EN
NOTICIAS
Inspección de defectos en bloques de motor y culatas: visión basada en aprendizaje profundo para defectos de fundición
Resumen
Los bloques de motor y las culatas pueden presentar defectos en distintas etapas de la fabricación. Defectos de fundición por ejemplo, agujeros de arena, porosidad, defectos por contracción e inclusiones se originan durante la fundición, mientras que defectos de mecanizado y manipulación como marcas de impacto y rayaduras pueden ocurrir durante los procesos posteriores de producción.
La solución de inspección visual de Big Bird Industrial combina cámaras industriales de 20 MP, iluminación de alta luminosidad, captura de imágenes robótica y algoritmos de aprendizaje profundo para inspeccionar tanto defectos en superficies mecanizadas como defectos de fundición visibles en bloques de motor y culatas.
El sistema referenciado tiene un ciclo de inspección publicado de 4,5 minutos , con la configuración final y el tacto personalizables según las piezas de trabajo y los requisitos de inspección.
1. Los defectos de fundición y los defectos de mecanizado son problemas de inspección distintos
Los bloques de motor y las culatas pueden contener defectos originados en etapas de fabricación fundamentalmente diferentes.
Defectos de fundición
Los defectos típicos relacionados con la fundición incluyen:
- Huecos de arena
- Porosidad por Gas
- Defectos por contracción
- INCLUSIONES
Estos defectos se forman durante el llenado del metal, la solidificación o demás procesos de fundición. Cuando quedan expuestos en la superficie, pueden aparecer como manchas oscuras, hoyuelos, depresiones irregulares o zonas con textura superficial distinta.
Defectos de mecanizado y manipulación
Tras la fundición, los bloques de motor y las culatas pasan por operaciones de mecanizado, transporte, sujeción y otras etapas productivas.
Los defectos típicos de estas etapas incluyen:
- Marcas de impacto
- Rayones
- Daño superficial
- Abolladuras locales
Estos defectos pueden presentar una apariencia visual sustancialmente distinta a la de los defectos de fundición.
Esta diferencia es importante para la visión artificial porque los dos grupos de defectos pueden requerir estrategias distintas de captura de imágenes y de algoritmos.
2. Por qué la detección de defectos en fundición es difícil
Las superficies de fundición son naturalmente más complejas que las superficies mecanizadas altamente uniformes.
Una superficie mecanizada puede tener una textura y reflectividad relativamente consistentes, mientras que una superficie de fundición puede contener:
- Textura irregular
- Variación natural de la superficie
- Cambios en la rugosidad
- Respuestas distintas a la iluminación
- Características visuales relacionadas con el material
Los defectos de fundición, como los agujeros de arena y la porosidad, también pueden variar considerablemente en forma y tamaño.
Un sistema de visión basado simplemente en umbrales podría, por tanto, tener dificultades para distinguir un defecto real de la textura normal de la fundición.
Por esta razón, el sistema referido utiliza visión artificial basada en aprendizaje profundo .
En lugar de depender únicamente de umbrales fijos de escala de grises o geométricos, un modelo entrenado puede aprender características visuales a partir de muestras representativas de piezas correctas (OK) y defectuosas (NG).
Sin embargo, el aprendizaje profundo no elimina la necesidad de una captura de imágenes adecuada. La iluminación, la resolución óptica, la calidad de la muestra y la definición de la zona de inspección siguen siendo fundamentales para el rendimiento del sistema.
3. Solución de inspección: Aprendizaje profundo + visión de alta resolución
El equipo referido integra la inspección de defectos de mecanizado y de fundición en un flujo de trabajo común de inspección.
Defectos en superficies mecanizadas
El sistema puede inspeccionar áreas mecanizadas específicas en busca de defectos tales como:
- Marcas de impacto
- Rayones
- Daño superficial
Defectos de fundición
El alcance de la inspección también incluye:
- Huecos de arena
- Porosidad por Gas
- Defectos por contracción
- INCLUSIONES
El tamaño real de los defectos detectables y los criterios de aceptación dependen de la superficie de la pieza, las condiciones de imagen y las normas de calidad definidas por el cliente.
Inspección con aprendizaje profundo
El sistema utiliza algoritmos de aprendizaje profundo para analizar las imágenes capturadas.
Este enfoque resulta especialmente útil cuando la morfología de los defectos es difícil de describir mediante reglas fijas simples.
Por ejemplo, los agujeros de arena y la porosidad pueden diferir en:
- Forma
- Tamaño
- Características del borde
- Contraste
- Textura de Superficie
- Distribución
Un modelo de aprendizaje profundo puede entrenarse con muestras representativas para identificar estas características.
4. Configuración de hardware
El sistema referenciado emplea imágenes de alta resolución junto con posicionamiento robótico.
Sistema de visión
- cámara industrial de 20 MP
- Fuente de luz extra grande y de alta luminosidad
La cámara de alta resolución proporciona información detallada de la imagen, mientras que el sistema de iluminación amplio está diseñado para ofrecer una iluminación adecuada en toda el área de inspección.
Imagen robótica
ARobot FANUC se utiliza para la colocación automática de la cámara y la adquisición de imágenes.
Esta configuración permite que el sistema inspeccione múltiples áreas de componentes complejos del motor sin necesidad de una cámara fija independiente para cada posición de inspección.
Funciones de control y de datos
El sistema integra:
- Lectura de códigos
- Inspección de Visión Artificial
- Algoritmos de aprendizaje profundo
- Trazabilidad de las inspecciones
- Análisis de datos
- Acceso remoto a los datos
Esto permite asociar los resultados de la inspección con piezas individuales y revisarlos posteriormente para el análisis de calidad.
5. Especificaciones técnicas
Las siguientes especificaciones se basan en la información pública disponible sobre el sistema referenciado.
| Elemento | Especificación |
|---|---|
| Aplicación | Vehículos comerciales y vehículos de pasajeros, incluidos los vehículos de nueva energía (NEV) |
| Piezas de trabajo | Componentes de trenes motrices de nueva energía; componentes de trenes motrices diésel y de gasolina |
| Ámbito de inspección | Defectos en superficies mecanizadas y en fundiciones |
| Defectos de fundición | Huecos de arena, porosidad, defectos por contracción, inclusiones |
| Defectos mecanizados | Marcas de impacto, arañazos y daños superficiales relacionados |
| Ciclo de inspección publicado | 4,5 minutos |
| Cámara de cámara industrial | 20 MP |
| Iluminación | Fuente de luz extra grande y de alta luminosidad |
| Robot | Fanuc |
| CONTROL | PC industrial Siemens / Advantech |
| Tecnología de inspección | Visión artificial + aprendizaje profundo |
| Funciones | Lectura de códigos, inspección, trazabilidad, análisis de datos y acceso remoto |
El el ciclo de 4,5 minutos es un valor de aplicación publicado el ritmo real de inspección debe evaluarse según el número de zonas de inspección, la geometría de la pieza de trabajo, la trayectoria del robot, los requisitos de procesamiento de imágenes y el modo de producción.
6. Consideraciones clave para la selección
6.1 Crear la base de datos de muestras antes del desarrollo del algoritmo
El rendimiento del aprendizaje profundo depende en gran medida de la calidad de las muestras.
El proyecto debe recopilar muestras representativas que cubran:
- Productos normales
- Productos claramente defectuosos
- Diferentes tipos de defectos
- Diferentes tamaños de defectos
- Muestras límite o fronterizas
- Diferentes condiciones de superficie
Las muestras límite son especialmente importantes porque los defectos reales en producción no siempre son tan evidentes como los ejemplos de laboratorio.
6.2 Definir criterios cuantitativos de defectos
Términos como "porosidad pequeña" o "agujero de arena menor" resultan difíciles de interpretar para un sistema de visión sin criterios de ingeniería.
La especificación de calidad debe definir, cuando corresponda:
- Tamaño Mínimo del Defecto
- Tamaño máximo aceptable del defecto
- Número de defectos
- Densidad de defectos
- Ubicación del defecto
- Distancia aceptable entre defectos
El algoritmo puede entonces entrenarse y validarse frente a un objetivo de inspección claramente definido.
6.3 Tener en cuenta el ciclo de 4,5 minutos en la planificación de la producción
El tiempo de ciclo publicado es relativamente moderado en comparación con la inspección visual en línea de alta velocidad.
Esto puede hacer que la configuración sea adecuada para:
- Inspección completa de componentes críticos
- Inspección por lotes
- Inspección de calidad al final de la línea
- Inspección de muestreo
Si la inspección debe integrarse en una línea de producción más rápida, los puntos de inspección podrían distribuirse potencialmente entre varias estaciones paralelas.
La solución real debe determinarse mediante un análisis del tiempo de ciclo, en lugar de asumir que una única celda de inspección robotizada puede satisfacer todos los requisitos de takt.
6.4 Planificar el acceso a los datos y su retención
Las funciones de consulta remota de datos son útiles para la trazabilidad de calidad, pero el sistema debe diseñarse teniendo en cuenta el entorno informático real de la fábrica.
La especificación técnica debe definir:
- Período de retención de datos
- Capacidad de almacenamiento de imágenes
- Permisos de usuario
- Método de acceso remoto
- Requisitos de respaldo
- Asociación entre pieza de trabajo y resultado
7. ¿Puede la inspección por visión detectar defectos de fundición?
La visión artificial puede detectar defectos de fundición que están visualmente expuestos en la superficie inspeccionada , incluidos ejemplos adecuados de agujeros de arena, porosidad, defectos superficiales relacionados con la contracción y inclusiones.
Sin embargo, existe una limitación importante.
Un defecto completamente enterrado dentro de la fundición con ninguna indicación superficial visible no puede detectarse de forma fiable únicamente mediante imágenes superficiales .
Dichos defectos internos pueden requerir otros métodos de ensayo no destructivo, según la aplicación, tales como:
- Inspección por rayos X
- Prueba Ultrasónica
- Inspección por partículas magnéticas
- Otros métodos de END específicos de la aplicación
Por lo tanto, la inspección visual debe entenderse como un método para inspeccionar manifestaciones superficiales y cercanas a la superficie , y no como un sustituto de todas las formas de inspección de fundiciones.
8. Mantenimiento del rendimiento del modelo de aprendizaje profundo
Normalmente, un modelo de aprendizaje profundo no pierde precisión simplemente por haber estado operativo durante un período de tiempo.
Sin embargo, el rendimiento de la inspección puede cambiar cuando varían las condiciones de producción.
Ejemplos incluyen:
- Nuevo material de fundición o proveedor
- Nuevo proceso de mecanizado
- Cambios en el acabado superficial
- Cambios en la iluminación
- Nuevos modelos de producto
- Nuevos tipos de defectos
- Sustitución de la cámara
- Cambios en la fijación o en la posición del robot
Un proyecto de visión robusto debe incluir, por tanto, un mecanismo de mantenimiento del modelo que abarque:
- Nueva recopilación de muestras con defectos
- Revisión de muestras de producción
- Validación del modelo
- Actualización del modelo
- Control de versiones
- Revalidación tras cambios
Estas responsabilidades y procedimientos se definen mejor en el acuerdo técnico antes de la aceptación del equipo.
9. Integración de la inspección visual con la limpieza
Los bloques de motor y las culatas pueden someterse a limpieza antes de la inspección final.
En líneas de producción que requieren tanto limpieza como inspección visual, ambos procesos pueden integrarse en un flujo de trabajo más amplio de control de calidad.
Una secuencia típica puede ser:
Mecanizado → Limpieza → Secado → Inspección visual → Trazabilidad → Montaje
Este enfoque puede reducir la posibilidad de que ocurra una nueva contaminación o daños por impacto durante manipulaciones intermedias innecesarias.
También puede hacer que el resultado de la inspección sea más representativo del estado del componente inmediatamente antes del montaje.
Big Bird Industrial cuenta tanto con equipos industriales de limpieza de precisión como con capacidades de inspección mediante visión artificial , lo que permite soluciones combinadas de limpieza e inspección para aplicaciones en las que se requieren ambos procesos.
10. Capacidades de inspección mediante visión artificial de Big Bird Industrial
Harbin Big Bird Industrial Co., Ltd. (Big Bird Industrial), anteriormente Harbin Shimada Big Bird Industrial Co., Ltd., ofrece soluciones integradas de limpieza industrial e inspección mediante visión artificial para aplicaciones en trenes motrices automotrices y fabricación de precisión.
Su negocio de visión artificial abarca seis áreas especializadas:
- Orient See — inspección dimensional y geométrica
- Surface See — inspección de defectos superficiales
- Ver ensamblaje — inspección en línea de montaje y poka-yoke
- Ver interior — inspección de orificios internos y paredes internas
- Ver pintura — inspección de defectos en la superficie pintada
- Algoritmo y plataforma de software — algoritmos y software de visión artificial
Para bloques de motor y culatas, Surface See se puede configurar tanto para defectos en superficies mecanizadas como para defectos de fundición visibles.
Donde se requiere la inspección de orificios internos, Ver interior puede abordar los requisitos de inspección que involucran orificios internos y superficies de paredes internas.
Esto permite configurar el sistema de inspección según el tipo real de defecto, la ubicación de la inspección y el proceso de producción, en lugar de aplicar un único método de imagen a todas las áreas.
Preguntas frecuentes
¿Puede la visión artificial sustituir la inspección manual de agujeros de arena y porosidad?
Para defectos visiblemente expuestos en la superficie inspeccionada, la visión automática puede sustituir o reducir significativamente la inspección visual manual.
Sin embargo, los defectos completamente ocultos dentro de la pieza fundida y sin ninguna indicación superficial no pueden detectarse únicamente mediante imágenes de superficie. Tales defectos requieren métodos adecuados de ensayo no destructivo.
¿Se volverá inexacto un modelo de aprendizaje profundo tras funcionar durante un período de tiempo?
No simplemente por el tiempo de funcionamiento.
El rendimiento puede cambiar cuando varían el producto, el proceso, el material, la iluminación o la población de defectos. Por lo tanto, la recopilación continua de muestras y la validación del modelo son importantes para la estabilidad a largo plazo de la producción.
¿Por qué el ciclo de inspección publicado es de 4,5 minutos?
El sistema referido realiza múltiples operaciones de captura de imágenes en superficies complejas de componentes del motor mediante posicionamiento robótico y procesamiento de imágenes.
El publicado ciclo de 4,5 minutos es adecuado para la aplicación referida. Si se requiere un ritmo de producción más rápido, los puntos de inspección pueden distribuirse entre estaciones paralelas o bien optimizarse las trayectorias del robot y las operaciones de captura de imágenes.
¿Puede conectarse el sistema de visión con una máquina de limpieza?
Sí.
Big Bird Industrial ofrece tanto equipos industriales de limpieza de precisión como sistemas de inspección por visión artificial. Cuando el proceso productivo lo requiere, la limpieza y la inspección pueden integrarse para que los componentes pasen directamente de la limpieza y secado a la inspección visual automatizada y a la trazabilidad.
Conclusión
Los defectos de fundición y mecanizado representan dos desafíos distintos de control de calidad para bloques de motor y culatas.
Huecos de arena, porosidad, defectos por contracción e inclusiones se originan en la fundición, mientras que arañazos y marcas de impacto pueden introducirse durante el mecanizado, la manipulación o la transferencia en producción. Sus características visuales pueden diferir sustancialmente, lo que dificulta aplicar de forma fiable una estrategia de inspección con un umbral fijo único.
La solución referenciada combina una cámara industrial de 20 MP, iluminación de alta luminosidad, posicionamiento robótico FANUC y visión artificial basada en aprendizaje profundo para inspeccionar tanto las superficies mecanizadas especificadas como los defectos visibles de fundición.
Sin embargo, para aplicaciones de producción, la eficacia de la inspección basada en el aprendizaje profundo depende de más factores que el propio algoritmo. Muestras representativas, criterios cuantitativos de aceptación, condiciones estables de captura de imágenes y un proceso definido de mantenimiento del modelo son todos elementos esenciales de un sistema fiable de inspección visual.
Para los fabricantes que desean integrar limpieza, inspección superficial y trazabilidad, Big Bird Industrial puede integrar estos procesos en un flujo de trabajo más amplio de control automático de calidad, con SHIMADA conservado como parte de la identidad histórica de marca de la empresa.
