Motorház és hengerfej hibáinak ellenőrzése: mélytanuláson alapuló látási rendszer öntési hibák észlelésére

Áttekintés

A motorházak és a hengerfejek gyártásuk különböző szakaszaiban hibákhoz vezető eltéréseket fejleszthetnek ki. Öntési hibák például a homoklyukak, a pórusosság, az öntési zsugorodási hibák és a bekeveredett idegen anyagok az öntés során keletkeznek, míg megmunkálási és kezelési hibák például az ütésnyomok és karcolások a későbbi gyártási folyamatok során jelentkezhetnek.

A Big Bird Industrial látási ellenőrzési megoldása 20 MP ipari kamerákat, nagy fényerősségű világítást, robotos képfelvételt és mélytanulási algoritmusokat kombinál, hogy mind a megmunkált felületi hibákat, mind a látható öntési hibákat ellenőrizze a motorházakon és a hengerfejeken.

Az említett rendszer hivatalosan közzétett ellenőrzési ciklusa 4,5 perc , a végső konfiguráció és a takt idő testreszabható a munkadarab és az ellenőrzési követelmények szerint.

a öntési hibák és a megmunkálási hibák különböző ellenőrzési problémák

A motorházak és a hengerteknők hibákat tartalmazhatnak, amelyek alapvetően eltérő gyártási szakaszokból erednek.

Öntési hibák

Tipikus öntéssel kapcsolatos hibák:

• Homoklyukak
• Gázporozitás
• Összehúzódási hibák
• ÖSSZETEVŐK

Ezeket a hibákat a fém öntése, megdermedése vagy más öntési folyamatok során alakítják ki. Ha a felületre kerülnek, sötét foltokként, bemélyedéseként, szabálytalan mélyedéseként vagy eltérő felületi textúrájú területekként jelenhetnek meg.

Megmunkálási és kezelési hibák

Az öntést követően a motorházakat és a hengerteknőket megmunkálják, szállítják, befogják és egyéb gyártási műveleteknek vetik alá.

Ezekből a szakaszokból származó tipikus hibák:

• Ütésnyomok
• Ledurva
• Felületi sérülés
• Helyi bemélyedések

Ezek a hibák vizuális megjelenésükben lényegesen eltérhetnek az öntési hibáktól.

Ez a különbség fontos a gépi látás számára, mert a két hibacsoport különböző képalkotási és algoritmikus stratégiákat igényelhet.

2. Miért nehéz a öntött darabok hibáinak észlelése

Az öntött felületek természetes módon összetettebbek, mint a nagyon egyenletes megmunkált felületek.

Egy megmunkált felület viszonylag egyenletes textúrával és fényvisszaverő képességgel rendelkezhet, míg egy öntött felület tartalmazhat:

• Szabálytalan textúrát
• Természetes felületi változást
• Érdességváltozásokat
• Különböző fényviszonyokra adott válaszokat
• Anyagfüggő vizuális jellemzőket

Az öntött darabok hibái – például homoklyukak és pórusosság – szintén jelentősen eltérhetnek alakjukban és méretükben.

Ezért egy egyszerű, küszöbértéken alapuló látási rendszer nehezen tudja megkülönböztetni a valódi hibát a normál öntési felülettextúrától.

Ezért a hivatkozott rendszer a következőt használja: mélytanuláson alapuló gépi látás .

A rögzített szürkeárnyalatos vagy geometriai küszöbértékekre való kizárólagos támaszkodás helyett egy betanított modell megtanulhatja a vizuális jellemzőket a megfelelő (OK) és a hibás (NG) minták alapján.

A mélytanulás azonban nem szünteti meg a megfelelő képfelvétel szükségességét. A megvilágítás, az optikai felbontás, a minták minősége és a vizsgálati terület pontos meghatározása továbbra is alapvető fontosságúak a rendszer teljesítménye szempontjából.

3. Vizsgálati megoldás: Mélytanulás + nagyfelbontású látás

A hivatkozott berendezés az esztergált és az öntött felületeken fellépő hibák vizsgálatát egy közös vizsgálati folyamatba integrálja.

Esztergált felületi hibák

A rendszer vizsgálhatja a megadott esztergált területeket a következő hibák szempontjából:

• Ütésnyomok
• Ledurva
• Felületi sérülés

Öntési hibák

A vizsgálati kör az alábbiakat is magában foglalja:

• Homoklyukak
• Gázporozitás
• Összehúzódási hibák
• ÖSSZETEVŐK

A ténylegesen észlelhető hibaméret és az elfogadási kritériumok a munkadarab felületétől, a képképzési feltételektől és az ügyfél által meghatározott minőségi szabványoktól függenek.

Mélytanulásos vizsgálat

A rendszer mélytanulási algoritmusokat használ a rögzített képek elemzésére.

Ez a megközelítés különösen akkor hasznos, ha a hibák morfológiáját nehéz egyszerű, rögzített szabályokkal leírni.

Például a homoklyukak és a pórusosság eltérhetnek a következőkben:

• Alak
• Méret
• Éljellemzők
• Kontraszt
• Felszíni szöveget
• Elosztás

E jellemzők azonosítására egy mélytanulási modellt képviselő minták segítségével lehet betanítani.

4. Hardverkonfiguráció

A hivatkozott rendszer nagyfelbontású képképzést és robotos pozicionálást alkalmaz.

Látórendszer

• 20 MP ipari kamera
• Különösen nagy méretű, nagy fényerősségű fényforrás

A nagy felbontású kamera részletes képadatokat szolgáltat, miközben a nagyméretű megvilágítórendszer úgy lett kialakítva, hogy megfelelő megvilágítást biztosítson az ellenőrzési terület egészén.

Robotos képfeldolgozás

AFANUC robot az automatizált kamerapozícionáláshoz és képfelvételhez használatos.

Ez a konfiguráció lehetővé teszi, hogy a rendszer több területet is ellenőrizzen összetett motoralkatrészeknél anélkül, hogy minden ellenőrzési pozícióhoz külön rögzített kamerára lenne szükség.

Vezérlési és adatfunkciók

A rendszer integrálja:

• Kódolvasás
• Gépi Látás Vizsgálat
• Mélytanulási algoritmusok
• Ellenőrzés nyomon követhetősége
• Adat Elemzés
• Távoli adatelérés

Ez lehetővé teszi, hogy az ellenőrzési eredményeket egyedi munkadarabokhoz rendeljék hozzá, és később minőségellenőrzési célból átnézzék őket.

5. Műszaki jellemzők

Az alábbi műszaki adatok a hivatkozott rendszer nyilvánosan elérhető termékinformációin alapulnak.

Tétel	Műszaki adatok
Alkalmazás	Kereskedelmi járművek, személygépjárművek, beleértve az újenergiás járműveket (NEV-ket)
Munkadarabok	Újenergiás meghajtási rendszerek alkatrészei; dízel- és benzinmotoros meghajtási rendszerek alkatrészei
Ellenőrzési terület	Megmunkált felületi és öntött hibák
Öntési hibák	Homoklyukak, pórusosság, zsugorodási hibák, idegen anyagok
Gépi megmunkálási hibák	Ütésnyomok, karcolások és egyéb felületi károsodások
Közzétett vizsgálati ciklus	4,5 perc
Ipari fényképezőgép	20 MP
Világítás	Különösen nagy méretű, nagy fényerősségű fényforrás
Robot	FANUC
Szabályozás	Siemens / Advantech ipari számítógép
Ellenőrzési technológia	Gépi látás + mélytanulás
Funkciók	Kódolvasás, ellenőrzés, nyomon követhetőség, adatelemzés és távoli hozzáférés

Aa 4,5 perces ciklus egy közzétett alkalmazási érték a tényleges ellenőrzési taktidőt az ellenőrzési területek száma, a munkadarab geometriája, a robot pályája, a képfeldolgozási igények és a gyártási mód alapján kell értékelni.

6. Kulcsfontosságú kiválasztási szempontok

6.1 Mintaadatbázis létrehozása az algoritmusfejlesztés előtt

A mélytanulás teljesítménye erősen függ a minták minőségétől.

A projektnek olyan reprezentatív mintákat kell gyűjtenie, amelyek lefedik:

• Normál termékeket
• Tiszta NG-termékek
• Különböző hibatípusok
• Különböző híméretek
• Határesetek vagy kétes esetek
• Különböző felületi állapotok

A határesetek különösen fontosak, mert a gyakorlatban előforduló hibák nem mindig olyan egyértelműek, mint a laboratóriumi példák.

6.2 Mennyiségi hibakritériumok meghatározása

Olyan kifejezések, mint a „kis pórusosság” vagy a „kis homoklyuk”, nehezen értelmezhetők egy látási rendszer számára mérnöki kritériumok nélkül.

A minőségi specifikációnak – amennyiben alkalmazható – meg kell határoznia:

• Legkisebb észlelhető hibaméret
• A legnagyobb elfogadható hibaméret
• Hibák száma
• Hibasűrűség
• Hibahely
• Elfogadható távolság a hibák között

Ezután az algoritmus betanítható és ellenőrizhető egy egyértelműen meghatározott ellenőrzési célpont alapján.

6.3 Vegye figyelembe a 4,5 perces ciklust a gyártástervezésben

A közzétett ciklusidő viszonylag mérsékelt a nagysebességű soros látási ellenőrzéssel összehasonlítva.

Ez a konfiguráció alkalmas lehet a következőkre:

• Kritikus alkatrészek teljes ellenőrzése
• Tételes ellenőrzés
• Gyártásvégén végzett minőségellenőrzés
• Minta-ellenőrzés

Ha az ellenőrzést gyorsabb gyártósorba kell integrálni, az ellenőrzési pontokat potenciálisan több párhuzamos állomásra is eloszthatjuk.

Az aktuális megoldást ciklusidő-analízis alapján kell meghatározni, ne pedig feltételezni, hogy egy robotizált ellenőrző cella minden takt-igényt kielégít.

6.4 Tervadatok hozzáférésének és tárolásának szabályai

A távoli adatlekérdező funkciók hasznosak a minőség nyomon követhetőségéhez, de a rendszert a gyár tényleges IT-környezetére kell optimalizálni.

A műszaki leírásnak tartalmaznia kell:

• Az adattárolás időtartama
• Képtárolási kapacitás
• Felhasználói engedélyek
• Távoli hozzáférés módja
• Biztonsági mentési követelmények
• Munkadarab–eredmény kapcsolata

7. Felismerheti-e a gépi látás a öntött alkatrészek hibáit?

A gépi látás felismerheti azokat az öntési hibákat, amelyek a vizsgált felületen láthatóan jelennek meg , beleértve a megfelelő példákat a homoklyukakról, a pórusosságról, az öntési hibákkal kapcsolatos felületi hiányosságokról és a bekeveredésekről.

Azonban létezik egy fontos korlátozás.

Egy olyan hiba, amely teljesen el van temetve az öntvény belsejében, és nincs látható felületi jele, nem észlelhető megbízhatóan kizárólag felületi képfeldolgozással. .

Az ilyen belső hibák esetleg más, nem romboló vizsgálati módszereket igényelnek az alkalmazástól függően, például:

• Röntgenellenőrzés
• Hangüvegtesztek
• Mágneses részecskés vizsgálat
• Egyéb, alkalmazásspecifikus NDT-módszerek

Ezért a látási ellenőrzést úgy kell érteni, mint egy módszert a látható felületi és a felület közelében lévő megnyilvánulások ellenőrzésére , nem pedig mindenféle öntvény-ellenőrzési forma helyettesítéseként.

8. A mélytanulási modell teljesítményének fenntartása

Egy mélytanulási modell általában nem válik pontatlanabbá pusztán az idő elteltével történő működés miatt.

Az ellenőrzési teljesítmény azonban megváltozhat, ha a gyártási körülmények megváltoznak.

Példák:

• Új öntöttanyag vagy beszállító
• Új megmunkálási folyamat
• Felületi minőség változásai
• Megvilágítás-változások
• Új termékmodellek
• Új hibatípusok
• Kameracsere
• Rögzítőberendezés vagy robotpozíció-változások

Ezért egy erős látáskontroll-projektnek tartalmaznia kell egy modell-karbantartási mechanizmust, amely a következőket foglalja magában:

1. Új hibás minták gyűjtése
2. Gyártási minták felülvizsgálata
3. Modell érvényesítése
4. Modell frissítése
5. Verziókontroll
6. Változtatások utáni újraérvényesítés

E felelősségeket és eljárásokat a legjobb esetben a berendezés átvételét megelőzően, a műszaki megállapodásban kell meghatározni.

9. A látáskontroll integrálása a tisztítással

A motorházakat és hengerfejeket a végleges ellenőrzés előtt tisztíthatják.

Azokon a gyártósorokon, ahol mind a tisztítás, mind a látáskontroll szükséges, a két folyamat integrálható egy átfogó minőség-ellenőrzési munkafolyamatba.

Egy tipikus folyamat sorrendje például a következő lehet:

Megmunkálás → Tisztítás → Szárítás → Látási ellenőrzés → Nyomkövetés → Összeszerelés

Ez a megközelítés csökkentheti az új szennyeződés vagy ütés okozta károk valószínűségét a felesleges köztes kezelés során.

Emellett az ellenőrzés eredménye pontosabban tükrözheti az alkatrész állapotát az összeszerelés előtt közvetlenül.

A Big Bird Industrial mindkettőt kínálja: ipari pontossági tisztítóberendezéseket és gépi látási ellenőrzési képességeket , így olyan egyesített tisztítási és ellenőrzési megoldások is lehetségesek, ahol mindkét folyamat szükséges.

10. A Big Bird Industrial gépi látási ellenőrzési képességei

A Harbin Big Bird Industrial Co., Ltd. (Big Bird Industrial), korábban Harbin Shimada Big Bird Industrial Co., Ltd., integrált ipari tisztítási és gépi látási megoldásokat nyújt az autóipari hajtáslánc- és precíziós gyártási alkalmazásokhoz.

Gépi látásos tevékenysége hat specializált területet ölel fel:

• Orient See — dimenziós és geometriai ellenőrzés
• Felület – lásd — felületi hibák ellenőrzése
• Összeszerelés – lásd — összeszerelési ellenőrzés és poka-yoke
• Belső – lásd — belső furatok és belső falak ellenőrzése
• Festés – lásd — festett felület hibáinak ellenőrzése
• Algoritmus és szoftverplatform — gépi látás algoritmusok és szoftverek

Motorházakhoz és hengerteknőkhöz, Felület – lásd mind a megmunkált felületi hibák, mind a látható öntési hibák észlelésére konfigurálható.

Amikor belső furatok ellenőrzése szükséges, Belső – lásd kezelni tudja az ilyen belső furatokra és belső falfelületekre vonatkozó ellenőrzési követelményeket.

Ez lehetővé teszi, hogy az ellenőrző rendszert a tényleges hibatípus, az ellenőrzés helye és a gyártási folyamat alapján konfigurálják, ne pedig egyetlen képfeldolgozási módszert alkalmazzanak minden területen.

GYIK

Képes a gépi látás kiváltani a kézi ellenőrzést a homoklyukak és a pórusosság esetében?

A vizsgált felületen láthatóan megjelenő hibák esetében az automatizált képfeldolgozás kiválthatja, vagy jelentősen csökkentheti a kézi szemrevételezést.

Azonban a munkadarab teljesen belül rejtőző, felületi jelet nem mutató hibák nem észlelhetők kizárólag felületi képfeldolgozással. Az ilyen hibák észleléséhez megfelelő nem romboló vizsgálati módszerek szükségesek.

Pontosítatlan lesz egy mélytanulási modell, ha egy ideig működik?

Nem pusztán az üzemelési idő miatt.

A teljesítmény akkor változhat, ha a termék, a folyamat, az anyag, a megvilágítás vagy a hibák populációja megváltozik. Ezért a hosszú távú gyártási stabilitás érdekében folyamatos mintavétel és modell-ellenőrzés szükséges.

Miért 4,5 perc a közzétett ellenőrzési ciklus?

A hivatkozott rendszer robotos pozicionálással és képfeldolgozással több képalkotási műveletet végez összetett motoralkatrész-felületeken.

A közzétett 4,5 perces ciklus megfelel a hivatkozott alkalmazásnak. Ha gyorsabb gyártási taktidő szükséges, az ellenőrzési pontokat párhuzamos állomások között lehet elosztani, illetve optimalizálható a képalkotás és a robot mozgáspályája.

Kapcsolható-e a látási rendszer egy tisztítógéppel?

Igen.

A Big Bird Industrial precíziós ipari tisztítóberendezéseket és gépi látási ellenőrzőrendszereket kínál. Amennyiben a gyártási folyamat ezt megköveteli, a tisztítás és az ellenőrzés összekapcsolható úgy, hogy az alkatrészek közvetlenül a tisztításból és szárításból kerülnek az automatizált vizuális ellenőrzésre és nyomon követhetőségre.

Összefoglalás

A motorblokkok és hengerfejek öntési és megmunkálási hibái két különböző minőség-ellenőrzési kihívást jelentenek.

Homoklyukak, pórusosság, zsugorodási hibák és idegen anyagok az öntésből erednek, míg karcolások és ütésnyomok a megmunkálás, kezelés vagy gyártási átvitel során jöhetnek létre. Látható jellemzőik jelentősen eltérhetnek egymástól, ami miatt egyetlen, rögzített küszöbérték-alapú ellenőrzési stratégia megbízható alkalmazása nehézkes.

Az említett megoldás egy 20 MP ipari kamerát, nagy fényerősségű világítást, FANUC robotos pozicionálást és mélytanuláson alapuló gépi látást kombinál, hogy mind a megadott megmunkált felületeket, mind a látható öntési hibákat ellenőrizze.

A gyártási alkalmazások esetében azonban a mélytanuláson alapuló ellenőrzés hatékonysága nem csupán az algoritmusra, hanem egyéb tényezőkre is függ. Reprezentatív minták, mennyiségi elfogadási kritériumok, stabil képfelvételi körülmények és egy meghatározott modell-karbantartási folyamat mindegyike elengedhetetlen része egy megbízható látási ellenőrző rendszernek.

Azoknak a gyártóknak, akik a tisztítást, a felületi ellenőrzést és a nyomon követhetőséget egyesíteni kívánják, a Big Bird Industrial ezeket a folyamatokat integrálhatja egy átfogóbb, automatizált minőség-ellenőrzési munkafolyamatba, amelyben SHIMADA a vállalat történeti márkaidentitásának részeként megmarad.