Inspectie op gebreken in motorblok en cilinderkop: diepgeleerd zicht voor gietgebreken

Overzicht

Motorblokken en cilinderkoppen kunnen in verschillende productiefasen gebreken ontwikkelen. Gietfouten zoals zandgaten, porositeit, krimpschade en insluitsels ontstaan tijdens het gietproces, terwijl gebreken door bewerking en hantering zoals stootsporen en krassen zich tijdens latere productieprocessen kunnen voordoen.

De visie-inspectieoplossing van Big Bird Industrial combineert industriële camera’s met een resolutie van 20 MP, hoogwaardige verlichting, robotgestuurde beeldopname en algoritmen voor diep leren om zowel oppervlaktegebreken na bewerking als zichtbare gietgebreken op motorblokken en cilinderkoppen te inspecteren.

Het genoemde systeem heeft een gepubliceerde inspectiecyclustijd van 4,5 minuten , met de uiteindelijke configuratie en takt aanpasbaar volgens het werkstuk en de inspectievereisten.

1. Gietgebreken en bewerkingsgebreken zijn verschillende inspectieproblemen

Motorblokken en cilinderkoppen kunnen gebreken bevatten die voortkomen uit fundamenteel verschillende productiefasen.

Gietfouten

Typische gietgerelateerde gebreken zijn:

• Zandgaten
• Gaspoporiteit
• Krimpdefecten
• INSLUITINGEN

Deze gebreken ontstaan tijdens het vullen van het metaal, het stollen of andere gietprocessen. Wanneer ze aan het oppervlak zichtbaar zijn, kunnen ze zich manifesteren als donkere vlekken, putjes, onregelmatige inzinkingen of gebieden met een andere oppervlaktestructuur.

Gebreken door bewerking en hantering

Na het gieten ondergaan motorblokken en cilinderkoppen bewerking, transport, opspanning en andere productieoperaties.

Typische gebreken uit deze fasen zijn:

• Slagmarkeringen
• Krassen
• Oppervlakteschade
• Lokale deuken

Deze gebreken kunnen een aanzienlijk andere visuele verschijning hebben dan gietgebreken.

Dit verschil is belangrijk voor machinevisie, omdat de twee defectgroepen mogelijk verschillende beeldvormings- en algoritme-strategieën vereisen.

2. Waarom het detecteren van gietgebreken moeilijk is

Gietoppervlakken zijn van nature complexer dan zeer uniforme bewerkte oppervlakken.

Een bewerkt oppervlak kan een relatief consistente textuur en reflectiviteit hebben, terwijl een gietoppervlak kan bevatten:

• Onregelmatige textuur
• Natuurlijke oppervlakvariatie
• Wisselingen in ruwheid
• Verschillende reacties op belichting
• Visuele kenmerken die verband houden met het materiaal

Gietgebreken zoals zandgaten en porositeit kunnen ook aanzienlijk variëren in vorm en grootte.

Een eenvoudig, op een drempel gebaseerd zichtsysteem kan daarom moeite hebben om een echt gebrek te onderscheiden van de normale gietstructuur.

Om deze reden gebruikt het genoemde systeem machinevisie op basis van deep learning .

In plaats van uitsluitend te vertrouwen op vaste grijswaarden- of geometrische drempels, kan een getraind model visuele kenmerken leren uit representatieve OK- en NG-monsters.

Deep learning elimineert echter niet de noodzaak van geschikte beeldvorming. Belichting, optische resolutie, monsterkwaliteit en definitie van het inspectiegebied blijven fundamenteel voor de systeemprestatie.

3. Inspectieoplossing: Deep learning + hoge-resolutievisie

De genoemde apparatuur integreert inspectie op bewerkingsgebreken en gietgebreken in één gemeenschappelijk inspectiewerkproces.

Gebreken op bewerkte oppervlakken

Het systeem kan gespecificeerde bewerkte gebieden inspecteren op gebreken zoals:

• Slagmarkeringen
• Krassen
• Oppervlakteschade

Gietfouten

Het inspectiebereik omvat ook:

• Zandgaten
• Gaspoporiteit
• Krimpdefecten
• INSLUITINGEN

De daadwerkelijk detecteerbare defectgrootte en de aanvaardingscriteria zijn afhankelijk van het oppervlak van het werkstuk, de beeldvormingsomstandigheden en de door de klant vastgestelde kwaliteitsnormen.

Inspectie met diep leren

Het systeem gebruikt algoritmen voor diep leren om de opgenomen beelden te analyseren.

Deze aanpak is bijzonder nuttig wanneer de morfologie van een defect moeilijk te beschrijven is met eenvoudige, vaste regels.

Bijvoorbeeld kunnen gietkorrels en porositeit verschillen in:

• Vorm
• Afmeting
• Randkenmerken
• Contrast
• Oppervlaktestructuur
• Verdeling

Een model voor diep leren kan worden getraind met behulp van representatieve monsters om deze kenmerken te herkennen.

4. Hardwareconfiguratie

Het genoemde systeem maakt gebruik van beeldvorming met hoge resolutie in combinatie met robotgepositioneerdheid.

Zichtvermogen

• industriële camera van 20 MP
• Extra grote, hoogwaardige lichtbron

De camera met hoge resolutie levert gedetailleerde beeldinformatie, terwijl het grote verlichtingssysteem is ontworpen om geschikte verlichting te bieden over het gehele inspectiegebied.

Robotische beeldvorming

AFANUC-robot wordt gebruikt voor geautomatiseerde camerapositiebepaling en beeldopname.

Met deze configuratie kan het systeem meerdere gebieden van complexe motoronderdelen inspecteren, zonder dat een aparte vaste camera nodig is voor elke inspectiepositie.

Besturings- en gegevensfuncties

Het systeem integreert:

• Codelezing
• Machinevisieinspectie
• Algoritmen op basis van diep leren
• Inspectietraceerbaarheid
• Gegevensanalyse
• Externe gegevenstoegang

Dit maakt het mogelijk om inspectieresultaten te koppelen aan afzonderlijke werkstukken en later te bekijken voor kwaliteitsanalyse.

5. Technische Specificaties

De volgende specificaties zijn gebaseerd op de openbaar beschikbare productinformatie voor het genoemde systeem.

Item	Specificatie
Toepassing	Commerciële voertuigen, personenauto’s, inclusief NEV’s
Werkstukken	Componenten voor aandrijflijnen op nieuwe energie; componenten voor aandrijflijnen op diesel en benzine
Inspectiebereik	Machinaal bewerkte oppervlakken en gietgebreken
Gietfouten	Zandgaten, porositeit, krimpschade, insluitsels
Machinaal bewerkte gebreken	Impactmarkeringen, krassen en gerelateerde oppervlakteschade
Gepubliceerde inspectiecyclustijd	4,5 minuten
Industriële camera	20 MP
Verlichting	Extra grote, hoogwaardige lichtbron
Robot	Fanuc
Controle	Siemens / Advantech industriële pc
Inspectietechnologie	Machinevisie + diep leren
Functies	Codelezing, inspectie, traceerbaarheid, gegevensanalyse en externe toegang

De een cyclus van 4,5 minuten is een gepubliceerde toepassingswaarde de werkelijke inspectietakt moet worden beoordeeld op basis van het aantal inspectiegebieden, de werkstukgeometrie, het robotpad, de vereisten voor beeldverwerking en de productiemodus.

6. Belangrijkste selectieoverwegingen

6.1 Bouw de voorbeelddatabase vóór de algoritmeontwikkeling

De prestaties van deep learning zijn sterk afhankelijk van de kwaliteit van de voorbeelden.

Het project moet representatieve voorbeelden verzamelen die het volgende omvatten:

• Normale producten
• Duidelijke NG-producten
• Verschillende soorten gebreken
• Verschillende afmetingen van gebreken
• Grens- of grensgevallen
• Verschillende oppervlaktoestanden

Grensgevallen zijn bijzonder belangrijk, omdat gebreken in de praktijk niet altijd zo duidelijk zijn als laboratoriumvoorbeelden.

6.2 Kwantitatieve gebrekscriteria definiëren

Termen zoals "kleine porositeit" of "klein zandgat" zijn moeilijk voor een visiesysteem te interpreteren zonder technische criteria.

De kwaliteitsspecificatie moet, indien van toepassing, definiëren:

• Minimale defectgrootte
• Maximaal toegestane afmeting van een gebrek
• Aantal gebreken
• Defectdichtheid
• Defectlocatie
• Aanvaardbare afstand tussen gebreken

Het algoritme kan vervolgens worden getraind en gevalideerd aan de hand van een duidelijk gedefinieerd inspectiedoel.

6.3 Houd rekening met de 4,5-minutencyclus bij productieplanning

De gepubliceerde cyclustijd is relatief matig vergeleken met high-speed inline visioninspectie.

Dit kan de configuratie geschikt maken voor:

• Volledige inspectie van kritieke onderdelen
• Partijinspectie
• Eindcontrole van kwaliteit
• Bemonsteringsinspectie

Indien de inspectie moet worden geïntegreerd in een snellere productielijn, kunnen de inspectiepunten eventueel over meerdere parallelle stations worden verdeeld.

De daadwerkelijke oplossing dient te worden bepaald via cyclustijdanalyse, in plaats van te veronderstellen dat één geautomatiseerde inspectiecel aan elk taktvereiste kan voldoen.

6.4 Plan toegang tot en bewaring van gegevens

Functies voor extern gegevensopvragen zijn nuttig voor kwaliteitstraceerbaarheid, maar het systeem moet worden ontworpen op basis van de werkelijke IT-omgeving van de fabriek.

De technische specificatie moet omschrijven:

• Bewaarperiode voor gegevens
• Opslagcapaciteit voor afbeeldingen
• Gebruikersrechten
• Methode voor externe toegang
• Noodstroomvereisten
• Koppeling tussen werkstuk en resultaat

7. Kan visuele inspectie gietgebreken detecteren?

Machinevisie kan gietgebreken detecteren die zichtbaar blootliggen op het geïnspecteerde oppervlak , inclusief geschikte voorbeelden van zandgaten, porositeit, krimpgerelateerde oppervlaktegebreken en insluitsels.

Er is echter een belangrijke beperking.

Een gebrek dat volledig binnenin de gietvorm verborgen is, met geen zichtbare oppervlakteaanwijzing, kan niet betrouwbaar worden gedetecteerd met uitsluitend oppervlaktebeeldvorming. .

Dergelijke interne gebreken vereisen mogelijk andere niet-destructieve testmethoden, afhankelijk van de toepassing, zoals:

• Röntgeninspectie
• Ultrasgeluidstest
• Magnetisch poederonderzoek
• Andere toepassingsspecifieke NDT-methoden

Visie-inspectie dient daarom te worden begrepen als een methode voor het inspecteren van zichtbare oppervlakte- en nabij-oppervlakteverschijnselen , en niet als vervanging voor elke vorm van gietinspectie.

8. Het behoud van de prestaties van een deep-learning-model

Een deep-learning-model wordt doorgaans niet onnauwkeurig alleen omdat het een tijdlang in gebruik is geweest.

De inspectieprestaties kunnen echter veranderen wanneer de productieomstandigheden wijzigen.

Voorbeelden zijn:

• Nieuw gietmateriaal of leverancier
• Nieuw bewerkingsproces
• Wijzigingen in de oppervlakteafwerking
• Wijzigingen in de verlichting
• Nieuwe productmodellen
• Nieuwe soorten gebreken
• Vervanging van de camera
• Wijzigingen in de fixture of robotpositie

Een robuust visionproject moet daarom een modelonderhoudsmechanisme omvatten dat het volgende bestrijkt:

1. Nieuwe defecte monsterverzameling
2. Beoordeling van productiemonsters
3. Modelvalidatie
4. Modelbijwerking
5. Versiebeheer
6. Hervalidatie na wijzigingen

Deze verantwoordelijkheden en procedures worden het beste vastgelegd in de technische overeenkomst vóór de acceptatie van de apparatuur.

9. Integratie van visie-inspectie met reiniging

Motorblokken en cilinderkoppen kunnen worden gereinigd vóór de definitieve inspectie.

Voor productielijnen waar zowel reiniging als visie-inspectie vereist is, kunnen beide processen worden geïntegreerd in een uitgebreidere kwaliteitscontroleworkflow.

Een typische volgorde kan zijn:

Bewerken → Reinigen → Drogen → Visuele inspectie → Traceerbaarheid → Assemblage

Deze aanpak kan de kans op nieuwe verontreiniging of schade door impact tijdens onnodige tussenhandelingen verminderen.

Daarnaast kan het het inspectieresultaat representatiever maken van de toestand van het onderdeel onmiddellijk vóór assemblage.

Big Bird Industrial beschikt over zowel industriële precisie-reinigingsapparatuur als machinevisie-inspectiemogelijkheden , waardoor gecombineerde reinigings- en inspectieoplossingen mogelijk zijn voor toepassingen waarbij beide processen vereist zijn.

10. Machinevisie-inspectiemogelijkheden van Big Bird Industrial

Harbin Big Bird Industrial Co., Ltd. (Big Bird Industrial), voormalig Harbin Shimada Big Bird Industrial Co., Ltd., levert geïntegreerde industriële reinigings- en machinevisie-oplossingen voor automotive powertrain- en precisieproductietoepassingen.

De machinevisionactiviteiten omvatten zes gespecialiseerde domeinen:

• Orient See — dimensionele en geometrische inspectie
• Surface See — oppervlaktegebrekinspectie
• Assembly See — assemblage-inspectie en poka-yoke
• Inner See — inspectie van interne gaten en binnenwanden
• Verfinspectie — inspectie van oppervlaktegebreken in de verflaag
• Algoritme en softwareplatform — algoritmen en software voor machinevisie

Voor motorblokken en cilinderkoppen, Surface See kan worden geconfigureerd voor zowel oppervlaktegebreken na bewerking als zichtbare gietgebreken.

Wanneer inspectie van binnengaten vereist is, Inner See kan de inspectievereisten met betrekking tot binnengaten en binnenwandoppervlakken worden aangepakt.

Dit maakt het mogelijk om het inspectiesysteem in te stellen op basis van het werkelijke soort gebrek, de inspectielocatie en het productieproces, in plaats van één beeldvormingsmethode toe te passen op elk gebied.

Veelgestelde vragen

Kan machinevisie handmatige inspectie vervangen voor zandgaten en porositeit?

Voor gebreken die zichtbaar blootliggen op het geïnspecteerde oppervlak, kan geautomatiseerde visie handmatige visuele inspectie vervangen of sterk verminderen.

Gebruikelijke oppervlaktebeeldvorming kan echter geen gebreken detecteren die volledig verborgen zitten in het gedeelte en geen indicatie aan het oppervlak vertonen. Voor dergelijke gebreken zijn geschikte niet-destructieve testmethoden vereist.

Wordt een deep-learningmodel onnauwkeurig nadat het een tijdlang actief is geweest?

Niet alleen vanwege de bedrijfstijd.

De prestaties kunnen veranderen wanneer het product, het proces, het materiaal, de belichting of de populatie van gebreken verandert. Voortdurende steekproefverzameling en modelvalidatie zijn daarom belangrijk voor stabiele productie op lange termijn.

Waarom is de gepubliceerde inspectiecyclus 4,5 minuut?

Het gerefereerde systeem voert meerdere beeldvormingsoperaties uit op complexe oppervlakken van motoronderdelen, met behulp van robotpositionering en beeldverwerking.

De gepubliceerde 4,5-minuten-cyclus is geschikt voor de gerefereerde toepassing. Indien een kortere productietakt vereist is, kunnen inspectiepunten worden verdeeld over parallelle stations of kunnen de beeldvormings- en robotbanen worden geoptimaliseerd.

Kan het vision-systeem worden gekoppeld aan een reinigingsmachine?

Ja.

Big Bird Industrial levert zowel precisie-industriële reinigingsapparatuur als machines voor visuele inspectie met beeldverwerking. Waar het productieproces dit vereist, kunnen reiniging en inspectie worden gekoppeld, zodat onderdelen direct van reiniging en droging overgaan naar geautomatiseerde visuele inspectie en traceerbaarheid.

Conclusie

Giet- en bewerkingsgebreken vormen twee verschillende kwaliteitscontrole-uitdagingen voor motorblokken en cilinderkoppen.

Zandgaten, porositeit, krimpschade en insluitingen ontstaan tijdens het gietproces, terwijl krassen en stootsporen tijdens bewerking, hantering of transport in de productie kunnen ontstaan. Hun visuele kenmerken kunnen sterk verschillen, waardoor een enkele, vaste drempelinspectiestrategie moeilijk betrouwbaar toe te passen is.

De genoemde oplossing combineert een 20 MP industriële camera, hoogwaardige verlichting, FANUC-robotpositionering en diep-lerende machinevisie om zowel de gespecificeerde bewerkte oppervlakken als zichtbare gietgebreken te inspecteren.

Voor productietoepassingen echter hangt de effectiviteit van inspectie op basis van deep learning af van meer dan alleen het algoritme zelf. Representatieve monsters, kwantitatieve acceptatiecriteria, stabiele beeldvormingsomstandigheden en een gedefinieerd modelonderhoudsproces zijn allemaal essentiële onderdelen van een betrouwbaar visueel inspectiesysteem.

Voor fabrikanten die reiniging, oppervlakte-inspectie en traceerbaarheid willen combineren, kan Big Bird Industrial deze processen integreren in een breder geautomatiseerd kwaliteitscontroleproces, met SHIMADA behouden als onderdeel van de historische merkidentiteit van het bedrijf.