Inspeția defectelor blocului motor și a chiulasei: Viziune cu învățare profundă pentru defectele de turnare

Prezentare generală

Blocurile motor și chiulaselor pot dezvolta defecte în diferite etape ale procesului de fabricație. Defecte de turnare de exemplu, găurile de nisip, porozitatea, defectele de contracție și incluziunile apar în timpul turnării, în timp ce defecte de prelucrare și manipulare de exemplu, urmele de impact și zgârieturile pot apărea în procesele ulterioare de producție.

Soluția de inspecție vizuală a Big Bird Industrial combină camere industriale de 20 MP, iluminare de înaltă intensitate, imagistică robotică și algoritmi cu învățare profundă pentru a inspecta atât defectele de suprafață prelucrate, cât și defectele vizibile de turnare de pe blocurile motor și chiulaselor.

Sistemul menționat are un ciclu de inspecție publicat de 4,5 minute , cu configurația finală și tactul personalizabile în funcție de piesa de lucru și de cerințele de inspecție.

defectele de turnare și defectele de prelucrare sunt probleme de inspecție diferite

Blocurile motor și capetele de cilindru pot conține defecte provenite din etape de fabricație fundamental diferite.

Defecte de turnare

Defectele tipice legate de turnare includ:

• Găuri de nisip
• Porozitate cauzată de gaze
• Defecte de contracție
• INCLUDERI

Aceste defecte se formează în timpul umplerii cu metal, solidificării sau altor procese de turnare. Când sunt expuse la suprafață, pot apărea ca pete întunecate, gropițe, depresiuni neregulate sau zone cu o textură de suprafață diferită.

Defecte de prelucrare și manipulare

După turnare, blocurile motor și capetele de cilindru sunt supuse unor operații de prelucrare, transport, fixare și alte operații de producție.

Defectele tipice ale acestor etape includ:

• Urmări de impact
• Șurseale
• Deteriorare a suprafeței
• Deteriorări locale

Aceste defecte pot avea o aparență vizuală semnificativ diferită față de defectele de turnare.

Această diferență este importantă pentru viziunea artificială, deoarece cele două grupuri de defecte pot necesita strategii diferite privind imagistică și algoritmi.

2. De ce detectarea defectelor la turnare este dificilă

Suprafețele turnate sunt, în mod natural, mai complexe decât suprafețele prelucrate, care sunt foarte uniforme.

O suprafață prelucrată poate avea o textură și o reflectivitate relativ constante, în timp ce o suprafață turnată poate conține:

• Textură neregulată
• Variație naturală a suprafeței
• Modificări ale asperității
• Răspunsuri diferite la iluminare
• Caracteristici vizuale legate de material

Defectele la turnare, cum ar fi găurile de nisip și porozitatea, pot varia, de asemenea, considerabil ca formă și dimensiune.

Un sistem de viziune bazat pe praguri simple ar putea, prin urmare, întâmpina dificultăți în a distinge un defect real de textura normală a turnării.

Din acest motiv, sistemul menționat folosește viziune artificială bazată pe învățare profundă .

În loc să se bazeze doar pe praguri fixe de nuanțe de gri sau pe praguri geometrice, un model antrenat poate învăța caracteristicile vizuale din eșantioane reprezentative OK și NG.

Totuși, învățarea profundă nu elimină nevoia de imagistică adecvată. Iluminarea, rezoluția optică, calitatea eșantioanelor și definirea zonei de inspecție rămân fundamentale pentru performanța sistemului.

3. Soluția de inspecție: învățare profundă + viziune de înaltă rezoluție

Echipamentul menționat integrează inspecția defectelor de prelucrare și a defectelor de turnare într-un flux comun de inspecție.

Defecte ale suprafețelor prelucrate

Sistemul poate inspecta zonele specificate prelucrate pentru defecte precum:

• Urmări de impact
• Șurseale
• Deteriorare a suprafeței

Defecte de turnare

Domeniul de inspecție include, de asemenea:

• Găuri de nisip
• Porozitate cauzată de gaze
• Defecte de contracție
• INCLUDERI

Dimensiunea reală a defectelor detectabile și criteriile de acceptare depind de suprafața piesei, de condițiile de imagistică și de standardele de calitate definite de client.

Inspecție bazată pe învățarea profundă

Sistemul folosește algoritmi de învățare profundă pentru a analiza imaginile capturate.

Această abordare este deosebit de utilă atunci când morfologia defectelor este dificil de descris folosind reguli fixe simple.

De exemplu, găurile de nisip și porozitatea pot diferi în funcție de:

• Formă
• Dimensiune
• Caracteristici ale marginilor
• Contrast
• Textura suprafeței
• Distributie

Un model de învățare profundă poate fi antrenat folosind eșantioane reprezentative pentru a identifica aceste caracteristici.

4. Configurație hardware

Sistemul referit folosește imagistică de înaltă rezoluție împreună cu poziționare robotică.

Sistem de Imagistica

• cameră industrială de 20 MP
• Sursă de lumină extra-mare cu strălucire ridicată

Camera de înaltă rezoluție oferă informații detaliate despre imagine, iar sistemul extins de iluminare este conceput pentru a asigura o iluminare adecvată pe întreaga zonă de inspecție.

Imagistică robotică

ARobot FANUC este utilizat pentru poziționarea automată a camerei și pentru achiziția imaginilor.

Această configurație permite sistemului să inspecteze mai multe zone ale componentelor complexe ale motorului, fără a necesita o cameră fixă separată pentru fiecare poziție de inspecție.

Funcții de control și de date

Sistemul integrează:

• Citirea codurilor
• Inspeție prin viziune artificială
• Algoritmi de învățare profundă
• Trasabilitatea inspecțiilor
• Analiză de date
• Acces la date la distanță

Aceasta permite asocierea rezultatelor inspecției cu piesele individuale și revizuirea ulterioară a acestora în scopul analizei calității.

5. Specificații tehnice

Următoarele specificații se bazează pe informațiile publice disponibile despre sistemul menționat.

Articol	Specificație
Aplicație	Vehicule comerciale, vehicule pentru pasageri, inclusiv vehicule electrice (NEV)
Piese de prelucrat	Componente ale transmisiilor cu energie nouă; componente ale transmisiilor diesel și benzină
Domeniu de inspectie	Defecte ale suprafețelor prelucrate și ale turnărilor
Defecte de turnare	Găuri de nisip, porozitate, defecte de contracție, incluziuni
Defecte ale suprafețelor prelucrate	Urmări de impact, zgârieturi și alte deteriorări ale suprafeței
Ciclul de inspecție publicat	4,5 minute
Camera industrială	20 MP
Lumină	Sursă de lumină extra-mare cu strălucire ridicată
Robot	FANUC
Control	Calculator industrial Siemens / Advantech
Tehnologie de inspecție	Viziune artificială + învățare profundă
Funcții	Citirea codurilor, inspecția, urmărirea, analiza datelor și accesul la distanță

Piața ciclul de 4,5 minute este o valoare aplicabilă publicată takt-ul real de inspecție trebuie evaluat în funcție de numărul de zone de inspecție, geometria piesei, traiectoria robotului, cerințele de procesare a imaginii și modul de producție.

6. Considerații cheie privind selecția

6.1 Construirea bazei de date cu eșantioane înainte de dezvoltarea algoritmului

Performanța învățării profunde depinde în mare măsură de calitatea eșantioanelor.

Proiectul trebuie să colecteze eșantioane reprezentative care acoperă:

• Produse normale
• Produse defecte evidente
• Tipuri diferite de defecte
• Dimensiuni diferite ale defectelor
• Probe de la limită sau aproape de limită
• Condiții de suprafață diferite

Probele de la limită sunt deosebit de importante, deoarece defectele din producția reală nu sunt întotdeauna la fel de evidente ca exemplele de laborator.

6.2 Definirea criteriilor cantitative pentru defecte

Termeni precum „porozitate mică” sau „gaură mică de nisip” sunt dificil de interpretat de un sistem de viziune fără criterii inginerești.

Specificația de calitate ar trebui să definească, acolo unde este cazul:

• Dimensiunea minimă a defectului
• Dimensiunea maximă acceptabilă a defectului
• Numărul de defecțiuni
• Densitatea defecțiunilor
• Localizarea defectelor
• Distanța acceptabilă între defecțiuni

Algoritmul poate fi apoi antrenat și validat în raport cu o țintă de inspecție clar definită.

6.3 Luați în considerare ciclul de 4,5 minute în planificarea producției

Timpul de ciclu publicat este relativ moderat comparativ cu inspecția vizuală inline de înaltă viteză.

Aceasta poate face ca configurația să fie potrivită pentru:

• Inspeția completă a componentelor critice
• Inspeția loturilor
• Inspeția calității la finalul liniei
• Inspeție prin eșantionare

Dacă inspecția trebuie integrată într-o linie de producție mai rapidă, punctele de inspecție pot fi distribuite potențial pe mai multe stații paralele.

Soluția reală trebuie determinată prin analiza timpului de ciclu, nu prin presupunerea că o singură celulă de inspecție robotizată poate acoperi toate cerințele de takt.

6.4 Planul de acces la date și de păstrare a acestora

Funcțiile de interogare a datelor la distanță sunt utile pentru trasabilitatea calității, dar sistemul trebuie proiectat în funcție de mediul IT real al fabricii.

Specificația tehnică trebuie să definească:

• Perioada de păstrare a datelor
• Capacitatea de stocare a imaginilor
• Permisiuni utilizator
• Metoda de acces la distanță
• Cerințele privind copiile de siguranță
• Asocierea piesei de prelucrat cu rezultatul obținut

7. Poate inspecția vizuală să detecteze defecțiunile turnării?

Viziunea artificială poate detecta defecțiunile turnării care sunt vizibil expuse pe suprafața inspectată , inclusiv exemple adecvate de găuri de nisip, porozitate, defecte de suprafață legate de contracție și incluziuni.

Totuși, există o limitare importantă.

Un defect complet îngropat în interiorul turnării cu nicio indicație vizibilă pe suprafață nu poate fi detectat în mod fiabil doar prin imagistică de suprafață .

Astfel de defecte interne pot necesita alte metode de încercări ne-distructive, în funcție de aplicație, cum ar fi:

• Inspecție cu raze X
• Testare Ultrasonică
• Inspecția cu particule magnetice
• Alte metode NDT specifice aplicației

Prin urmare, inspecția vizuală trebuie înțeleasă ca o metodă de inspectare a manifestărilor vizibile de pe suprafață și aproape de suprafață , și nu ca un înlocuitor pentru orice formă de inspecție a turnărilor.

8. Menținerea performanței modelului de învățare profundă

Un model de învățare profundă nu devine, în mod normal, inexact doar pentru că a funcționat o perioadă de timp.

Totuși, performanța inspecției se poate modifica atunci când condițiile de producție se schimbă.

Exemple includ:

• Material nou de turnare sau furnizor nou
• Proces nou de prelucrare mecanică
• Modificări ale finisajului suprafeței
• Modificări ale iluminării
• Modele noi de produse
• Tipuri noi de defecțiuni
• Înlocuirea camerei
• Modificări ale poziției dispozitivului sau ale robotului

Un proiect de viziune robust ar trebui, așadar, să includă un mecanism de întreținere a modelului care acoperă:

1. Colectarea de noi eșantioane de defecțiuni
2. Revizuirea eșantioanelor din producție
3. Validarea modelului
4. Actualizarea modelului
5. Control versiune
6. Revalidarea după modificări

Aceste responsabilități și proceduri sunt mai bine definite în acordul tehnic înainte de acceptarea echipamentului.

9. Integrarea inspecției prin viziune cu curățarea

Blocurile motor și capetele de cilindru pot fi supuse curățării înainte de inspecția finală.

Pentru liniile de producție care necesită atât curățare, cât și inspecție prin viziune, cele două procese pot fi integrate într-un flux de lucru mai amplu de control al calității.

O secvență tipică poate fi:

Prelucrare → Curățare → Usucare → Inspectare vizuală → Urmăribilitate → Asamblare

Această abordare poate reduce posibilitatea apariției unei noi contaminări sau a deteriorărilor cauzate de impact în timpul manipulărilor intermediare neesențiale.

De asemenea, poate face rezultatul inspecției mai reprezentativ pentru starea componentei imediat înainte de asamblare.

Big Bird Industrial dispune atât de echipamente industriale de curățare de precizie, cât și de capacități de inspectare prin viziune artificială , permițând soluții combinate de curățare și inspecție pentru aplicații care necesită ambele procese.

10. Capacitățile Big Bird Industrial de inspecție prin viziune artificială

Harbin Big Bird Industrial Co., Ltd. (Big Bird Industrial), anterior Harbin Shimada Big Bird Industrial Co., Ltd., oferă soluții integrate industriale de curățare și viziune artificială pentru aplicații din domeniul transmisiilor auto și al fabricației de precizie.

Activitatea sa de viziune artificială acoperă șase domenii specializate:

• Orient See — inspecție dimensională și geometrică
• Surface See — inspecție a defectelor de suprafață
• Assembly See — inspecție la montaj și poka-yoke
• Inner See — inspecție a găurilor interioare și a pereților interiori
• Paint See — inspecție a defectelor de suprafață a vopselei
• Algoritm și platformă software — algoritmi și software de viziune artificială

Pentru blocurile motor și chiulasele, Surface See poate fi configurat atât pentru defecțiuni ale suprafețelor prelucrate, cât și pentru defecțiuni vizibile ale turnărilor.

Unde este necesară inspecția orificiilor interioare, Inner See poate satisface cerințele de inspecție care implică orificii interioare și suprafețe ale pereților interiori.

Aceasta permite configurarea sistemului de inspecție în funcție de tipul real de defect, locația inspecției și procesul de producție, în loc să se aplice o singură metodă de imagistică pentru fiecare zonă.

Întrebări frecvente

Poate viziunea artificială înlocui inspecția manuală pentru găurile de nisip și porozitate?

Pentru defecțiunile vizibil expuse pe suprafața inspectată, viziunea automatizată poate înlocui sau reduce semnificativ inspecția vizuală manuală.

Totuși, defecțiunile complet ascunse în interiorul turnării și fără nicio indicație la suprafață nu pot fi detectate doar prin imagistică de suprafață. Astfel de defecțiuni necesită metode adecvate de încercări ne-distructive.

Va deveni un model de învățare profundă inexact după o perioadă de funcționare?

Nu doar din cauza duratei de funcționare.

Performanța poate varia atunci când se modifică produsul, procesul, materialul, iluminarea sau populația de defecțiuni. Colectarea continuă de eșantioane și validarea modelului sunt, așadar, esențiale pentru stabilitatea pe termen lung a producției.

De ce este ciclul de inspecție publicat de 4,5 minute?

Sistemul de referință efectuează mai multe operații de capturare a imaginilor pe suprafețele complexe ale componentelor motorului, folosind poziționarea robotică și prelucrarea imaginilor.

Ciclul publicat de 4,5 minute este potrivit pentru aplicația de referință. Dacă este necesar un tact de producție mai rapid, punctele de inspecție pot fi împărțite între stații paralele sau pot fi optimizate operațiile de capturare a imaginilor și traiectoriile robotului.

Poate fi sistemul de viziune conectat la o mașină de curățare?

Da.

Big Bird Industrial oferă atât echipamente industriale de curățare de precizie, cât și sisteme de inspecție cu viziune artificială. Atunci când procesul de producție o cere, curățarea și inspecția pot fi integrate, astfel încât componentele să treacă direct de la curățare și uscare la inspecția vizuală automatizată și la urmărirea lor.

Concluzie

Defectele de turnare și cele de prelucrare reprezintă două provocări distincte privind controlul calității pentru blocurile motorului și chiulase.

Găurile de nisip, porozitatea, defectele de contracție și incluziunile provine din turnare, în timp ce scrâșnetele și urmele de impact pot apărea în timpul prelucrării, manipulării sau transferului în producție. Caracteristicile lor vizuale pot diferi semnificativ, ceea ce face dificilă aplicarea fiabilă a unei singure strategii de inspecție bazate pe o prag fix.

Soluția menționată combină o cameră industrială de 20 MP, iluminare de înaltă intensitate, poziționare robotică FANUC și viziune artificială bazată pe învățare profundă pentru a inspecta atât suprafețele prelucrate specificate, cât și defectele vizibile de turnare.

Totuși, pentru aplicațiile de producție, eficacitatea inspecției bazate pe învățarea profundă depinde de mai mult decât de algoritmul în sine. Eșantioane reprezentative, criterii cantitative de acceptare, condiții stabile de imagistică și un proces definit de întreținere a modelului sunt toate părți esențiale ale unui sistem fiabil de inspecție vizuală.

Pentru producătorii care doresc să combine curățarea, inspecția suprafeței și trasabilitatea, Big Bird Industrial poate integra aceste procese într-un flux de lucru mai larg de control automatizat al calității, cu SHIMADA păstrată ca parte a identității istorice de marcă a companiei.