بازرسی نقص‌های بلوک موتور و سر سیلندر: بینایی مبتنی بر یادگیری عمیق برای تشخیص نقص‌های ریخته‌گری

مرور کلی

بلوک‌های موتور و سر سیلندرها ممکن است در مراحل مختلف تولید دچار نقص شوند. عیوب ریخته‌گری مانند سوراخ‌های شنی، تخلخل، نقص‌های انقباضی و ناخالصی‌ها که در حین ریخته‌گری ایجاد می‌شوند، در حالی که نقص‌های ماشین‌کاری و کاربرد مانند علامت‌های ضربه‌ای و خراش‌ها ممکن است در فرآیندهای تولیدی بعدی رخ دهند.

راه‌حل بازرسی بینایی بیگ برد اینداستریال ترکیبی از دوربین‌های صنعتی ۲۰ مگاپیکسلی، روشنایی پرتوان، تصویربرداری رباتیک و الگوریتم‌های یادگیری عمیق است که هم نقص‌های سطح ماشین‌کاری‌شده و هم نقص‌های ریخته‌گری قابل مشاهده را روی بلوک‌های موتور و سر سیلندرها بررسی می‌کند.

دورهٔ زمانی اعلام‌شدهٔ بازرسی در سیستم اشاره‌شده برابر است با 4.5 دقیقه با این حال، پیکربندی نهایی و زمان چرخه‌ای (تاکت) را می‌توان مطابق با قطعه کار و نیازهای بازرسی تنظیم کرد.

۱. نقص‌های ریخته‌گری و نقص‌های ماشین‌کاری مسائل بازرسی متفاوتی هستند.

بلوک‌های موتور و سر سیلندر ممکن است دارای نقص‌هایی باشند که از مراحل تولید اساساً متفاوتی نشأت گرفته‌اند.

عیوب ریخته‌گری

نقص‌های معمول مربوط به ریخته‌گری عبارتند از:

• سوراخ‌های شنی
• تخلخل گازی
• عیوب جمع‌شدگی
• ضایعات داخلی

این نقص‌ها در حین پر شدن فلز، انجماد یا سایر فرآیندهای ریخته‌گری ایجاد می‌شوند. هنگامی که بر روی سطح آشکار می‌شوند، ممکن است به‌صورت لکه‌های تیره، حفره‌ها، فرورفتگی‌های نامنظم یا نواحی با بافت سطحی متفاوت ظاهر شوند.

نقص‌های ماشین‌کاری و کاربرد

پس از ریخته‌گری، بلوک‌های موتور و سر سیلندر تحت فرآیندهای ماشین‌کاری، حمل‌ونقل، قلاب‌زنی و سایر عملیات تولیدی قرار می‌گیرند.

نقص‌های معمول ناشی از این مراحل عبارتند از:

• نشانه‌های ضربه
• خط‌ها
• آسیب به سطح
• فرو رفتگی‌های محلی

این نقص‌ها ممکن است از نظر ظاهری تفاوت قابل‌توجهی با نقص‌های ریخته‌گری داشته باشند.

این تفاوت از نظر بینایی ماشین اهمیت دارد، زیرا دو گروه نقص ممکن است نیازمند استراتژی‌های تصویربرداری و الگوریتمی متفاوتی باشند.

۲. چرا تشخیص نقص‌های ریخته‌گری دشوار است

سطح‌های ریخته‌گری به‌طور طبیعی پیچیده‌تر از سطوح ماشین‌کاری‌شده با یکنواختی بالا هستند.

سطح ماشین‌کاری‌شده ممکن است بافت و بازتاب‌پذیری نسبتاً یکنواختی داشته باشد، درحالی‌که سطح ریخته‌گری می‌تواند شامل موارد زیر باشد:

• بافت نامنظم
• تغییرات طبیعی سطح
• تغییرات زبری
• پاسخ‌های متفاوت به نور
• ویژگی‌های بصری مرتبط با جنس ماده

نقص‌های ریخته‌گری مانند سوراخ‌های شنی و تخلخل نیز ممکن است از نظر شکل و اندازه تفاوت‌های قابل‌توجهی داشته باشند.

بنابراین، یک سیستم بینایی مبتنی بر آستانه ساده ممکن است در تشخیص نقص واقعی از بافت عادی ریخته‌گری با مشکل مواجه شود.

به این دلیل، سیستم ارجاع‌داده‌شده از بینایی ماشین مبتنی بر یادگیری عمیق .

به جای اتکا صرفاً به آستانه‌های ثابت خاکستری یا هندسی، یک مدل آموزش‌دیده می‌تواند ویژگی‌های بصری را از نمونه‌های نرمال (OK) و نامناسب (NG) نماینده یاد بگیرد.

با این حال، یادگیری عمیق نیاز به تصویربرداری مناسب را از بین نمی‌برد. روشنایی، وضوح نوری، کیفیت نمونه و تعریف ناحیه بازرسی همچنان اصول اساسی عملکرد سیستم هستند.

۳. راه‌حل بازرسی: یادگیری عمیق + بینایی با وضوح بالا

تجهیزات مورد اشاره، بازرسی عیوب ماشین‌کاری و عیوب ریخته‌گری را در یک جریان کار بازرسی مشترک ادغام کرده است.

عیوب سطح ماشین‌کاری‌شده

این سیستم می‌تواند نواحی مشخص‌شده ماشین‌کاری‌شده را برای عیوبی از قبیل:

• نشانه‌های ضربه
• خط‌ها
• آسیب به سطح

عیوب ریخته‌گری

دامنه بازرسی شامل موارد زیر نیز می‌شود:

• سوراخ‌های شنی
• تخلخل گازی
• عیوب جمع‌شدگی
• ضایعات داخلی

اندازه واقعی عیوب قابل تشخیص و معیارهای پذیرش، بستگی به سطح قطعه کار، شرایط تصویربرداری و استانداردهای کیفی تعریف‌شده توسط مشتری دارد.

بازرسی یادگیری عمیق

این سیستم از الگوریتم‌های یادگیری عمیق برای تحلیل تصاویر ثبت‌شده استفاده می‌کند.

این روش به‌ویژه زمانی مفید است که شکل‌شناسی نقص‌ها را نتوان با قوانین ساده و ثابت توصیف کرد.

برای مثال، حفره‌های شنی و تخلخل ممکن است از نظر موارد زیر متفاوت باشند:

• شکل
• اندازه
• ویژگی‌های لبه
• تعارض
• متنور سطح
• توزیع

مدل یادگیری عمیق را می‌توان با استفاده از نمونه‌های نماینده برای شناسایی این ویژگی‌ها آموزش داد.

۴. پیکربندی سخت‌افزاری

سیستم مورد اشاره از تصویربرداری با وضوح بالا همراه با موقعیت‌یابی رباتیک استفاده می‌کند.

سیستم بینایی

• دوربین صنعتی ۲۰ مگاپیکسلی
• منبع نور بسیار بزرگ و پرتابند

دوربین با وضوح بالا اطلاعات تصویری دقیقی فراهم می‌کند، در حالی که سیستم روشنایی بزرگ طوری طراحی شده که روشنایی مناسبی را در سراسر ناحیه بازرسی فراهم کند.

تصویربرداری رباتیک

ا ربات FANUC برای موقعیت‌یابی خودکار دوربین و دریافت تصاویر استفاده می‌شود.

این پیکربندی به سیستم اجازه می‌دهد تا بدون نیاز به قرار دادن یک دوربین ثابت برای هر موقعیت بازرسی، مناطق متعددی از اجزای پیچیده موتور را بازرسی کند.

عملکردهای کنترل و داده

این سیستم شامل موارد زیر است:

• خواندن کد
• بازرسی بینایی ماشینی
• الگوریتم‌های یادگیری عمیق
• پیگیری بازرسی
• تحلیل داده‌ها
• دسترسی از راه دور به داده‌ها

این امکان را فراهم می‌کند که نتایج بازرسی با قطعات جداگانه مرتبط شده و بعداً برای تحلیل کیفیت بررسی گردند.

5. مشخصات فنی

مشخصات زیر بر اساس اطلاعات محصول منتشرشده عمومی برای سیستم مورد اشاره است.

آیتم	مشخصات فنی
کاربرد	خودروهای تجاری و خودروهای سواری، از جمله خودروهای انرژی نو
قطعات کار	اجزای سیستم توان‌رسانی انرژی نو؛ اجزای سیستم توان‌رسانی دیزلی و بنزینی
محدودهٔ بازرسی	نقایص سطح ماشین‌کاری‌شده و ریخته‌گری
عیوب ریخته‌گری	سوراخ‌های شنی، تخلخل، عیوب انقباضی، ناخالصی‌ها
نقایص ماشین‌کاری	نشانه‌های برخورد، خراش‌ها و سایر آسیب‌های سطحی
دورهٔ بازرسی منتشرشده	4.5 دقیقه
دوربین صنعتی	20 مگاپیکسل
نورپردازی	منبع نور بسیار بزرگ و پرتابند
ربات	FANUC
کنترل	کامپیوتر صنعتی زیمنس / ادوانتک
فناوری بازرسی	بینایی ماشینی به‌همراه یادگیری عمیق
عملکرد	خواندن کد، بازرسی، ردیابی، تحلیل داده‌ها و دسترسی از راه دور

این چرخهٔ ۴٫۵ دقیقه‌ای مقداری منتشرشده برای کاربرد است زمان واقعی بازرسی باید بر اساس تعداد نواحی بازرسی، هندسه قطعه کار، مسیر ربات، نیازهای پردازش تصویر و حالت تولید ارزیابی شود.

۶. ملاحظات کلیدی در انتخاب

۶٫۱ ساخت پایگاه دادهٔ نمونه‌ها پیش از توسعه الگوریتم

عملکرد یادگیری عمیق به‌طور قابل‌توجهی به کیفیت نمونه‌ها وابسته است.

پروژه باید نمونه‌های نماینده‌ای را جمع‌آوری کند که شامل موارد زیر می‌شوند:

• محصولات عادی
• محصولات معیوب واضح
• انواع مختلف عیب‌ها
• اندازه‌های مختلف عیب‌ها
• نمونه‌های مرزی یا در آستانه
• شرایط سطحی متفاوت

نمونه‌های مرزی به‌ویژه اهمیت دارند، زیرا عیب‌های تولید واقعی همیشه آشکار نیستند مانند نمونه‌های آزمایشگاهی.

۶.۲ تعریف معیارهای کمّی عیب

اصطلاحاتی مانند «تخلخل کوچک» یا «سوراخ شنی جزئی» بدون معیارهای مهندسی، تفسیر سختی برای سیستم بینایی دارند.

مشخصات کیفیت باید در صورت امکان تعریف کند:

• کوچک‌ترین اندازه عیب
• بیشترین اندازه قابل قبول عیب
• تعداد عیب‌ها
• چگالی عیب
• مکان نقص
• فاصله‌ی قابل قبول بین نقص‌ها

سپس می‌توان الگوریتم را در برابر هدف بازرسی‌ای که به‌وضوح تعریف شده آموزش داد و اعتبارسنجی کرد.

۶.۳ در برنامه‌ریزی تولید، چرخه‌ی ۴٫۵ دقیقه‌ای را در نظر بگیرید

زمان چرخه‌ی منتشرشده نسبت به بازرسی بین‌خطی سرعت‌بالای بینایی، نسبتاً متعادل است.

این امر می‌تواند پیکربندی را برای موارد زیر مناسب سازد:

• بازرسی کامل اجزای حیاتی
• بازرسی انبوه
• بازرسی کیفیت در انتهای خط تولید
• بازرسی نمونه‌ها

اگر بازرسی باید در خط تولید سریع‌تری ادغام شود، نقاط بازرسی را می‌توان به‌طور بالقوه در چند ایستگاه موازی توزیع کرد.

راه‌حل واقعی باید از طریق تحلیل زمان چرخه تعیین شود، نه اینکه فرض شود یک سلول بازرسی رباتیک می‌تواند تمام نیازهای تاکت را پوشش دهد.

۶.۴ دسترسی به داده‌ها و نگهداری آن‌ها را برنامه‌ریزی کنید

کارکردهای پرس‌وجوی داده از راه دور برای ردیابی کیفیت مفید هستند، اما سیستم باید با توجه به محیط فناوری اطلاعات واقعی کارخانه طراحی شود.

مشخصات فنی باید موارد زیر را تعریف کند:

• دوره نگهداری داده‌ها
• ظرفیت ذخیره‌سازی تصاویر
• مجوزهای کاربر
• روش دسترسی از راه دور
• نیازمندی‌های پشتیبان‌گیری
• ارتباط قطعه کار با نتیجه

۷. آیا بازرسی بینایی ماشینی می‌تواند نقص‌های ریخته‌گری را تشخیص دهد؟

بینایی ماشینی می‌تواند نقص‌های ریخته‌گری که به‌صورت بصری در سطح مورد بازرسی مشاهده می‌شوند را تشخیص دهد ، از جمله نمونه‌های مناسب حفره‌های شنی، تخلخل، نقص‌های سطحی ناشی از انقباض و ناخالصی‌ها.

با این حال، محدودیت مهمی وجود دارد.

نقصی که کاملاً در داخل ریخته‌گری پنهان شده باشد و هیچ نشانه‌ای روی سطح قابل مشاهده نداشته باشد، نمی‌تواند به‌طور قابل اعتمادی تنها با استفاده از تصویربرداری سطحی شناسایی شود. .

چنین نقص‌های درونی ممکن است بسته به کاربرد، نیازمند سایر روش‌های آزمون غیرمخرب باشند، مانند:

• بازرسی اشعه ایکس
• آزمون اولتراسونیک
• بازرسی ذرات مغناطیسی
• سایر روش‌های آزمون غیرمخرب اختصاصی برای کاربرد خاص

بنابراین، بازرسی بصری را باید به‌عنوان روشی برای بازرسی manifestations سطحی و نزدیک‌به‌سطح قابل مشاهده در نظر گرفت. ، نه جایگزینی برای همه اشکال بازرسی ریخته‌گری.

۸. حفظ عملکرد مدل یادگیری عمیق

معمولاً یک مدل یادگیری عمیق تنها به دلیل گذشت زمان و ادامه فعالیت، نادرست نمی‌شود.

با این حال، عملکرد بازرسی ممکن است هنگام تغییر شرایط تولید تغییر کند.

از جمله موارد زیر می‌توان نام برد:

• جنس ریخته‌گری جدید یا تأمین‌کنندهٔ جدید
• فرآیند ماشین‌کاری جدید
• تغییر در پرداخت سطح
• تغییر در روشنایی
• مدل‌های محصول جدید
• انواع نقص جدید
• تعویض دوربین
• تغییر در فیکسچر یا موقعیت ربات

بنابراین، یک پروژهٔ بینایی مقاوم باید مکانیزمی برای نگهداری مدل شامل موارد زیر داشته باشد:

1. جمع‌آوری نمونه‌های جدید عیب‌دار
2. بررسی نمونه‌های تولیدی
3. تأیید مدل
4. به‌روزرسانی مدل
5. کنترل نسخه
6. تأیید مجدد پس از تغییرات

این مسئولیت‌ها و رویه‌ها بهترین است که پیش از پذیرش تجهیزات، در توافق فنی تعریف شوند.

۹. ادغام بازرسی بینایی با فرآیند شست‌وشو

بلوک‌های موتور و سر سیلندر می‌توانند قبل از بازرسی نهایی، تحت فرآیند شست‌وشو قرار گیرند.

در خطوط تولیدی که هم شست‌وشو و هم بازرسی بینایی مورد نیاز است، این دو فرآیند را می‌توان در یک گردش کار گسترده‌تر کنترل کیفیت ادغام کرد.

ترتیب معمولی ممکن است به این صورت باشد:

ماشین‌کاری → پاک‌سازی → خشک‌کردن → بازرسی بصری → ردیابی → مونتاژ

این رویکرد می‌تواند احتمال آلودگی جدید یا آسیب ناشی از ضربه را در حین دست‌کاری‌های غیرضروری میانی کاهش دهد.

همچنین می‌تواند نتیجه بازرسی را نماینده‌ترین تصویری از وضعیت قطعه دقیقاً قبل از مونتاژ کند.

شرکت بیگ برد اینداستریال هر دو مورد زیر را دارد: تجهیزات پاک‌سازی دقیق صنعتی و قابلیت‌های بازرسی بصری ماشینی و این امکان را فراهم می‌کند که برای کاربردهایی که نیاز به هر دو فرآیند دارند، راه‌حل‌های ترکیبی پاک‌سازی و بازرسی ارائه شود.

۱۰. قابلیت‌های بازرسی بصری ماشینی شرکت بیگ برد اینداستریال

شرکت صنعتی هاربین بیگ برد (Big Bird Industrial)، پیشتر شرکت صنعتی هاربین شیمادا بیگ برد راه‌حل‌های یکپارچه‌ی پاک‌سازی صنعتی و بازرسی بصری ماشینی را برای کاربردهای سیستم‌های تحریک خودرو و تولید دقیق ارائه می‌دهد.

کسب‌وکار بینایی ماشینی این شرکت شامل شش حوزه‌ی تخصصی است:

• اورینت سی — بازرسی ابعادی و هندسی
• سرفیس سی — بازرسی نقص‌های سطحی
• بازرسی مونتاژ — بازرسی مونتاژ و سیستم‌های جلوگیری از اشتباه (پوکا-یوکه)
• بازرسی داخلی — بازرسی سوراخ‌ها و دیواره‌های داخلی
• بازرسی رنگ — بازرسی نقص‌های سطح رنگ
• الگوریتم و پلتفرم نرم‌افزاری — الگوریتم‌ها و نرم‌افزارهای بینایی ماشینی

برای بلوک‌های موتور و سر سیلندرها، سرفیس سی می‌توان آن را برای تشخیص نقص‌های سطح ماشین‌کاری‌شده و نقص‌های ریخته‌گری قابل مشاهده پیکربندی کرد.

در مواردی که بازرسی سوراخ‌های داخلی مورد نیاز است، بازرسی داخلی می‌تواند نیازهای بازرسی مربوط به سوراخ‌های داخلی و سطوح دیواره‌های داخلی را برآورده کند.

این امکان را فراهم می‌کند تا سیستم بازرسی بر اساس نوع عیب واقعی، مکان بازرسی و فرآیند تولید پیکربندی شود، نه اینکه یک روش تصویربرداری برای تمام مناطق به کار رود.

پرسش‌های متداول

آیا بینایی ماشینی می‌تواند جایگزین بازرسی دستی برای حفره‌های شنی و تخلخل شود؟

برای عیوبی که به‌صورت آشکار روی سطح مورد بازرسی ظاهر می‌شوند، بینایی خودکار می‌تواند جایگزین بازرسی بصری دستی شود یا آن را به‌طور قابل‌توجهی کاهش دهد.

با این حال، عیوبی که کاملاً در درون ریخته‌گری پنهان شده‌اند و هیچ نشانه‌ای روی سطح ندارند، تنها با تصویربرداری سطحی قابل تشخیص نیستند. چنین عیوبی نیازمند روش‌های مناسب آزمون‌های غیرمخرب هستند.

آیا مدل یادگیری عمیق پس از مدتی از کار کردن نا دقیق می‌شود؟

نه صرفاً به دلیل زمان کارکرد.

عملکرد ممکن است هنگام تغییر محصول، فرآیند، ماده، نورپردازی یا جمعیت عیوب تغییر کند. بنابراین، جمع‌آوری نمونه‌های مداوم و اعتبارسنجی مدل برای پایداری بلندمدت تولید بسیار مهم است.

چرا چرخه بازرسی منتشرشده ۴٫۵ دقیقه است؟

سیستم ارجاع‌داده‌شده با استفاده از موقعیت‌یابی رباتیک و پردازش تصویر، عملیات تصویربرداری متعددی را روی سطوح پیچیده قطعات موتور انجام می‌دهد.

منتشرشده چرخه ۴٫۵ دقیقه‌ای برای کاربرد ارجاع‌داده‌شده مناسب است. اگر تاکت تولید سریع‌تری مورد نیاز باشد، نقاط بازرسی می‌توانند بین ایستگاه‌های موازی تقسیم شوند یا مسیرهای تصویربرداری و ربات بهینه‌سازی گردند.

آیا سیستم بینایی ماشینی را می‌توان به دستگاه تمیزکننده وصل کرد؟

آره، آره

بیگ برد اینداستریال هم تجهیزات صنعتی دقیق تمیزکننده و هم سیستم‌های بازرسی بینایی ماشینی ارائه می‌دهد. در جایی که فرآیند تولید این امر را مدنظر دارد، تمیزکردن و بازرسی را می‌توان به هم متصل کرد تا قطعات مستقیماً از مرحله تمیزکردن و خشک‌کردن وارد بازرسی بصری خودکار و ردیابی شوند.

نتیجه‌گیری

نقایص ریخته‌گری و ماشین‌کاری دو چالش متفاوت کنترل کیفیت برای بلوک‌های موتور و سر سیلندر هستند.

سوراخ‌های شنی، تخلخل، نقایص انقباضی و ناخالصی‌ها از فرآیند ریخته‌گری ناشی می‌شوند، درحالی‌که خراش‌ها و علامت‌های ضربه‌ای ممکن است در طول ماشین‌کاری، دست‌زدن یا انتقال تولید ایجاد شوند. ویژگی‌های بصری آن‌ها ممکن است تفاوت قابل‌توجهی داشته باشند، که اعمال قابل‌اطمینان یک استراتژی بازرسی با آستانهٔ ثابت تنها دشوار می‌شود.

راه‌حل مورد ارجاع ترکیبی از دوربین صنعتی ۲۰ مگاپیکسلی، روشنایی با شدت بالا، موقعیت‌یابی رباتیک FANUC و بینایی ماشین مبتنی بر یادگیری عمیق را برای بازرسی هر دو سطح ماشین‌کاری‌شدهٔ مشخص‌شده و نقایص ریخته‌گری قابل‌مشاهده به‌کار می‌برد.

با این حال، در کاربردهای تولیدی، اثربخشی بازرسی مبتنی بر یادگیری عمیق تنها به خود الگوریتم وابسته نیست. نمونه‌های نماینده، معیارهای پذیرش کمّی، شرایط تصویربرداری پایدار و فرآیند تعریف‌شدهٔ نگهداری مدل همهٔ این‌ها بخش‌های ضروری یک سیستم بازرسی دید قابل‌اطمینان هستند.

برای تولیدکنندگانی که به دنبال ترکیب فرآیندهای پاک‌سازی، بازرسی سطح و ردیابی هستند، بیگ برد اینداستریال می‌تواند این فرآیندها را در یک گردش کار کیفیت‌کنترل خودکار گسترده‌تر ادغام کند، با شیمادا به‌عنوان بخشی از هویت تاریخی برند شرکت حفظ شده است.