Moottorilohkon ja sylinteripäiden vian tarkastus: syväoppimiseen perustuva näkötarkastus valugyöntivioista

Yleiskatsaus

Moottorilohkoja ja sylinteripäitä voi esiintyä vikoja eri valmistusvaiheissa. Valumavirheet esimerkiksi hiekka-aukot, huokoisuus, kutistumisviat ja epäpuhtaudet syntyvät valussa, kun taas koneistus- ja käsittelyvirheet kuten iskumerkki ja naarmut voivat syntyä myöhempinä tuotantoprosesseina.

Big Bird Industrialin näkötarkastusratkaisu yhdistää 20 MP:n teollisuuskamerat, korkean kirkkauden valaistuksen, robottimaisen kuvantamisen ja syväoppimiseen perustuvat algoritmit tarkastaakseen sekä koneistettujen pintojen viat että näkyvät valugyöntiviato moottorilohkoissa ja sylinteripäissä.

Viitattu järjestelmä on julkaissut tarkastusjakson 4,5 minuuttia , jossa lopullinen konfiguraatio ja takti voidaan mukauttaa työkappaleen ja tarkastusvaatimusten mukaan.

valumuoto- ja koneistusvirheet ovat erilaisia tarkastusongelmia

Moottorikannat ja sylinteripäät voivat sisältää virheitä, jotka johtuvat perustavanlaatuisista eri valmistusvaiheista.

Valumavirheet

Tyypillisiä valumuotovirheitä ovat:

• Hiekka-aukot
• Kaasun aiheuttama huokoisuus
• Kutistumisvirheet
• SISÄLTÖ

Nämä virheet muodostuvat metallin täyttövaiheessa, kovettumisessa tai muissa valumuotoprosesseissa. Kun ne ovat näkyvissä pinnalla, ne voivat näyttää tummiltako pisteiltä, kuopoilta, epäsäännölisiltä painumilta tai alueilta, joiden pinnan tekstuurissa on eroa.

Koneistus- ja käsittelyvirheet

Valun jälkeen moottorikannat ja sylinteripäät käsitellään koneellisesti, kuljetetaan, kiinnitetään ja niitä tehdään muita tuotantoprosesseja.

Näistä vaiheista tyypillisesti syntyviä virheitä ovat:

• Iskumerkkejä
• Naarmut
• Pinnan vaurioita
• Paikallisesti painautuneet alueet

Nämä viat voivat näyttää visuaalisesti huomattavasti erilaisilta kuin valusviat.

Tämä ero on tärkeä koneelliselle näköjärjestelmälle, koska kahden vianryhmän havaitsemiseen saattaa vaadita erilaisia kuvantamis- ja algoritmistrategioita.

2. Miksi valusvien tunnistaminen on vaikeaa

Valupinnat ovat luonnostaan monimutkaisempia kuin erinomaisen yhtenäiset koneistetut pinnat.

Koneistettu pinta voi olla suhteellisen yhtenäinen tekstuuriltaan ja heijastavuudeltaan, kun taas valupinta voi sisältää:

• Epäsäännölistä tekstuuria
• Luonnollista pintamuutosta
• Karkeuden muutoksia
• Eri valaistusvasteita
• Materiaaliin liittyviä visuaalisia ominaisuuksia

Valusvirheet, kuten hiekkareiät ja huokoisuus, voivat myös vaihdella merkittävästi muodossaan ja koossaan.

Yksinkertainen kynnysarvopohjainen näköjärjestelmä saattaa siksi vaikeusten kanssa erottaa todellisen virheen normaalista valus tekstuurista.

Tästä syystä viitatulla järjestelmällä käytetään syväoppimukseen perustuvaa koneen näköä .

Sen sijaan, että luotaisiin pelkästään kiinteistä harmaasävy- tai geometrisista kynnyksistä, koulutettu malli voi oppia visuaalisia ominaisuuksia edustavilta OK- ja NG-näytteiltä.

Syväoppiminen ei kuitenkaan poista tarvetta asianmukaiselle kuvantamiselle. Valaistus, optinen resoluutio, näytteen laatu ja tarkastusalueen määrittely pysyvät järjestelmän suorituskyvyn perustana.

3. Tarkastusratkaisu: Syväoppiminen + korkearesoluutioinen näkö

Viitattu laite integroi koneistusvirheiden ja valusvirheiden tarkastuksen yhteiseen tarkastustyönkulkuun.

Koneistetun pinnan virheet

Järjestelmä voi tarkistaa määriteltyjä koneistettuja alueita vikojen varalta, kuten:

• Iskumerkkejä
• Naarmut
• Pinnan vaurioita

Valumavirheet

Tarkastuksen kattavuus sisältää myös:

• Hiekka-aukot
• Kaasun aiheuttama huokoisuus
• Kutistumisvirheet
• SISÄLTÖ

Todellinen havaittavissa oleva vian koko ja hyväksyntäkriteerit riippuvat työkappaleen pinnasta, kuvantamisolosuhteista ja asiakkaan määrittelemistä laatuvaatimuksista.

Syväoppimisperustainen tarkastus

Järjestelmä käyttää syväoppimisalgoritmeja kuvien analysointiin.

Tämä lähestymistapa on erityisen hyödyllinen, kun vikamuotoa ei voida kuvailla yksinkertaisilla kiinteillä säännöillä.

Esimerkiksi hiekka-aukot ja huokoisuus voivat vaihdella seuraavissa aspekteissa:

• Muoto
• Koko
• Reunominaisuudet
• Kontrasti
• Pinta-tekstuuri
• Jako

Syväoppimismallia voidaan kouluttaa edustavilla näytteillä tunnistamaan nämä ominaisuudet.

4. Laitteistokokoonpano

Viitatun järjestelmän käyttämä korkearesoluutioinen kuvantaminen yhdistetään robottiasennukseen.

Näköjärjestelmä

• 20 MP teollinen kamera
• Erittäin suuri korkean kirkkauden valonlähde

Korkearesoluutioinen kamera tarjoaa yksityiskohtaisia kuvatietoja, kun taas suuri valaistusjärjestelmä on suunniteltu tarjoamaan sopivaa valaistusta tarkastusalueen yli.

Robotiikkaan liittyvä kuvantaminen

AFANUC-robotti käytetään automatisoidun kameran sijoituksen ja kuvien ottamisen varmistamiseen.

Tämä konfiguraatio mahdollistaa järjestelmän tarkastavan monia alueita monimutkaisista moottorikomponenteista ilman, että jokaiseen tarkastusasentoon tarvitaan erillinen kiinteä kamera.

Ohjaus- ja tiedotustoiminnot

Järjestelmä sisältää:

• Koodinlukun
• Koneellinen visuaalinen tarkastus
• Syväoppimisalgoritmit
• Tarkastusten jäljitettävyys
• Tietoanalyysi
• Etäyhteys tietoihin

Tämä mahdollistaa tarkastustulosten liittämisen yksittäisiin työkappaleisiin ja niiden myöhempän tarkastelun laatu-analyysiä varten.

5. Tekniset tiedot

Seuraavat tekniset tiedot perustuvat viitatun järjestelmän julkisesti saatavilla olevaan tuotetietoon.

Kohde	Spesifikaatio
Hakemus	Kaupallisvaatukset, henkilöautojen tarkastus, mukaan lukien uuden energian ajoneuvot (NEV)
Työkappaleet	Uuden energian voimansiirtojärjestelmän komponentit; diesel- ja bensiinivoimansiirtojärjestelmän komponentit
Tarkastuksen laajuus	Koneistettujen pintojen ja valumavirheet
Valumavirheet	Hiekka-aukot, huokoisuus, kutistumisvirheet, epäpuhtaudet
Koneistusvirheet	Iskujen aiheuttamat merkit, naarmut ja muu pinnan vaurio
Julkaistu tarkastusjakso	4,5 minuuttia
Teollisuuskamera	20 MP
Valaistus	Erittäin suuri korkean kirkkauden valonlähde
Robotti	FANUC
Ohjaus	Siemens / Advantech -teollisuustietokone
Tarkastusteknologia	Koneen näkö + syvä oppiminen
Toiminnot	Koodien lukeminen, tarkastus, jäljitettävyys, tietojen analysointi ja etäyhteys

Markkina 4,5 minuutin kiertoaika on julkaistu sovellusarvo todellinen tarkastusnopeus tulisi arvioida tarkastusalueiden määrän, työkappaleen geometrian, robotin liikeradan, kuvankäsittelyvaatimusten ja tuotantomallin perusteella.

6. Tärkeimmät valintaperusteet

6.1 Rakenna näytetietokanta ennen algoritmin kehitystä

Syväoppimisen suorituskyky riippuu voimakkaasti näytteiden laadusta.

Projektin tulisi kerätä edustavia näytteitä, jotka kattavat:

• Normaalit tuotteet
• Selkeät NG-tuotteet
• Eri vian tyypit
• Eri vian koot
• Rajatapaukset tai rajatilanteet
• Eri pinnanolosuhteet

Rajatapaukset ovat erityisen tärkeitä, koska todellisen tuotannon viat eivät aina ole yhtä ilmeisiä kuin laboratoriotestien esimerkit.

6.2 Määritä määrälliset vian kriteerit

Termit kuten "pieni huokosuus" tai "pieni hiekkareikä" ovat vaikeita tulkita näköjärjestelmälle ilman teknisiä kriteerejä.

Laatustandardin tulisi määritellä, mikäli sovellettavissa:

• Pienin virheen koko
• Suurin sallittu vian koko
• Viaten määrä
• Viallisuustiukkuus
• Virheen sijainti
• Hyväksyttävä etäisyys viattojen välillä

Algoritmia voidaan sitten kouluttaa ja validoida selkeästi määritellyn tarkastustavoitteen perusteella.

6.3 Ota huomioon 4,5 minuutin jakso tuotannon suunnittelussa

Julkaistu kiertoaika on suhteellisen kohtalainen verrattuna nopeisiin rivi-inspektointiin perustuviin näkötarkastusjärjestelmiin.

Tämä voi tehdä konfiguraatiosta sopivan seuraaviin käyttötarkoituksiin:

• Kriittisten komponenttien täydellinen tarkastus
• Eräkohtainen tarkastus
• Tuotantolinjan lopussa suoritettava laaduntarkastus
• Näyte-tarkastus

Jos tarkastus on integroitava nopeampaan tuotantolinjaan, tarkastuspisteet voidaan mahdollisesti jakaa usean rinnakkaisen aseman kesken.

Todellinen ratkaisu on määriteltävä kiertoaikatarkastelun perusteella eikä oletettava, että yksi robotisoitu tarkastuskenno voisi täyttää kaikki taktvaatimukset.

6.4 Suunnitelmatietojen käyttö ja säilytys

Etäyhteyden kautta suoritettavat tietokyselytoiminnot ovat hyödyllisiä laadun jäljitettävyyden varmistamiseen, mutta järjestelmän suunnittelussa on otettava huomioon tehtaan todellinen TI-ympäristö.

Teknisen eritelmän on määriteltävä:

• Tietojen säilytysaika
• Kuvien tallennuskapasiteetti
• Käyttöoikeudet
• Etäyhteyden muodostamistapa
• Varmuuskopiointivaatimukset
• Työkappaleen ja tuloksen välinen yhteys

7. Voiko näköpohjainen tarkastus havaita valugyntöjä?

Koneellinen näkö pystyy havaitsemaan valugyntöjä, jotka ovat näkyvissä tarkastetulla pinnalla , mukaan lukien sopivia esimerkkejä hiekka-aukoista, huokoisuudesta, kutistumiseen liittyvistä pinnan virheistä ja epäpuhtauksista.

Kuitenkin on tärkeä rajoitus.

Virhe, joka on täysin upotettu valukappaleen sisään ja jolla ei ole näkyvää pintamerkkiä, ei voida luotettavasti havaita pelkästään pinnan kuvantamismenetelmillä .

Tällaisia sisäisiä virheitä voidaan tarvittaessa tutkia muilla epätuhoavilla testausmenetelmillä, sovelluksesta riippuen, esimerkiksi:

• Röntgentarkastus
• Ultrasound-testaus
• Magneettijakoaintarkastus
• Muut sovelluskohtaiset NDT-menetelmät

Näin ollen visuaalinen tarkastus tulisi ymmärtää menetelmäksi, jolla tarkastetaan näkyviä pintaja lähellä pintaa olevia ilmiasuja , eikä sen tulisi korvata kaikkia valukappaleiden tarkastusmenetelmiä.

8. Syväoppimismallin suorituskyvyn ylläpitäminen

Syväoppimismalli ei yleensä menetä tarkkuuttaan pelkästään sen vuoksi, että se on toiminut tietyksi ajanjaksoksi.

Tarkastustulosten laatu voi kuitenkin muuttua, kun tuotanto-olosuhteet muuttuvat.

Esimerkkejä ovat:

• Uusi valumateriaali tai toimittaja
• Uusi konepistosprosessi
• Pinnankäsittelyn muutokset
• Valaistuksen muutokset
• Uudet tuotemallit
• Uudet vian tyypit
• Kameran vaihto
• Kiinnikkeen tai robotin asennon muutokset

Robusti näköprojekti pitäisi siksi sisältää mallin ylläpitomekanismin, joka kattaa:

1. Uusien vikamallien keruuun
2. Tuotantomallien tarkastukseen
3. Mallin validointiin
4. Mallin päivitykseen
5. Versiokontrolli
6. Muutosten jälkeiseen uudelleenvalidointiin

Nämä vastuut ja menettelyt määritellään parhaiten teknisessä sopimuksessa ennen laitteiston hyväksyntää.

9. Näkötarkastuksen integrointi puhdistukseen

Moottorilohkot ja sylinteripäät voidaan puhdistaa lopullisen tarkastuksen ennen.

Tuotantolinjoilla, joissa vaaditaan sekä puhdistusta että näkötarkastusta, molemmat prosessit voidaan integroida laajempaan laadunvalvontatyönkulkuun.

Tyypillinen prosessijärjestys voi olla:

Koneistus → Puhdistus → Kuivatus → Visioerotus → Jäljitettävyys → Kokoonpano

Tämä lähestymistapa voi vähentää uuden saastumisen tai iskuvaurioiden mahdollisuutta tarpeettomassa välitseppäilyssä.

Se voi myös tehdä tarkastustuloksesta edustavamman komponentin tilasta heti ennen kokoonpanoa.

Big Bird Industrialilla on sekä teollisia tarkkuuspuhdistuslaitteita että koneellisia visioerotuskykyjä , mikä mahdollistaa yhdistettyjä puhdistus- ja tarkastusratkaisuja sovelluksissa, joissa molemmat prosessit ovat vaadittuja.

10. Big Bird Industrialin koneelliset visioerotuskyvyt

Harbin Big Bird Industrial Co., Ltd. (Big Bird Industrial), aiemmin Harbin Shimada Big Bird Industrial Co., Ltd., tarjoaa integroituja teollisia puhdistus- ja koneellisia visioratkaisuja automaali- ja voimansiirtoalalle sekä tarkkuusteollisuuden valmistussovelluksiin.

Sen koneellisen näön liiketoiminta kattaa kuusi erikoisalaa:

• Orient See — ulottuvuus- ja geometriatarkastus
• Surface See — pinnan virheiden tarkastus
• Assembly See — kokoonpanotarkastus ja poka-yoke
• Inner See — sisäpinnan ja sisäputken tarkastus
• Paint See — maalipinnan vikojen tarkastus
• Algoritmi ja ohjelmistopalvelualusta — koneelliset näköalgoritmit ja ohjelmistot

Moottorikoteloiden ja sylinteripäiden osalta, Surface See voidaan määrittää sekä koneistettujen pintojen että näkyvien valumavirheiden tarkastukseen.

Jos sisäisten reikien tarkastusta vaaditaan, Inner See voidaan käsitellä tarkastustarpeita, jotka liittyvät sisäisiin reikiin ja sisäseinäpintoihin.

Tämä mahdollistaa tarkastusjärjestelmän määrittämisen todellisen virhetypin, tarkastuspaikan ja tuotantoprosessin mukaan eikä yhtä kuvantamismenetelmää voida soveltaa kaikkiin alueisiin.

UKK

Voiko koneellinen näkö korvata manuaalisen tarkastuksen hiekka-aukojen ja huokoisuuden osalta?

Näkyvissä oleville pinnalla oleville virheille automatisoitu näkö voi korvata tai merkittävästi vähentää manuaalista visuaalista tarkastusta.

Kuitenkin täysin valun sisällä piilossa olevia virheitä, joilla ei ole mitään pintamerkkiä, ei voida havaita pelkällä pintakuvantamisella. Tällaiset virheet vaativat sopivia epätuhoavia testausmenetelmiä.

Tuleeko syväoppimismalli epätarkaksi käytön jälkeen tietyksi ajanjaksoksi?

Ei pelkästään käyttöajan vuoksi.

Suorituskyky voi muuttua, kun tuote, prosessi, materiaali, valaistus tai vikojen esiintyvyys muuttuvat. Siksi jatkuvat näytteiden keruut ja mallin validointi ovat tärkeitä pitkän aikavälin tuotannon vakauden varmistamiseksi.

Miksi julkaistu tarkastusjakso on 4,5 minuuttia?

Viitatun järjestelmän suorittaa useita kuvantamistoimintoja monimutkaisten moottorikomponenttien pintojen yli robottiasennuksen ja kuvankäsittelyn avulla.

Julkaistu 4,5 minuutin jakso soveltuu viitatulle sovellukselle. Jos vaaditaan nopeampaa tuotantotaktia, tarkastuspisteet voidaan jakaa usean rinnakkaisen aseman kesken tai kuvantamistoiminnot ja robotin liikeradat voidaan optimoida.

Voiko näköjärjestelmän liittää pesukoneeseen?

Kyllä.

Big Bird Industrial tarjoaa sekä tarkkoja teollisia puhdistuslaitteita että koneellisia näköjärjestelmiä tarkastukseen. Silloin, kun tuotantoprosessi sitä vaatii, puhdistus ja tarkastus voidaan yhdistää niin, että komponentit siirtyvät suoraan kuivauksen jälkeen automatisoituun visuaaliseen tarkastukseen ja jäljitettävyyteen.

Yhteenveto

Valumuotokset ja koneistusvirheet edustavat kahden eri laatuvarmistuksen haastetta moottorikoteloiden ja sylinteripäiden osalta.

Hiekka-aukot, huokoisuus, kutistumisvirheet ja epäpuhtaudet syntyvät valumossa, kun taas naarmut ja iskumerkit voivat syntyä koneistuksen, käsittelyn tai tuotannon siirron aikana. Niiden visuaaliset ominaisuudet voivat vaihdella merkittävästi, mikä tekee yhden kiinteän kynnysarvon tarkastusstrategian luotettavan soveltamisen vaikeaksi.

Viitatun ratkaisun muodostavat 20 MP:n teollinen kamera, korkean kirkkauden valaistus, FANUC-robottiasennus ja syväoppiva koneellinen näköjärjestelmä tarkastamaan sekä määriteltyjä koneistettuja pintoja että näkyviä valumuotovirheitä.

Tuotantokäyttöön tarkoitetuissa sovelluksissa kuitenkin syväoppimiseen perustuvan tarkastuksen tehokkuus riippuu enemmän kuin pelkästään algoritmista itsestään. Edustavat näytteet, määrälliset hyväksyntäkriteerit, vakaa kuvantamisympäristö ja määritelty mallin ylläpitoprosessi ovat kaikki välttämättömiä osia luotettavaa visuaalista tarkastusjärjestelmää varten.

Valmistajille, jotka haluavat yhdistää puhdistuksen, pinnantarkastuksen ja jäljitettävyyden, Big Bird Industrial voi integroida nämä prosessit laajempaan automatisoituihin laadunvalvontatyönkulkuun, jossa SHIMADA säilytetään osana yrityksen historiallista brändiidentiteettiä.