EN
NOTÍCIAS
Inspeção de Defeitos em Blocos de Motor e Cabeçotes de Cilindro: Visão com Aprendizado Profundo para Defeitos de Fundição
Visão Geral
Blocos de motor e cabeçotes de cilindro podem desenvolver defeitos em diferentes etapas da fabricação. Defeitos de fundição por exemplo, furos de areia, porosidade, defeitos de retração e inclusões originam-se durante a fundição, enquanto defeitos de Usinagem e de Manuseio como marcas de impacto e arranhões podem ocorrer em processos produtivos subsequentes.
A solução de inspeção por visão da Big Bird Industrial combina câmeras industriais de 20 MP, iluminação de alta intensidade, imagens robóticas e algoritmos de aprendizado profundo para inspecionar tanto defeitos em superfícies usinadas quanto defeitos de fundição visíveis em blocos de motor e cabeçotes de cilindro.
O sistema referenciado possui um ciclo de inspeção publicado de 4,5 minutos , com a configuração final e o takt personalizáveis conforme os requisitos da peça e da inspeção.
1. Defeitos de Fundição e Defeitos de Usinagem São Problemas de Inspeção Distintos
Blocos-motor e cabeçotes de cilindro podem conter defeitos originados de etapas de fabricação fundamentalmente diferentes.
Defeitos de fundição
Defeitos típicos relacionados à fundição incluem:
- Furos de areia
- Porosidade por Gás
- Defeitos de encolhimento
- INCLUSÕES
Esses defeitos formam-se durante o enchimento metálico, a solidificação ou outros processos de fundição. Quando expostos na superfície, podem aparecer como manchas escuras, cavidades, depressões irregulares ou áreas com textura superficial distinta.
Defeitos de Usinagem e de Manuseio
Após a fundição, blocos-motor e cabeçotes de cilindro passam por usinagem, transporte, fixação e outras operações produtivas.
Defeitos típicos dessas etapas incluem:
- Marcas de impacto
- Riscos
- Danos na superfície
- Amassamentos locais
Esses defeitos podem apresentar aparência visual substancialmente distinta dos defeitos de fundição.
Essa diferença é importante para a visão computacional, pois os dois grupos de defeitos podem exigir estratégias distintas de captura de imagens e de algoritmos.
2. Por que a detecção de defeitos em fundição é difícil
As superfícies de fundição são naturalmente mais complexas do que as superfícies usinadas altamente uniformes.
Uma superfície usinada pode apresentar textura e refletividade relativamente consistentes, enquanto uma superfície de fundição pode conter:
- Textura irregular
- Variação natural da superfície
- Mudanças na rugosidade
- Respostas distintas à iluminação
- Características visuais relacionadas ao material
Defeitos de fundição, como furos de areia e porosidade, também podem variar consideravelmente em forma e tamanho.
Um sistema de visão baseado em limiar simples pode, portanto, ter dificuldade para distinguir um defeito real da textura normal de fundição.
Por essa razão, o sistema referido utiliza visão computacional baseada em aprendizado profundo .
Em vez de depender apenas de limiares fixos de escala de cinza ou geométricos, um modelo treinado pode aprender características visuais a partir de amostras representativas OK e NG.
No entanto, o aprendizado profundo não elimina a necessidade de imagens adequadas. Iluminação, resolução óptica, qualidade da amostra e definição da região de inspeção continuam sendo fundamentais para o desempenho do sistema.
3. Solução de Inspeção: Aprendizado Profundo + Visão de Alta Resolução
O equipamento referido integra a inspeção de defeitos de usinagem e de defeitos de fundição em um fluxo de trabalho comum de inspeção.
Defeitos em Superfícies Usinadas
O sistema pode inspecionar áreas usinadas especificadas quanto a defeitos tais como:
- Marcas de impacto
- Riscos
- Danos na superfície
Defeitos de fundição
O escopo da inspeção também inclui:
- Furos de areia
- Porosidade por Gás
- Defeitos de encolhimento
- INCLUSÕES
O tamanho real dos defeitos detectáveis e os critérios de aceitação dependem da superfície da peça, das condições de formação de imagem e dos padrões de qualidade definidos pelo cliente.
Inspeção com Aprendizado Profundo
O sistema utiliza algoritmos de aprendizado profundo para analisar as imagens capturadas.
Essa abordagem é particularmente útil quando a morfologia do defeito é difícil de descrever usando regras fixas simples.
Por exemplo, furos de areia e porosidade podem diferir em:
- Forma
- Tamanho
- Características da borda
- Contraste
- Textura da superfície
- Distribuição
Um modelo de aprendizado profundo pode ser treinado utilizando amostras representativas para identificar essas características.
4. Configuração de Hardware
O sistema referido utiliza imagens de alta resolução juntamente com posicionamento robótico.
Sistema de visão
- câmera industrial de 20 MP
- Fonte de luz extra-grande e de alta luminosidade
A câmera de alta resolução fornece informações detalhadas sobre a imagem, enquanto o grande sistema de iluminação é projetado para fornecer iluminação adequada em toda a área de inspeção.
Imagem robótica
ARobô FANUC é utilizado para posicionamento automático da câmera e aquisição de imagens.
Essa configuração permite que o sistema inspecione múltiplas áreas de componentes complexos de motores sem exigir uma câmera fixa separada para cada posição de inspeção.
Funções de controle e de dados
O sistema integra:
- Leitura de códigos
- Inspeção de Visão Computacional
- Algoritmos de aprendizado profundo
- Rastreabilidade das inspeções
- Análise de dados
- Acesso remoto a dados
Isso permite associar os resultados da inspeção a peças individuais e revisá-los posteriormente para análise de qualidade.
5. Especificações Técnicas
As seguintes especificações baseiam-se nas informações públicas disponíveis sobre o produto do sistema referido.
| Item | Especificação |
|---|---|
| Aplicação | Veículos comerciais, veículos de passageiros, incluindo VEAs |
| Peças trabalhadas | Componentes de trens de força de nova energia; componentes de trens de força a diesel e a gasolina |
| Âmbito de inspeção | Defeitos em superfícies usinadas e em fundições |
| Defeitos de fundição | Furos de areia, porosidade, defeitos de retração, inclusões |
| Defeitos usinados | Marcas de impacto, arranhões e danos superficiais relacionados |
| Ciclo de inspeção publicado | 4,5 minutos |
| Câmara industrial | 20 MP |
| Iluminação | Fonte de luz extra-grande e de alta luminosidade |
| Robô | Fanuc |
| Controlar | Computador industrial Siemens / Advantech |
| Tecnologia de inspeção | Visão computacional + aprendizado profundo |
| Funções | Leitura de códigos, inspeção, rastreabilidade, análise de dados e acesso remoto |
Ociclo de 4,5 minutos é um valor de aplicação publicado o tempo real de inspeção deve ser avaliado conforme o número de regiões de inspeção, a geometria da peça, o percurso do robô, os requisitos de processamento de imagem e o modo de produção.
6. Considerações-chave para seleção
6.1 Construir o Banco de Amostras Antes do Desenvolvimento do Algoritmo
O desempenho do aprendizado profundo depende fortemente da qualidade das amostras.
O projeto deve coletar amostras representativas que cubram:
- Produtos normais
- Produtos claramente NG
- Tipos diferentes de defeitos
- Tamanhos diferentes de defeitos
- Amostras de fronteira ou limítrofes
- Condições diferentes da superfície
Amostras de fronteira são particularmente importantes porque os defeitos na produção real nem sempre são tão evidentes quanto os exemplos de laboratório.
6.2 Definir critérios quantitativos para defeitos
Termos como "porosidade pequena" ou "furo de areia menor" são difíceis de interpretar por um sistema de visão sem critérios de engenharia.
A especificação de qualidade deve definir, quando aplicável:
- Tamanho Mínimo do Defeito
- Tamanho máximo aceitável do defeito
- Número de defeitos
- Densidade de Defeitos
- Localização do Defeito
- Distância aceitável entre defeitos
O algoritmo pode então ser treinado e validado contra um alvo de inspeção claramente definido.
6.3 Considere o ciclo de 4,5 minutos no planejamento da produção
O tempo de ciclo publicado é relativamente moderado em comparação com a inspeção visual em linha de alta velocidade.
Isso pode tornar a configuração adequada para:
- Inspeção completa de componentes críticos
- Inspeção por lote
- Inspeção de qualidade no final da linha
- Inspecção de amostragem
Se a inspeção precisar ser integrada a uma linha de produção mais rápida, os pontos de inspeção podem potencialmente ser distribuídos entre várias estações paralelas.
A solução real deve ser determinada por meio de análise do tempo de ciclo, em vez de presumir que uma única célula de inspeção robotizada possa atender a todos os requisitos de takt.
6.4 Planeje o acesso e a retenção de dados
As funções de consulta remota de dados são úteis para a rastreabilidade da qualidade, mas o sistema deve ser projetado com base no ambiente de TI real da fábrica.
A especificação técnica deve definir:
- Período de retenção de dados
- Capacidade de armazenamento de imagens
- Permissões de Usuário
- Método de acesso remoto
- Requisitos de reserva
- Associação entre peça e resultado
7. A inspeção por visão pode detectar defeitos de fundição?
A visão computacional pode detectar defeitos de fundição que estejam visualmente expostos na superfície inspecionada , incluindo exemplos adequados de furos de areia, porosidade, defeitos superficiais relacionados à contração e inclusões.
No entanto, há uma limitação importante.
Um defeito completamente embutido no interior da peça fundida com nenhuma indicação visível na superfície não pode ser detectado de forma confiável apenas por meio de imagens de superfície. .
Tais defeitos internos podem exigir outros métodos de ensaio não destrutivo, conforme a aplicação, tais como:
- Inspeção por Raios X
- Teste Ultrassônico
- Inspeção por partículas magnéticas
- Outros métodos de END específicos à aplicação
Portanto, a inspeção visual deve ser compreendida como um método para inspecionar manifestações visíveis na superfície e próximas da superfície , e não como um substituto para todas as formas de inspeção de peças fundidas.
8. Manutenção do desempenho do modelo de aprendizado profundo
Um modelo de aprendizado profundo normalmente não se torna impreciso simplesmente por ter estado em operação por um determinado período de tempo.
No entanto, o desempenho da inspeção pode variar quando as condições de produção mudam.
Exemplos incluem:
- Novo material de fundição ou fornecedor
- Novo processo de usinagem
- Alterações no acabamento superficial
- Alterações na iluminação
- Novos modelos de produto
- Novos tipos de defeito
- Substituição da câmera
- Alterações na fixação ou na posição do robô
Um projeto robusto de visão computacional deve, portanto, incluir um mecanismo de manutenção do modelo que abranja:
- Nova coleta de amostras com defeitos
- Revisão de amostras de produção
- Validação do modelo
- Atualização do modelo
- Controle de Versão
- Revalidação após alterações
Essas responsabilidades e procedimentos são melhor definidos no acordo técnico antes da aceitação do equipamento.
9. Integração da inspeção por visão com a limpeza
Blocos de motor e cabeçotes de cilindro podem ser submetidos à limpeza antes da inspeção final.
Para linhas de produção que exigem tanto limpeza quanto inspeção por visão, os dois processos podem ser integrados em um fluxo de trabalho mais amplo de controle de qualidade.
Uma sequência típica pode ser:
Usinagem → Limpeza → Secagem → Inspeção por Visão → Rastreabilidade → Montagem
Essa abordagem pode reduzir a possibilidade de nova contaminação ou danos por impacto ocorridos durante manuseios intermediários desnecessários.
Também pode tornar o resultado da inspeção mais representativo do estado do componente imediatamente antes da montagem.
A Big Bird Industrial possui tanto equipamentos industriais de limpeza de precisão quanto capacidades de inspeção por visão computacional , possibilitando soluções combinadas de limpeza e inspeção para aplicações que exigem ambos os processos.
10. Capacidades de Inspeção por Visão Computacional da Big Bird Industrial
Harbin Big Bird Industrial Co., Ltd. (Big Bird Industrial), anteriormente Harbin Shimada Big Bird Industrial Co., Ltd., oferece soluções integradas de limpeza industrial e visão computacional para aplicações automotivas de trens de potência e fabricação de precisão.
Seu negócio de visão computacional abrange seis áreas especializadas:
- Orient See — inspeção dimensional e geométrica
- Surface See — inspeção de defeitos superficiais
- Assembly See — inspeção de montagem e poka-yoke
- Inner See — inspeção de furos internos e paredes internas
- Verificação de Pintura — inspeção de defeitos na superfície pintada
- Algoritmo e Plataforma de Software — algoritmos e software de visão computacional
Para blocos de motor e cabeçotes de cilindro, Surface See pode ser configurado tanto para defeitos em superfícies usinadas quanto para defeitos de fundição visíveis.
Quando é necessário inspecionar furos internos, Inner See pode atender aos requisitos de inspeção envolvendo furos internos e superfícies internas das paredes.
Isso permite configurar o sistema de inspeção conforme o tipo real de defeito, a localização da inspeção e o processo produtivo, em vez de aplicar um único método de imagem a todas as áreas.
Perguntas Frequentes
A visão computacional pode substituir a inspeção manual para furos de areia e porosidade?
Para defeitos claramente expostos na superfície inspecionada, a visão automatizada pode substituir ou reduzir significativamente a inspeção visual manual.
No entanto, defeitos totalmente ocultos no interior da peça fundida e sem qualquer indicação na superfície não podem ser detectados apenas por imagens de superfície. Tais defeitos exigem métodos adequados de ensaio não destrutivo.
Um modelo de aprendizado profundo torna-se impreciso após operar por um determinado período?
Não simplesmente por causa do tempo de operação.
O desempenho pode mudar quando o produto, o processo, o material, a iluminação ou a população de defeitos muda. A coleta contínua de amostras e a validação do modelo são, portanto, importantes para a estabilidade da produção a longo prazo.
Por que o ciclo de inspeção publicado é de 4,5 minutos?
O sistema referido executa múltiplas operações de captura de imagens em superfícies complexas de componentes de motores, utilizando posicionamento robótico e processamento de imagens.
O publicado ciclo de 4,5 minutos é adequado para a aplicação referida. Se for necessário um takt de produção mais rápido, os pontos de inspeção podem ser divididos entre estações paralelas ou os caminhos de captura de imagens e robóticos podem ser otimizados.
O sistema de visão pode ser conectado a uma máquina de limpeza?
Sim.
A Big Bird Industrial fornece tanto equipamentos industriais de limpeza de precisão quanto sistemas de inspeção por visão computacional. Quando o processo produtivo exigir, a limpeza e a inspeção podem ser integradas, de modo que os componentes passem diretamente da limpeza e secagem para a inspeção visual automatizada e rastreabilidade.
Conclusão
Defeitos de fundição e usinagem representam dois desafios distintos de controle de qualidade para blocos de motor e cabeçotes de cilindro.
Furos de areia, porosidade, defeitos de retração e inclusões originam-se da fundição, enquanto riscos e marcas de impacto podem ser introduzidos durante a usinagem, manuseio ou transferência na produção. Suas características visuais podem diferir substancialmente, tornando difícil aplicar com confiabilidade uma única estratégia de inspeção com limiar fixo.
A solução referenciada combina uma câmera industrial de 20 MP, iluminação de alta intensidade, posicionamento robótico FANUC e visão computacional baseada em aprendizado profundo para inspecionar tanto as superfícies usinadas especificadas quanto os defeitos de fundição visíveis.
No entanto, para aplicações de produção, a eficácia da inspeção baseada em aprendizado profundo depende de mais do que apenas o próprio algoritmo. Amostras representativas, critérios quantitativos de aceitação, condições estáveis de imagem e um processo definido de manutenção do modelo são todos elementos essenciais de um sistema confiável de inspeção visual.
Para fabricantes que desejam integrar limpeza, inspeção de superfície e rastreabilidade, a Big Bird Industrial pode incorporar esses processos a um fluxo de trabalho mais amplo de controle de qualidade automatizado, com SHIMADA mantida como parte da identidade histórica da marca da empresa.
