Pemeriksaan Kekurangan Blok Mesin & Kepala Silinder: Visi Pembelajaran Mendalam untuk Kekurangan Pengecoran

Ikhtisar

Blok mesin dan kepala silinder dapat mengalami kekurangan pada berbagai tahap manufaktur. Cacat pengecoran misalnya lubang pasir, porositas, kekurangan susut, dan inklusi muncul selama proses pengecoran, sedangkan cacat akibat pemesinan dan penanganan misalnya tanda benturan dan goresan dapat terjadi selama proses produksi berikutnya.

Solusi pemeriksaan visi Big Bird Industrial menggabungkan kamera industri 20 MP, pencahayaan berkecerahan tinggi, pencitraan robotik, dan algoritma pembelajaran mendalam untuk memeriksa baik kekurangan pada permukaan yang telah dimesin maupun kekurangan pengecoran yang terlihat pada blok mesin dan kepala silinder.

Sistem yang dirujuk memiliki siklus pemeriksaan yang dipublikasikan sebesar 4,5 menit , dengan konfigurasi akhir dan takt yang dapat disesuaikan sesuai kebutuhan benda kerja dan inspeksi.

kerusakan pengecoran dan kerusakan pemesinan merupakan masalah inspeksi yang berbeda

Blok mesin dan kepala silinder dapat mengandung cacat yang berasal dari tahap manufaktur yang secara mendasar berbeda.

Cacat pengecoran

Cacat khas terkait pengecoran meliputi:

• Lubang pasir
• Porositas Gas
• Cacat pengecilan
• INKLUSI

Cacat-cacat ini terbentuk selama pengisian logam, proses pendinginan, atau proses pengecoran lainnya. Ketika terpapar di permukaan, cacat tersebut dapat tampak sebagai bintik gelap, lubang, depresi tidak beraturan, atau area dengan tekstur permukaan yang berbeda.

Cacat akibat pemesinan dan penanganan

Setelah proses pengecoran, blok mesin dan kepala silinder menjalani operasi produksi seperti pemesinan, transportasi, penjepitan, dan lain-lain.

Cacat khas dari tahap-tahap ini meliputi:

• Tanda benturan
• Goresan
• Kerusakan permukaan
• Dent lokal

Cacat-cacat ini mungkin memiliki penampakan visual yang sangat berbeda dibandingkan cacat pengecoran.

Perbedaan ini penting bagi visi mesin karena kedua kelompok cacat tersebut mungkin memerlukan strategi pencitraan dan algoritma yang berbeda.

2. Mengapa Deteksi Cacat Pengecoran Sulit

Permukaan pengecoran secara alami lebih kompleks dibandingkan permukaan hasil pemesinan yang sangat seragam.

Permukaan hasil pemesinan mungkin memiliki tekstur dan reflektivitas yang relatif konsisten, sedangkan permukaan pengecoran dapat mengandung:

• Tekstur tidak teratur
• Variasi permukaan alami
• Perubahan kekasaran
• Respons pencahayaan yang berbeda
• Ciri visual terkait bahan

Cacat pengecoran seperti lubang pasir dan porositas juga dapat bervariasi secara signifikan dalam bentuk dan ukuran.

Oleh karena itu, sistem visi berbasis ambang sederhana mungkin kesulitan membedakan cacat sebenarnya dari tekstur pengecoran normal.

Untuk alasan ini, sistem yang dirujuk menggunakan visi mesin berbasis pembelajaran mendalam .

Alih-alih hanya mengandalkan ambang skala abu-abu atau geometris tetap, model terlatih dapat mempelajari karakteristik visual dari sampel OK dan NG yang representatif.

Namun, pembelajaran mendalam tidak menghilangkan kebutuhan akan pencitraan yang tepat. Pencahayaan, resolusi optis, kualitas sampel, dan definisi wilayah inspeksi tetap menjadi faktor mendasar bagi kinerja sistem.

3. Solusi Inspeksi: Pembelajaran Mendalam + Visi Resolusi Tinggi

Peralatan yang dirujuk mengintegrasikan inspeksi cacat hasil pemesinan dan cacat hasil pengecoran ke dalam satu alur kerja inspeksi bersama.

Cacat Permukaan Hasil Pemesinan

Sistem ini dapat menginspeksi area hasil pemesinan tertentu untuk cacat seperti:

• Tanda benturan
• Goresan
• Kerusakan permukaan

Cacat pengecoran

Lingkup inspeksi juga mencakup:

• Lubang pasir
• Porositas Gas
• Cacat pengecilan
• INKLUSI

Ukuran cacat yang benar-benar dapat dideteksi dan kriteria penerimaannya bergantung pada permukaan benda kerja, kondisi pencitraan, serta standar kualitas yang ditetapkan pelanggan.

Inspeksi Berbasis Pembelajaran Mendalam

Sistem ini menggunakan algoritma pembelajaran mendalam untuk menganalisis gambar yang ditangkap.

Pendekatan ini sangat berguna ketika morfologi cacat sulit dijelaskan dengan aturan tetap sederhana.

Misalnya, lubang pasir dan porositas dapat berbeda dalam hal:

• Bentuk
• Ukuran
• Karakteristik Tepi
• Kontras
• Tekstur permukaan
• Distribusi

Model pembelajaran mendalam dapat dilatih menggunakan sampel representatif guna mengidentifikasi karakteristik-karakteristik tersebut.

4. Konfigurasi Perangkat Keras

Sistem yang dirujuk menggunakan pencitraan resolusi tinggi bersama dengan penempatan robotik.

Sistem Visi

• kamera industri 20 MP
• Sumber cahaya berkecerahan sangat tinggi berukuran ekstra besar

Kamera beresolusi tinggi memberikan informasi gambar yang detail, sedangkan sistem pencahayaan besar dirancang untuk menyediakan pencahayaan yang sesuai di seluruh area inspeksi.

Pemindai Robotik

ARobot FANUC digunakan untuk pengaturan posisi kamera dan akuisisi gambar secara otomatis.

Konfigurasi ini memungkinkan sistem menginspeksi beberapa area pada komponen mesin yang kompleks tanpa memerlukan kamera tetap terpisah untuk setiap posisi inspeksi.

Fungsi Pengendali dan Data

Sistem ini terintegrasi dengan:

• Pembacaan kode
• Pemeriksaan Visi Mesin
• Algoritma pembelajaran mendalam
• Keterlacakan Inspeksi
• Analisis Data
• Akses data jarak jauh

Hal ini memungkinkan hasil inspeksi dikaitkan dengan masing-masing benda kerja dan ditinjau kembali nanti untuk analisis kualitas.

5. Spesifikasi Teknis

Spesifikasi berikut didasarkan pada informasi produk yang tersedia secara publik untuk sistem yang dirujuk.

Item	Spesifikasi
Aplikasi	Kendaraan komersial, kendaraan penumpang, termasuk NEV
Benda kerja	Komponen powertrain energi baru; komponen powertrain diesel dan bensin
Ruas pemeriksaan	Cacat permukaan hasil pemesinan dan coran
Cacat pengecoran	Lubang pasir, porositas, cacat susut, inklusi
Cacat hasil pemesinan	Tanda benturan, goresan, dan kerusakan permukaan terkait lainnya
Siklus inspeksi yang dipublikasikan	4,5 menit
Kamera industri	20 MP
Pencahayaan	Sumber cahaya berkecerahan sangat tinggi berukuran ekstra besar
Robot	Bahasa Indonesia: FANUC
Kendali	PC industri Siemens / Advantech
Teknologi Pemeriksaan	Visi mesin + pembelajaran mendalam
Fungsi	Pembacaan kode, inspeksi, pelacakan, analisis data, dan akses jarak jauh

Pasar siklus 4,5 menit merupakan nilai aplikasi yang telah dipublikasikan waktu siklus inspeksi aktual harus dievaluasi berdasarkan jumlah wilayah inspeksi, geometri benda kerja, lintasan robot, kebutuhan pemrosesan citra, dan mode produksi.

6. Pertimbangan Utama dalam Pemilihan

6.1 Membangun Basis Data Sampel Sebelum Pengembangan Algoritma

Kinerja deep learning sangat bergantung pada kualitas sampel.

Proyek ini harus mengumpulkan sampel representatif yang mencakup:

• Produk normal
• Produk NG yang jelas
• Jenis cacat yang berbeda
• Ukuran cacat yang berbeda
• Sampel batas atau ambang
• Kondisi permukaan yang berbeda

Sampel batas sangat penting karena cacat dalam produksi nyata tidak selalu sekhas contoh laboratorium.

6.2 Menetapkan Kriteria Cacat Kuantitatif

Istilah seperti "porositas kecil" atau "lubang pasir minor" sulit diartikan sistem visi tanpa kriteria teknis.

Spesifikasi kualitas harus menetapkan, bila berlaku:

• Ukuran Cacat Minimum
• Ukuran cacat maksimum yang dapat diterima
• Jumlah cacat
• Kepadatan Cacat
• Lokasi Cacat
• Jarak yang dapat diterima antara cacat

Algoritma tersebut kemudian dapat dilatih dan divalidasi terhadap target inspeksi yang didefinisikan secara jelas.

6.3 Pertimbangkan Siklus 4,5 Menit dalam Perencanaan Produksi

Waktu siklus yang dipublikasikan relatif moderat dibandingkan inspeksi visi inline berkecepatan tinggi.

Hal ini dapat membuat konfigurasi cocok untuk:

• Inspeksi menyeluruh komponen kritis
• Inspeksi tiap lot
• Inspeksi kualitas akhir lini produksi
• Pemeriksaan pengambilan sampel

Jika inspeksi perlu diintegrasikan ke dalam lini produksi yang lebih cepat, titik inspeksi dapat didistribusikan ke beberapa stasiun paralel.

Solusi aktual harus ditentukan melalui analisis waktu siklus, bukan dengan mengasumsikan bahwa satu sel inspeksi berotomasi dapat memenuhi setiap kebutuhan takt.

6.4 Rencanakan Akses dan Retensi Data

Fungsi kueri data jarak jauh berguna untuk pelacakan kualitas, tetapi sistem harus dirancang berdasarkan lingkungan TI aktual di pabrik.

Spesifikasi teknis harus menetapkan:

• Periode penyimpanan data
• Kapasitas penyimpanan gambar
• Izin Pengguna
• Metode akses jarak jauh
• Kebutuhan cadangan
• Asosiasi antara benda kerja dan hasil pengujian

7. Apakah Inspeksi Visi Dapat Mendeteksi Cacat Pengecoran?

Visi mesin dapat mendeteksi cacat pengecoran yang terlihat secara visual pada permukaan yang diperiksa , termasuk contoh yang sesuai seperti lubang pasir, porositas, cacat permukaan terkait penyusutan, dan inklusi.

Namun, terdapat batasan penting.

Suatu cacat yang benar-benar terkubur di dalam coran dengan tanpa indikasi permukaan yang terlihat tidak dapat dideteksi secara andal hanya dengan pencitraan permukaan .

Cacat internal semacam itu mungkin memerlukan metode pengujian tak rusak lainnya, tergantung pada aplikasinya, seperti:

• Pemeriksaan Sinar X
• Pengujian Ultrasonik
• Inspeksi partikel magnetik
• Metode NDT lain yang spesifik untuk aplikasi tertentu

Oleh karena itu, inspeksi berbasis visi harus dipahami sebagai metode untuk memeriksa manifestasi permukaan dan dekat-permukaan yang terlihat , bukan sebagai pengganti bagi setiap bentuk inspeksi coran.

8. Mempertahankan Kinerja Model Deep-Learning

Model deep-learning biasanya tidak menjadi tidak akurat hanya karena telah beroperasi selama jangka waktu tertentu.

Namun, kinerja inspeksi dapat berubah ketika kondisi produksi berubah.

Contohnya meliputi:

• Bahan pengecoran baru atau pemasok baru
• Proses permesinan baru
• Perubahan pada permukaan akhir
• Perubahan pencahayaan
• Model produk baru
• Jenis cacat baru
• Penggantian kamera
• Perubahan posisi perlengkapan atau robot

Oleh karena itu, proyek visi yang andal harus mencakup mekanisme pemeliharaan model yang meliputi:

1. Pengumpulan sampel cacat baru
2. Tinjauan sampel produksi
3. Validasi model
4. Pembaruan model
5. Kontrol Versi
6. Validasi ulang setelah perubahan

Tanggung jawab dan prosedur ini paling baik didefinisikan dalam perjanjian teknis sebelum penerimaan peralatan.

9. Mengintegrasikan Inspeksi Visual dengan Pembersihan

Blok mesin dan kepala silinder dapat menjalani proses pembersihan sebelum inspeksi akhir.

Untuk jalur produksi yang memerlukan baik pembersihan maupun inspeksi visual, kedua proses tersebut dapat diintegrasikan ke dalam alur kerja pengendalian kualitas yang lebih luas.

Urutan khasnya mungkin adalah:

Pemesinan → Pembersihan → Pengeringan → Inspeksi Visual → Pelacakan → Perakitan

Pendekatan ini dapat mengurangi kemungkinan terjadinya kontaminasi baru atau kerusakan akibat benturan selama penanganan antara yang tidak perlu.

Pendekatan ini juga membuat hasil inspeksi lebih mencerminkan kondisi komponen tepat sebelum perakitan.

Big Bird Industrial memiliki keduanya peralatan pembersih presisi industri dan kemampuan inspeksi visual mesin , sehingga memungkinkan solusi terpadu untuk pembersihan dan inspeksi dalam aplikasi yang memerlukan kedua proses tersebut.

10. Kemampuan Inspeksi Visual Mesin Big Bird Industrial

Harbin Big Bird Industrial Co., Ltd. (Big Bird Industrial), sebelumnya bernama Harbin Shimada Big Bird Industrial Co., Ltd., menyediakan solusi terintegrasi untuk pembersihan industri dan inspeksi visual mesin guna aplikasi powertrain otomotif serta manufaktur presisi.

Bisnis visi mesin perusahaan ini mencakup enam bidang khusus:

• Orient See — pemeriksaan dimensi dan geometris
• Surface See — pemeriksaan cacat permukaan
• Assembly See — inspeksi perakitan dan poka-yoke
• Inner See — pemeriksaan lubang dalam dan dinding dalam
• Paint See — pemeriksaan cacat permukaan cat
• Algorithm & Software Platform — algoritma dan perangkat lunak visi mesin

Untuk blok mesin dan kepala silinder, Surface See dapat dikonfigurasi guna mendeteksi cacat pada permukaan yang telah dimesin maupun cacat pengecoran yang terlihat.

Apabila diperlukan inspeksi lubang dalam, Inner See dapat memenuhi kebutuhan inspeksi yang melibatkan lubang dalam serta permukaan dinding bagian dalam.

Hal ini memungkinkan sistem inspeksi dikonfigurasi sesuai jenis cacat aktual, lokasi inspeksi, dan proses produksi—bukan menerapkan satu metode pencitraan untuk setiap area.

Tanya Jawab

Apakah model visi mesin dapat menggantikan inspeksi manual untuk lubang pasir dan porositas?

Untuk cacat yang terlihat jelas pada permukaan yang diinspeksi, visi otomatis dapat menggantikan atau secara signifikan mengurangi inspeksi visual manual.

Namun, cacat yang sepenuhnya tersembunyi di dalam coran tanpa indikasi apa pun di permukaan tidak dapat dideteksi hanya dengan pencitraan permukaan. Cacat semacam itu memerlukan metode pengujian tak merusak yang sesuai.

Apakah model pembelajaran mendalam menjadi tidak akurat setelah beroperasi dalam jangka waktu tertentu?

Bukan hanya karena waktu operasional.

Kinerja dapat berubah ketika produk, proses, material, pencahayaan, atau populasi cacat berubah. Oleh karena itu, pengumpulan sampel secara berkelanjutan dan validasi model sangat penting untuk stabilitas produksi jangka panjang.

Mengapa siklus inspeksi yang dipublikasikan adalah 4,5 menit?

Sistem yang dirujuk melakukan beberapa operasi pencitraan pada permukaan komponen mesin yang kompleks dengan menggunakan posisioning robotik dan pemrosesan citra.

Yang dipublikasikan siklus 4,5 menit cocok untuk aplikasi yang dirujuk. Jika diperlukan takt produksi yang lebih cepat, titik inspeksi dapat dibagi antara stasiun-stasiun paralel atau jalur pencitraan dan robot dapat dioptimalkan.

Apakah sistem visi dapat dihubungkan dengan mesin pembersih?

Ya.

Big Bird Industrial menyediakan peralatan pembersih industri presisi dan sistem inspeksi visi mesin. Apabila proses produksi mengharuskannya, pembersihan dan inspeksi dapat dihubungkan sehingga komponen berpindah langsung dari tahap pembersihan dan pengeringan ke inspeksi visual otomatis serta pelacakan.

Kesimpulan

Kekurangan pada pengecoran dan pemesinan mewakili dua tantangan berbeda dalam pengendalian kualitas blok mesin dan kepala silinder.

Lubang pasir, porositas, cacat susut, dan inklusi berasal dari proses pengecoran, sedangkan goresan dan tanda benturan dapat muncul selama proses pemesinan, penanganan, atau pemindahan produksi. Karakteristik visualnya bisa sangat berbeda, sehingga penerapan strategi inspeksi berbasis ambang batas tetap menjadi sulit secara andal.

Solusi yang dirujuk ini menggabungkan kamera industri 20 MP, pencahayaan berkecerahan tinggi, posisioning robotik FANUC, dan visi mesin berbasis pembelajaran mendalam untuk menginspeksi baik permukaan yang telah dimesin sesuai spesifikasi maupun cacat pengecoran yang terlihat.

Namun, untuk aplikasi produksi, efektivitas inspeksi berbasis pembelajaran mendalam bergantung pada lebih dari sekadar algoritmanya sendiri. Sampel representatif, kriteria penerimaan kuantitatif, kondisi pencitraan yang stabil, dan proses pemeliharaan model yang terdefinisi semuanya merupakan bagian penting dari sistem inspeksi visual yang andal.

Bagi produsen yang ingin menggabungkan proses pembersihan, inspeksi permukaan, dan pelacakan jejak, Big Bird Industrial dapat mengintegrasikan proses-proses ini ke dalam alur kerja pengendalian kualitas otomatis yang lebih luas, dengan SHIMADA tetap dipertahankan sebagai bagian dari identitas merek historis perusahaan.