώματα μηχανοκατεργασίας	Σημάδια κρούσης, γρατζουνιές και σχετικές ζημιές στην επιφάνεια
Δημοσιευμένος κύκλος επιθεώρησης	4,5 λεπτά
Βιομηχανική κάμερα	20 MP
Φωτισμός	Πηγή φωτός εξαιρετικά μεγάλου μεγέθους και υψηλής φωτεινότητας
Ρομπότ	FANUC
Έλεγχος	Βιομηχανικός υπολογιστής Siemens / Advantech
Τεχνολογία επιθεώρησης	Οπτική μηχανής + βαθιά μάθηση
Λειτουργίες	Ανάγνωση κωδίκων, επιθεώρηση, εντοπισμός, ανάλυση δεδομένων και απομακρυσμένη πρόσβαση

Τη ο κύκλος των 4,5 λεπτών είναι μια δημοσιευμένη τιμή εφαρμογής η πραγματική ρυθμική συχνότητα επιθεώρησης πρέπει να αξιολογηθεί βάσει του αριθμού των περιοχών επιθεώρησης, της γεωμετρίας του τεμαχίου εργασίας, της διαδρομής του ρομπότ, των απαιτήσεων επεξεργασίας εικόνας και της λειτουργικής λειτουργίας παραγωγής.

6. Βασικοί παράγοντες επιλογής

6.1 Δημιουργία της Δειγματολογικής Βάσης Δεδομένων πριν από την Ανάπτυξη του Αλγορίθμου

Η απόδοση της εμβάθυνσης μάθησης εξαρτάται σε μεγάλο βαθμό από την ποιότητα των δειγμάτων.

Το έργο πρέπει να συλλέξει αντιπροσωπευτικά δείγματα που καλύπτουν:

• Κανονικά προϊόντα
• Ξεκάθαρα ελαττωματικά προϊόντα
• Διαφορετικοί τύποι ελαττωμάτων
• Διαφορετικά μεγέθη ελαττωμάτων
• Δείγματα στα όρια ή περιθωριακά δείγματα
• Διαφορετικές συνθήκες επιφάνειας

Τα δείγματα στα όρια είναι ιδιαίτερα σημαντικά, επειδή τα πραγματικά ελάττωμα της παραγωγής δεν είναι πάντα τόσο προφανή όσο τα παραδείγματα στο εργαστήριο.

6.2 Ορισμός ποσοτικών κριτηρίων ελαττωμάτων

Όροι όπως «μικρή πορώδης δομή» ή «ελάχιστη αμμώδης οπή» είναι δύσκολο να ερμηνευθούν από ένα σύστημα όρασης χωρίς μηχανικά κριτήρια.

Η προδιαγραφή ποιότητας θα πρέπει να ορίζει, όπου ισχύει:

• Ελάχιστο Μέγεθος Ελαττώματος
• Μέγιστο αποδεκτό μέγεθος ελαττώματος
• Αριθμός ελαττωμάτων
• Πυκνότητα Ελαττωμάτων
• Τοποθεσία ελαττώματος
• Αποδεκτή απόσταση μεταξύ ελαττωμάτων

Ο αλγόριθμος μπορεί στη συνέχεια να εκπαιδευτεί και να επικυρωθεί έναντι ενός σαφώς καθορισμένου στόχου επιθεώρησης.

6.3 Λάβετε υπόψη τον κύκλο των 4,5 λεπτών στον σχεδιασμό της παραγωγής

Ο δημοσιευμένος χρόνος κύκλου είναι σχετικά μέτριος σε σύγκριση με την υψηλής ταχύτητας εντός-γραμμής οπτική επιθεώρηση.

Αυτό μπορεί να καθιστά τη διαμόρφωση κατάλληλη για:

• Πλήρη επιθεώρηση κρίσιμων εξαρτημάτων
• Έλεγχο παρτίδας
• Επιθεώρηση ποιότητας στο τέλος της γραμμής
• Έλεγχος Υποδειγμάτων

Εάν η επιθεώρηση πρέπει να ενσωματωθεί σε μια ταχύτερη γραμμή παραγωγής, τα σημεία επιθεώρησης μπορούν ενδεχομένως να κατανεμηθούν σε πολλαπλούς παράλληλους σταθμούς.

Η πραγματική λύση πρέπει να καθοριστεί μέσω ανάλυσης του χρόνου κύκλου, αντί να υποτίθεται ότι ένα ρομποτικό κελί επιθεώρησης μπορεί να καλύψει κάθε απαίτηση takt.

6.4 Σχεδιάστε την πρόσβαση στα δεδομένα και την αποθήκευσή τους

Οι λειτουργίες απομακρυσμένης αναζήτησης δεδομένων είναι χρήσιμες για την εξακολούθηση της ποιότητας, αλλά το σύστημα πρέπει να σχεδιαστεί με βάση το πραγματικό περιβάλλον ΤΠ του εργοστασίου.

Η τεχνική προδιαγραφή πρέπει να καθορίζει:

• Περίοδο αποθήκευσης δεδομένων
• Χωρητικότητα αποθήκευσης εικόνων
• Δικαιώματα Χρηστών
• Μέθοδο απομακρυσμένης πρόσβασης
• Απαιτήσεις αντιγράφων ασφαλείας
• Συσχέτιση αντικειμένου εργασίας με αποτέλεσμα

7. Μπορεί η οπτική επιθεώρηση να εντοπίσει ελαττώματα χύτευσης;

Η μηχανική όραση μπορεί να εντοπίσει ελαττώματα χύτευσης που είναι ορατά στην επιθεωρούμενη επιφάνεια , συμπεριλαμβανομένων κατάλληλων παραδειγμάτων τρύπων άμμου, πορώδους δομής, επιφανειακών ελαττωμάτων που σχετίζονται με συρρίκνωση και εγκλεισμάτων.

Ωστόσο, υπάρχει μία σημαντική περιοριστική προϋπόθεση.

Ένα ελάττωμα που βρίσκεται εντελώς εντός της χύτευσης με καμία ορατή επιφανειακή ένδειξη δεν μπορεί να ανιχνευθεί με αξιόπιστο τρόπο μόνο μέσω επιφανειακής απεικόνισης .

Τέτοια εσωτερικά ελαττώματα μπορεί να απαιτούν άλλες μη καταστροφικές μεθόδους δοκιμής, ανάλογα με την εφαρμογή, όπως:

• Επιθεώρηση με ακτίνες Χ
• Εξονυχιστική Δοκιμασία
• Επιθεώρηση με μαγνητικά σωματίδια
• Άλλες μη καταστροφικές μέθοδοι δοκιμής (NDT) ειδικές για την εφαρμογή

Επομένως, η οπτική επιθεώρηση πρέπει να θεωρείται μία μέθοδος επιθεώρησης ορατών επιφανειακών και παρακείμενων προς την επιφάνεια εκδηλώσεων , αντί να αποτελεί αντικατάσταση για κάθε μορφή επιθεώρησης χυτευμάτων.

8. Διατήρηση της απόδοσης του μοντέλου εμβάθυνσης μάθησης (deep-learning)

Ένα μοντέλο εμβάθυνσης μάθησης (deep-learning) συνήθως δεν χάνει την ακρίβειά του απλώς και μόνο επειδή λειτουργεί για κάποιο χρονικό διάστημα.

Ωστόσο, η απόδοση της επιθεώρησης μπορεί να αλλάξει όταν αλλάζουν οι συνθήκες παραγωγής.

Παραδείγματα περιλαμβάνουν:

• Νέο υλικό χύτευσης ή νέος προμηθευτής
• Νέα διαδικασία κατεργασίας
• Αλλαγές στην επιφανειακή επεξεργασία
• Αλλαγές στο φωτισμό
• Νέα μοντέλα προϊόντων
• Νέοι τύποι ελαττωμάτων
• Αντικατάσταση κάμερας
• Αλλαγές στο στήριγμα ή στη θέση του ρομπότ

Ένα ανθεκτικό οπτικό έργο θα πρέπει επομένως να περιλαμβάνει έναν μηχανισμό διατήρησης του μοντέλου που καλύπτει:

1. Νέα συλλογή δειγμάτων ελαττωμάτων
2. Ανασκόπηση δειγμάτων παραγωγής
3. Επικύρωση μοντέλου
4. Ενημέρωση μοντέλου
5. Έλεγχος Έκδοσης
6. Επαναεπικύρωση μετά από αλλαγές

Αυτές οι ευθύνες και διαδικασίες ορίζονται καλύτερα στην τεχνική συμφωνία πριν από την παραλαβή του εξοπλισμού.

9. Ενσωμάτωση οπτικής επιθεώρησης με καθαρισμό

Τα μπλοκ κινητήρα και οι κεφαλές κυλίνδρων μπορούν να υποβληθούν σε καθαρισμό πριν από την τελική επιθεώρηση.

Για γραμμές παραγωγής που απαιτούν τόσο καθαρισμό όσο και οπτική επιθεώρηση, οι δύο διαδικασίες μπορούν να ενσωματωθούν σε μια ευρύτερη ροή ελέγχου ποιότητας.

Μια τυπική ακολουθία μπορεί να είναι:

Κατεργασία → Καθαρισμός → Στέγνωμα → Οπτική επιθεώρηση → Εντοπισμός → Συναρμολόγηση

Αυτή η προσέγγιση μπορεί να μειώσει την πιθανότητα νέας μόλυνσης ή ζημιάς από κρούση που προκαλείται κατά την περιττή ενδιάμεση χειριστική επεξεργασία.

Μπορεί επίσης να καθιστά το αποτέλεσμα της επιθεώρησης πιο αντιπροσωπευτικό της κατάστασης του εξαρτήματος αμέσως πριν από τη συναρμολόγηση.

Η Big Bird Industrial διαθέτει και τα δύο βιομηχανικό εξοπλισμό ακριβούς καθαρισμού και δυνατότητες οπτικής επιθεώρησης με μηχανή , καθιστώντας δυνατές ενοποιημένες λύσεις καθαρισμού και επιθεώρησης για εφαρμογές όπου απαιτούνται και οι δύο διαδικασίες.

10. Δυνατότητες οπτικής επιθεώρησης με μηχανή της Big Bird Industrial

Η Harbin Big Bird Industrial Co., Ltd. (Big Bird Industrial), πρώην Harbin Shimada Big Bird Industrial Co., Ltd., παρέχει ενοποιημένες βιομηχανικές λύσεις καθαρισμού και οπτικής επιθεώρησης με μηχανή για εφαρμογές στον τομέα των αυτοκινητοβιομηχανικών κινητήρων και της ακριβούς κατασκευής.

Το επιχειρηματικό τμήμα μηχανικής όρασης της εταιρείας καλύπτει έξι ειδικευμένους τομείς:

• Orient See — επιθεώρηση διαστάσεων και γεωμετρίας
• Surface See — επιθεώρηση επιφανειακών ελαττωμάτων
• Assembly See — επιθεώρηση συναρμολόγησης και poka-yoke
• Inner See — εσωτερική επιθεώρηση οπών και εσωτερικών τοίχων
• Paint See — επιθεώρηση ελαττωμάτων στην επιφάνεια βαφής
• Πλατφόρμα Αλγορίθμων και Λογισμικού — αλγόριθμοι και λογισμικό οπτικής μηχανής

Για τα σώματα κινητήρων και τις κεφαλές κυλίνδρων, Surface See μπορεί να ρυθμιστεί για ελαττώματα σε μηχανοκατεργασμένες επιφάνειες και ορατά ελαττώματα από χύτευση.

Όπου απαιτείται εξέταση εσωτερικών οπών, Inner See μπορεί να καλύψει τις απαιτήσεις εξέτασης που αφορούν εσωτερικές οπές και εσωτερικές επιφάνειες τοιχωμάτων.

Αυτό επιτρέπει τη ρύθμιση του συστήματος εξέτασης σύμφωνα με τον πραγματικό τύπο ελαττώματος, τη θέση εξέτασης και τη διαδικασία παραγωγής, αντί να εφαρμόζεται μία μόνο μέθοδος απεικόνισης σε κάθε περιοχή.

Συχνές Ερωτήσεις

Μπορεί η οπτική μηχανής να αντικαταστήσει την εξέταση με το μάτι για τρύπες από άμμο και πορώδεια;

Για ελαττώματα που είναι ορατά στην εξεταζόμενη επιφάνεια, η αυτοματοποιημένη οπτική εξέταση μπορεί να αντικαταστήσει ή να μειώσει σημαντικά την οπτική εξέταση με το μάτι.

Ωστόσο, ελαττώματα που βρίσκονται εντελώς εντός της χύτευσης και δεν παρουσιάζουν καμία ένδειξη στην επιφάνεια δεν μπορούν να ανιχνευθούν μόνο με επιφανειακή απεικόνιση. Τέτοια ελαττώματα απαιτούν κατάλληλες μη καταστροφικές μεθόδους δοκιμής.

Θα χάσει ακρίβεια ένα μοντέλο εμβάθυνσης μάθησης (deep learning) μετά από περίοδο λειτουργίας;

Όχι απλώς λόγω του χρόνου λειτουργίας.

Η απόδοση μπορεί να αλλάξει όταν αλλάζει το προϊόν, η διαδικασία, το υλικό, ο φωτισμός ή ο αριθμός των ελαττωμάτων. Γι’ αυτό είναι σημαντική η συνεχής συλλογή δειγμάτων και η επαναλαμβανόμενη επικύρωση του μοντέλου για τη διατήρηση της σταθερότητας της παραγωγής σε μακροπρόθεσμη βάση.

Γιατί ο δημοσιευμένος κύκλος επιθεώρησης είναι 4,5 λεπτά;

Το αναφερόμενο σύστημα εκτελεί πολλαπλές λειτουργίες απεικόνισης σε πολύπλοκες επιφάνειες εξαρτημάτων κινητήρα, χρησιμοποιώντας ρομποτική τοποθέτηση και επεξεργασία εικόνας.

Ο δημοσιευμένος κύκλος των 4,5 λεπτών είναι κατάλληλος για την αναφερόμενη εφαρμογή. Εάν απαιτείται ταχύτερος ρυθμός παραγωγής (takt), τα σημεία επιθεώρησης μπορούν να κατανεμηθούν μεταξύ παράλληλων σταθμών ή να βελτιστοποιηθούν οι διαδρομές απεικόνισης και ρομποτικής κίνησης.

Μπορεί το σύστημα όρασης να συνδεθεί με μηχάνημα καθαρισμού;

- Ναι, ναι.

Η Big Bird Industrial παρέχει τόσο εξοπλισμό ακριβούς βιομηχανικού καθαρισμού όσο και συστήματα οπτικής επιθεώρησης με μηχανική όραση. Όπου το βιομηχανικό πρόγραμμα παραγωγής το απαιτεί, ο καθαρισμός και η επιθεώρηση μπορούν να συνδεθούν έτσι ώστε τα εξαρτήματα να μεταφέρονται απευθείας από το στάδιο του καθαρισμού και της στέγνωσης στην αυτοματοποιημένη οπτική επιθεώρηση και την εξακολούθηση της πορείας τους.

Συμπέρασμα

Οι ελλείψεις στην απόχυση και στη μηχανική κατεργασία αποτελούν δύο διαφορετικές προκλήσεις ελέγχου ποιότητας για τα σώματα κινητήρων και τις κεφαλές κυλίνδρων.

Οι τρύπες από άμμο, η πορώδης δομή, τα ελαττώματα συστολής και οι εγκλείσματα προέρχονται από την απόχυση, ενώ οι γρατζουνιές και τα σημάδια κρούσης μπορεί να εισάγονται κατά τη μηχανική κατεργασία, τη χειριστική επεξεργασία ή τη μεταφορά κατά την παραγωγή. Οι οπτικές τους ιδιότητες μπορεί να διαφέρουν σημαντικά, καθιστώντας δύσκολη την εφαρμογή μιας ενιαίας στρατηγικής επιθεώρησης με σταθερό κατώφλι.

Η αναφερόμενη λύση συνδυάζει μια βιομηχανική κάμερα 20 MP, φωτισμό υψηλής φωτεινότητας, ρομποτική θέση FANUC και μηχανική όραση με εμβάθυνση μάθησης (deep-learning) για την επιθεώρηση τόσο των καθορισμένων μηχανοκατεργασμένων επιφανειών όσο και των ορατών ελαττωμάτων από απόχυση.

Για εφαρμογές παραγωγής, ωστόσο, η αποτελεσματικότητα της εξέτασης με εμβάθυνση εξαρτάται από περισσότερα από τον ίδιο τον αλγόριθμο. Αντιπροσωπευτικά δείγματα, ποσοτικά κριτήρια αποδοχής, σταθερές συνθήκες απεικόνισης και μια καθορισμένη διαδικασία συντήρησης του μοντέλου είναι όλα απαραίτητα στοιχεία ενός αξιόπιστου συστήματος οπτικής εξέτασης.

Για τους κατασκευαστές που επιθυμούν να συνδυάσουν καθαρισμό, εξέταση επιφάνειας και εντοπισμό, η Big Bird Industrial μπορεί να ενσωματώσει αυτές τις διαδικασίες σε ένα ευρύτερο αυτοματοποιημένο ροή εργασίας ελέγχου ποιότητας, με SHIMADA να διατηρείται ως μέρος της ιστορικής ταυτότητας της εταιρείας.