Inspeksjon av motorblokk og sylinderhode for feil: Dyp-læring-basert bildeanalyse for støpefeil

Oversikt

Motorblokker og sylinderhoder kan utvikle feil i ulike faser av produksjonen. Støpefeil for eksempel sandhull, porøsitet, krympningsfeil og innslag oppstår under støping, mens bearbeidings- og håndteringsfeil for eksempel påvirkningsmerker og riper kan oppstå i senere produktionsprosesser.

Big Bird Industrials bildeinspeksjonsløsning kombinerer industrielle kameraer på 20 MP, lyssterke belysningsanordninger, robotstyrt bildeopptak og algoritmer basert på dyp læring for å inspisere både overflatefeil fra bearbeiding og synlige støpefeil på motorblokker og sylinderhoder.

Det refererte systemet har en offentliggjort inspeksjonsperiode på 4,5 minutter , med endelig konfigurasjon og takt som kan tilpasses etter arbeidsstykkets og inspeksjonskravene.

1. Støpefeil og bearbeidingsfeil er ulike inspeksjonsproblemer

Motorkaross og sylindertopper kan inneholde feil som stammer fra grunnleggende ulike produksjonsfaser.

Støpefeil

Typiske støperelaterte feil inkluderer:

• Sandhull
• Gassporøsitet
• Krympingsfeil
• INKLUDERINGER

Disse feilene dannes under metallfylling, stivning eller andre støpeprosesser. Når de er eksponert på overflaten, kan de vises som mørke flekker, hull, uregelmessige senkninger eller områder med annen overflatestruktur.

Bearbeidings- og håndteringsfeil

Etter støping gjennomgår motorkaross og sylindertopper bearbeiding, transport, spenning og andre produksjonsoperasjoner.

Typiske feil fra disse fasene inkluderer:

• Slagmerker
• Skraper
• Overflatebeskadigelse
• Lokale innsjunkninger

Disse feilene kan ha et vesentlig annet visuelt uttrykk enn støpefeil.

Dette forskjellsforholdet er viktig for maskinvision, fordi de to feilgruppene kanskje krever ulike avbildnings- og algoritmestrategier.

2. Hvorfor deteksjon av støpefeil er vanskelig

Støpeflater er naturligvis mer komplekse enn svært jevne bearbeidede flater.

En bearbeidet flate kan ha en relativt konstant struktur og reflektivitet, mens en støpeflate kan inneholde:

• Uregelrett struktur
• Naturlig flatevariasjon
• Endringer i ruhet
• Forskjellige lysrespons
• Visuelle egenskaper knyttet til materialet

Støpefeil som sandhull og porøsitet kan også variere betraktelig i form og størrelse.

Et enkelt, terskelbasert visjonssystem kan derfor ha problemer med å skille mellom en ekte feil og normal støpestruktur.

Av denne grunnen bruker det refererte systemet maskinvision basert på dyp læring .

I stedet for å bare stole på faste gråtoner- eller geometriske terskler kan en trent modell lære visuelle egenskaper fra representative OK- og NG-eksempler.

Dyp læring eliminerer imidlertid ikke behovet for passende bilddannelse. Belysning, optisk oppløsning, prøvekvalitet og definisjon av inspeksjonsområde forblir grunnleggende for systemets ytelse.

3. Inspeksjonsløsning: Dyp læring + høyoppløselig visjon

Den refererte utstyrsenheten integrerer inspeksjon av maskinerte feil og støpefeil i en felles inspeksjonsarbeidsflyt.

Feil på maskinerte overflater

Systemet kan inspisere angitte maskinerte områder for feil som:

• Slagmerker
• Skraper
• Overflatebeskadigelse

Støpefeil

Inspeksjonsområdet omfatter også:

• Sandhull
• Gassporøsitet
• Krympingsfeil
• INKLUDERINGER

Den faktiske oppdagbare feilstørrelsen og akseptkriteriene avhenger av arbeidsstykkets overflate, avbildningsforholdene og kundens definerte kvalitetsstandarder.

Dybblæringsinspeksjon

Systemet bruker algoritmer for dyp læring til å analysere fangete bilder.

Denne metoden er spesielt nyttig når feilformen er vanskelig å beskrive ved hjelp av enkle, faste regler.

For eksempel kan sandhull og porøsitet variere i:

• Form
• Størrelse
• Kantegenskaper
• Kontrast
• Overflate Tekstur
• Distribusjon

En modell for dyp læring kan trenes ved hjelp av representative prøver for å identifisere disse egenskapene.

4. Hardwarekonfigurasjon

Det refererte systemet bruker høyoppløselig avbildning sammen med robotbasert posisjonering.

Visjonssystem

• 20 MP industrilkamera
• Ekstra stor lyskilde med høy lysstyrke

Kameraet med høy oppløsning gir detaljert bildeinformasjon, mens det store belysningsystemet er utformet for å gi passende belysning over hele inspeksjonsområdet.

Robotisk bildekvalitet

AFANUC-robot brukes for automatisk kameraposisjonering og bildeinnsamling.

Denne konfigurasjonen gjør at systemet kan inspisere flere områder på komplekse motorkomponenter uten å kreve en separat fast kamera for hver inspeksjonsposisjon.

Styrings- og datafunksjoner

Systemet integrerer:

• Avlesning av koder
• Maskinbasert inspeksjon
• Algoritmer basert på dyp læring
• Sporbarhet ved inspeksjon
• Dataanalyse
• Fjern tilgang til data

Dette gjør at inspeksjonsresultater kan knyttes til enkelte arbeidsstykker og gjennomgås senere for kvalitetsanalyse.

5. Tekniske spesifikasjoner

Følgende spesifikasjoner er basert på offentlig tilgjengelig produktinformasjon for det nevnte systemet.

Vare	Spesifikasjon
Søknad	Kommersielle kjøretøy, personbiler, inkludert NEV-er
Arbeidsstykker	Drivverkskomponenter for nye energikilder; drivverkskomponenter for diesel- og bensindrevne kjøretøy
Inspektionsomfang	Feil på bearbeidede overflater og støpefeil
Støpefeil	Sandhull, porøsitet, krympningsfeil, innslag
Maskinerte feil	Slagmerker, riper og relatert overflatebeskadigelse
Publisert inspeksjonsperiode	4,5 minutter
Industriell kamera	20 MP
Belysning	Ekstra stor lyskilde med høy lysstyrke
Roboten	Fanuc
Kontroll	Siemens / Advantech industriell PC
Inspeksjonsteknologi	Maskinvision + dyp læring
Funksjoner	Kodelesing, inspeksjon, sporbarehet, dataanalyse og fjernaksess

Markedet 4,5-minutters syklus er en publisert applikasjonsverdi den faktiske inspeksjonstakten bør vurderes ut fra antallet inspeksjonsområder, arbeidsstykkets geometri, robotbanen, krav til bildebehandling og produksjonsmodus.

6. Viktige vurderinger ved valg

6.1 Opprett prøvedatabasen før algoritmeutvikling

Dybplæringens ytelse avhenger sterkt av prøvenes kvalitet.

Prosjektet bør samle representative prøver som dekker:

• Normalproduserte produkter
• Tydelige NG-produkter
• Forskjellige defekttyper
• Forskjellige defektstørrelser
• Grense- eller marginalprøver
• Forskjellige overflateforhold

Grenseprøver er spesielt viktige fordi defekter i virkelig produksjon ikke alltid er like tydelige som laboratorieeksempler.

6.2 Definer kvantitative defektkriterier

Uttrykk som «liten porøsitet» eller «mindre sandhull» er vanskelige for et visjonssystem å tolke uten ingeniørkriterier.

Kvalitetsspesifikasjonen bør definere, der det er relevant:

• Minste defektstørrelse
• Maksimal akseptabel defektstørrelse
• Antall feil
• Defekttetthet
• Feilplassering
• Akseptabel avstand mellom feil

Algoritmen kan deretter trenes og valideres mot et tydelig definert inspeksjonsmål.

6.3 Ta hensyn til 4,5-minutters syklus i produksjonsplanleggingen

Den publiserte sykeltiden er relativt moderat sammenlignet med høyhastighets inline-visjonsinspeksjon.

Dette kan gjøre konfigurasjonen egnet for:

• Full inspeksjon av kritiske komponenter
• Partiinspeksjon
• Kvalitetsinspeksjon ved linjeslutt
• Prøveinspeksjon

Hvis inspeksjonen må integreres i en raskere produksjonslinje, kan inspeksjonspunktene potensielt fordeles over flere parallelle stasjoner.

Den faktiske løsningen bør fastsettes gjennom sykeltidsanalyse i stedet for å anta at én robotisert inspeksjonscelle kan dekke alle taktkrav.

6.4 Plan for tilgang til data og lagringsvarighet

Fjernspørringsfunksjoner for data er nyttige for kvalitetssporbarhet, men systemet bør utformes med tanke på fabrikkens faktiske IT-miljø.

Teknisk spesifikasjon skal definere:

• Lagringsvarighet for data
• Lagringskapasitet for bilder
• Brukertillatelser
• Metode for fjerntilgang
• Krav til sikkerhetskopi
• Kobling mellom arbeidsstykke og resultat

7. Kan visuell inspeksjon oppdage støpefeil?

Maskinvision kan oppdage støpefeil som er synlige på den undersøkte overflaten , inkludert passende eksempler på sandhull, porøsitet, overflatefeil relatert til krymping og innslag.

Det finnes imidlertid en viktig begrensning.

En feil som er fullstendig begravd inne i støpet med ingen synlig overflateindikasjon kan ikke pålitelig oppdages ved bruk av kun overflateavbildning .

Slike interne feil kan kreve andre metoder for ikkje-destruktiv testing, avhengig av anvendelsen, for eksempel:

• Røntgeninspeksjon
• Ultralydtesting
• Magnetpulverinspeksjon
• Andre anvendelsesspesifikke NDT-metoder

Derfor bør visjonsinspeksjon forstås som en metode for å inspisere synlige overflate- og nær-overflate-manifestasjoner , og ikke som en erstatning for alle former for støpingsinspeksjon.

8. Vedlikeholde ytelsen til dyp-læringsmodeller

En modell basert på dyp læring blir vanligvis ikke unøyaktig bare fordi den har vært i drift i en periode.

Imidlertid kan inspeksjonsytelsen endres når produksjonsforholdene endres.

Eksempler inkluderer:

• Nytt støpe materiale eller leverandør
• Ny bearbeidingsprosess
• Endringer i overflatebehandling
• Endringer i belysning
• Nye produktmodeller
• Nye feiltyper
• Utchange av kamera
• Endringer i feste- eller robotposisjon

Et robustt visjonsprosjekt bør derfor inneholde en modellvedlikeholdsprosess som dekker:

1. Innsamling av nye feilprøver
2. Gjennomgang av produksjonsprøver
3. Modellvalidering
4. Modelloppdatering
5. Versjonskontroll
6. Ny validering etter endringer

Disse ansvarighetene og prosedyrene defineres best i den tekniske avtalen før utstyrets godkjenning.

9. Integrering av visjonsinspeksjon med rengjøring

Motorkarosserier og sylinderekroner kan rengjøres før endelig inspeksjon.

For produksjonslinjer som krever både rengjøring og visjonsinspeksjon, kan de to prosessene integreres i en bredere kvalitetskontrollarbeidsflyt.

En typisk sekvens kan være:

Maskinbearbeiding → Rensing → Tørking → Visuell inspeksjon → Sporbarhet → Montering

Denne fremgangsmåten kan redusere sannsynligheten for ny forurensning eller skade på grunn av påvirkning under unødvendig mellomhåndtering.

Den kan også gjøre inspeksjonsresultatet mer representativt for komponentens tilstand umiddelbart før montering.

Big Bird Industrial har både industriell presisjonsrenseutstyr og maskinvisioninspeksjonskapasitet , noe som gjør kombinerte rensings- og inspeksjonsløsninger mulige for applikasjoner der begge prosessene er nødvendige.

10. Maskinvisioninspeksjonskapasiteten til Big Bird Industrial

Harbin Big Bird Industrial Co., Ltd. (Big Bird Industrial), tidligere Harbin Shimada Big Bird Industrial Co., Ltd., leverer integrerte industrielle rensings- og maskinvisionløsninger for bilindustriens drivlinjer og presisjonsproduserende applikasjoner.

Virksomheten innen maskinvision dekker seks spesialiserte områder:

• Orient See — dimensjons- og geometrisk inspeksjon
• Surface See — inspeksjon av overflatefeil
• Assembly See — monteringsinspeksjon og poka-yoke
• Inner See — inspeksjon av indre hull og indre vegger
• Paint See — inspeksjon av malingsoverflatens feil
• Algoritme og programvareplattform — maskinvisionalgoritmer og programvare

For motorblokker og sylinderekroner, Surface See kan konfigureres for både feil på bearbeidede flater og synlige støpefeil.

Der inspeksjon av indre hull er nødvendig, Inner See kan den håndtere inspeksjonskrav som involverer indre hull og innvendige veggflater.

Dette gjør at inspeksjonssystemet kan konfigureres i henhold til faktisk feiltype, inspeksjonssted og produksjonsprosess, i stedet for å bruke én bilddanningsmetode for alle områder.

Ofte stilte spørsmål

Kan maskinvision erstatte manuell inspeksjon for sandhull og porøsitet?

For feil som er tydelig synlige på den undersøkte overflaten kan automatisk visuell inspeksjon erstatte eller kraftig redusere manuell visuell inspeksjon.

Feil som er fullstendig skjult inne i støpet og ikke gir noen overflateindikasjon kan imidlertid ikke oppdages ved hjelp av kun overflatebilledannelse. Slike feil krever passende metoder for ikkje-destruktiv testing.

Vil en modell basert på dyp læring bli unøyaktig etter å ha kjørt i en periode?

Ikke bare på grunn av driftstid.

Ytelsen kan endre seg når produktet, prosessen, materialet, belysningen eller feilpopulasjonen endrer seg. Kontinuerlig innsamling av prøver og validering av modellen er derfor viktig for langvarig produksjonsstabilitet.

Hvorfor er den publiserte inspeksjonsperioden 4,5 minutter?

Det refererte systemet utfører flere bildeoppfattingsoperasjoner på komplekse overflater til motorkomponenter ved hjelp av robotposisjonering og bildebehandling.

Den publiserte 4,5-minutters perioden er egnet for den refererte anvendelsen. Hvis en raskere produksjonstakt kreves, kan inspeksjonspunktene deles mellom parallelle stasjoner, eller bildeoppfattings- og robotbanene kan optimaliseres.

Kan synssystemet kobles til en rensemaskin?

Ja, det er det.

Big Bird Industrial leverer både presisjonsindustriell rengjøringsutstyr og maskinvision-inspeksjonssystemer. Der produksjonsprosessen krever det, kan rengjøring og inspeksjon kobles sammen slik at komponenter går direkte fra rengjøring og tørking til automatisk visuell inspeksjon og sporbarthet.

Konklusjon

Støpe- og maskinbearbeidingsfeil representerer to ulike kvalitetskontrollutfordringer for motorblokker og sylindriske hodet.

Sandhull, porøsitet, krympningsfeil og innslag stammer fra støping, mens skraper og støtmerker kan oppstå under maskinbearbeiding, håndtering eller overføring i produksjonen. Deres visuelle egenskaper kan variere betydelig, noe som gjør det utfordrende å anvende en enkelt, fast terskelbasert inspeksjonsstrategi pålitelig.

Den refererte løsningen kombinerer en 20 MP industriell kamera, høylysende belysning, FANUC-robotposisjonering og dyp-læring basert maskinvision for å inspisere både angitte maskinbearbeidede flater og synlige støpefeil.

For produksjonsapplikasjoner avhenger imidlertid effektiviteten av dyp-læringsinspeksjon av mer enn bare algoritmen selv. Representative prøver, kvantitative akseptkriterier, stabile avbildningsforhold og en definert modellvedlikeholdsprosess er alle avgjørende deler av et pålitelig visuelt inspeksjonssystem.

For produsenter som ønsker å kombinere rengjøring, overflateinspeksjon og sporbarehet, kan Big Bird Industrial integrere disse prosessene i en større automatisert kvalitetskontrollarbeidsflyt, med SHIMADA bevart som en del av selskapets historiske merkeidentitet.