Preverjanje napak na motorju in cilindrični glavi: vizualna tehnologija z globokim učenjem za odkrivanje litih napak

Pregled

Motorji in cilindrične glave lahko razvijejo napake v različnih fazah proizvodnje. Litvene napake na primer peskovne luknje, poroznost, skrčitvene napake in vključki nastanejo med litjem, medtem ko obdelovalne in ročne napake na primer udarni sledovi in praske nastanejo med nadaljnjimi proizvodnimi procesi.

Vizualno preverjanje Big Bird Industrial združuje industrijske kamere z ločljivostjo 20 MP, svetlobo visoke jakosti, robotizirano zajemanje slik in algoritme z globokim učenjem za preverjanje napak na obdelanih površinah ter vidnih litih napak na motorjih in cilindričnih glavah.

Navedeni sistem ima objavljeno časovno trajanje preverjanja 4,5 minute , pri čemer je končna konfiguracija in taktni čas prilagodljiv glede na delovni kos in zahteve glede pregleda.

litje napake in obdelovalne napake so različni problemi pregleda

Motorne bloke in cilindrske glave lahko poškodujejo napake, ki izvirajo iz osnovno različnih faz proizvodnje.

Litvene napake

Tipične napake, povezane z litjem, vključujejo:

• Peskovne luknje
• Plinska poroznost
• Skupljanje napak
• Vključki

Te napake nastanejo med polnjenjem kovine, strjevanjem ali drugimi litji procesi. Ko so izpostavljene na površini, se lahko pojavijo kot temne točke, vdolbine, nepravilne depresije ali območja z drugačno teksturo površine.

Obdelovalne in ročne napake

Po litju motorne bloke in cilindrske glave podvržemo obdelavi, prevozu, pripenjanju in drugim proizvodnim operacijam.

Tipične napake iz teh faz vključujejo:

• Udarnih sledi
• Crte
• Poškodbe površine
• Lokalne udarjene površine

Ti napaki lahko imajo bistveno drugačen vizualni videz kot litvene napake.

Ta razlika je pomembna za strojno vid, saj za obeh skupini napak morda potrebujemo različne strategije osvetlitve in algoritmov.

2. Zakaj je zaznavanje litvenih napak težko

Litvene površine so naravno bolj zapletene kot zelo enotne obdelane površine.

Obdelana površina ima lahko relativno enotno teksturo in odsevnost, medtem ko litvena površina lahko vsebuje:

• Nepravilno teksturo
• Naravne spremembe površine
• Spremembe hrapavosti
• Različne odzive na osvetlitev
• Vizualne značilnosti, povezane z materialom

Litje napake, kot so peskovne luknje in poroznost, se lahko tudi zelo razlikujejo po obliki in velikosti.

Preprost vizualni sistem na podlagi meje se zato lahko težko loči resnično napako od običajne litje teksture.

Zato navedeni sistem uporablja strojno vidno tehnologijo na podlagi globokega učenja .

Namesto da bi se opiral le na fiksne sive lestvice ali geometrijske meje, usposobljen model lahko uči vizualne značilnosti iz predstavnih vzorcev brez napak (OK) in z napakami (NG).

Glede na to pa globoko učenje ne odpravi potrebe po ustrezni slikovni opremi. Osvetlitev, optična ločljivost, kakovost vzorca in določitev območja pregleda ostajajo temeljne za zmogljivost sistema.

3. Rešitev za pregled: globoko učenje + visokoločljivostni vid

Navedna oprema integrira pregled napak pri obdelavi in litju v skupen delovni proces pregleda.

Napake na obdelani površini

Sistem lahko pregleda določene obdelane površine za napake, kot so:

• Udarnih sledi
• Crte
• Poškodbe površine

Litvene napake

Obseg pregleda vključuje tudi:

• Peskovne luknje
• Plinska poroznost
• Skupljanje napak
• Vključki

Dejansko zaznavna velikost napak in merila za sprejem so odvisna od površine delovnega predmeta, razmer pri zajemanju slik in kakovostnih standardov, ki jih določi stranka.

Pregled z globokim učenjem

Sistem uporablja algoritme globokega učenja za analizo zajetih slik.

Ta pristop je še posebej uporaben, kadar morfologijo napak ni mogoče opisati z enostavnimi, nespremenljivimi pravili.

Na primer luknje zaradi peska in poroznost se lahko razlikujeta glede na:

• Oblika
• Velikost
• Značilnosti roba
• Kontrast
• Površinska struktura
• Distribucija

Za prepoznavo teh značilnosti je mogoče usposobiti model globokega učenja s predstavitvenimi vzorci.

4. Konfiguracija strojne opreme

Referenčni sistem uporablja slikanje visoke ločljivosti skupaj z robotiziranim pozicioniranjem.

Vizionski sistem

• industrijska kamera z ločljivostjo 20 MP
• Zelo velik višinsko svetel vir svetlobe

Kamera visoke ločljivosti zagotavlja podrobne slikovne informacije, medtem ko je velik osvetlitveni sistem zasnovan tako, da zagotavlja ustrezno osvetlitev po celotnem območju pregleda.

Robotizirano slikanje

ARobot FANUC se uporablja za avtomatizirano pozicioniranje kamere in zajemanje slik.

Ta konfiguracija omogoča sistemu, da pregleda več območij zapletenih motorjevih komponent brez potrebe po ločeni fiksni kameri za vsako pozicijo pregleda.

Funkcije nadzora in podatkov

Sistem vključuje:

• Branje kode
• Pregled strojnega vida
• Algoritmi globokega učenja
• Sledljivost pregledov
• Analiza podatkov
• Oddaljen dostop do podatkov

To omogoča povezavo rezultatov pregleda z posameznimi deli in njihov kasnejši pregled za analizo kakovosti.

5. Tehnične specifikacije

Spodnje specifikacije temeljijo na javno dostopnih podatkih o navedenem sistemu.

Element	Specifikacija
Uporaba	Trgovska vozila, osebna vozila, vključno z NEV
Delovni kosi	Sestavni deli pogonskih sistemov za nove energije; sestavni deli pogonskih sistemov za dizel in bencin
Obseg nadzora	Napake obdelane površine in litja
Litvene napake	Peskovne luknje, poroznost, skrčitvene napake, vključki
Napake obdelave	Udarni znaki, praske in sorodna poškodba površine
Objavljen cikel pregleda	4,5 minute
Industrijska kamera	20 MP
OSVETLITEV	Zelo velik višinsko svetel vir svetlobe
Robot	Fanuc
Nadzor	Industrijski računalnik Siemens / Advantech
Tehnologija pregleda	Strojno videnje + globoko učenje
Funkcije	Branje kod, pregled, sledljivost, analiza podatkov in oddaljen dostop

Trg ciklus 4,5 minute je objavljena vrednost za to aplikacijo. dejanski takt pregleda je treba oceniti glede na število preglednih območij, geometrijo dela, pot robota, zahteve za obdelavo slik in način proizvodnje.

6. Ključni dejavniki pri izbiri

6.1 Ustvarite vzorčno podatkovno bazo pred razvojem algoritma

Zmogljivost globokega učenja močno odvisna od kakovosti vzorcev.

Projekt bi moral zbrati predstavne vzorce, ki zajemajo:

• Normalne izdelke
• Jasne neustrezne izdelke
• Različne vrste napak
• Različne velikosti napak
• Mejne ali mejo prehajajoče vzorce
• Različne površinske razmere

Mejni vzorci so še posebej pomembni, saj v resnični proizvodnji napake niso vedno tako očitne kot laboratorijski primeri.

6.2 Določite kvantitativne merila za napake

Izrazi, kot so »majhna poroznost« ali »majhna peskovna luknja«, so za vizualni sistem težko razumljivi brez inženirskih meril.

Specifikacija kakovosti naj določa, kadar je primerno:

• Minimalno velikost napake
• Maksimalno dovoljeno velikost napake
• Število napak
• Gostota napak
• Lokacija napake
• Dovoljena razdalja med napakami

Algoritem se lahko nato usposabi in preveri glede na jasno opredeljen cilj pregleda.

6.3 Upoštevajte 4,5-minutni cikel pri načrtovanju proizvodnje

Objavljeno časovno obdobje cikla je relativno zmerno v primerjavi z visokohitrostnim vgrajenim vizualnim pregledom.

To lahko naredi konfiguracijo primerno za:

• Popolno pregledovanje kritičnih komponent
• Skupinska pregleda
• Kontrolo kakovosti na koncu proizvodne linije
• Vzorčni pregled

Če je treba kontrolo integrirati v hitrejšo proizvodno linijo, se kontrolne točke potencialno lahko razporedijo na več vzporednih postaj.

Dejansko rešitev je treba določiti z analizo časa cikla, ne pa z domnevo, da ena robotizirana kontrolna celica zadostuje vsem zahtevam glede takt časa.

6.4 Načrtovanje dostopa do podatkov in njihovega shranjevanja

Oddaljene funkcije poizvedbe podatkov so uporabne za sledljivost kakovosti, vendar naj bo sistem zasnovan glede na dejansko IT-vzpostavitev tovarne.

Tehnična specifikacija naj določa:

• Obdobje ohranjanja podatkov
• Zmogljivost za shranjevanje slik
• Uporabniška dovoljenja
• Metoda oddaljenega dostopa
• Zahteve za varnostno kopiranje
• Povezava med izdelkom in rezultatom

7. Ali lahko vizualni pregled zazna litjene napake?

Strojno videnje lahko zazna litjene napake, ki so vidno izpostavljene na pregledani površini , vključno z ustreznimi primeri peskovnih lukenj, poroznosti, površinskih napak, povezanih s krčenjem, ter vključkov.

Vendar obstaja pomembna omejitev.

Napaka, popolnoma zakopana znotraj litega predmeta, pri kateri ni vidnih površinskih znakov, se z uporabo samo površinskega slikanja ne more zanesljivo zaznati .

Takšne notranje napake morda zahtevajo druge metode nedestruktivnega preverjanja, odvisno od posamezne uporabe, na primer:

• Rentgenska inspekcija
• Ultrazvočno testiranje
• Magnetnoprahni pregled
• Druge metode nedestruktivnega preskušanja, določene za posebne uporabe

Zato naj bi vizualni pregled razumeli kot metodo za pregled vidnih površinskih in podpovršinskih pojavov , namesto kot nadomestilo za vse oblike litinskih pregledov.

8. Ohranjanje zmogljivosti modela globokega učenja

Model globokega učenja običajno ne postane nepretočen le zato, ker je deloval nekaj časa.

Vendar se lahko zmogljivost pregleda spremeni, ko se spremenijo proizvodne razmere.

Primeri vključujejo:

• Nov material za litje ali nov dobavitelj
• Nov postopek obdelave
• Spremembe končne površine
• Spremembe osvetlitve
• Novi modeli izdelkov
• Nove vrste napak
• Zamenjava kamere
• Spremembe položaja pritrdilne naprave ali robota

Zato naj trpežen projekt računalniškega vida vključuje mehanizem za vzdrževanje modela, ki zajema:

1. Zbiranje novih vzorcev napak
2. Pregled proizvodnih vzorcev
3. Preverjanje veljavnosti modela
4. Posodobitev modela
5. Kontrola različic
6. Ponovna validacija po spremembi

Te odgovornosti in postopki so najbolje določeni v tehnični pogodbi pred sprejemom opreme.

9. Integracija vizualnega pregleda z očiščevanjem

Motorne bloke in glave valjev je mogoče očistiti pred končnim pregledom.

Za proizvodne linije, ki zahtevajo tako očiščevanje kot tudi vizualni pregled, lahko oba procesa integriramo v širši delovni tok nadzora kakovosti.

Tipična zaporedja so lahko:

Obdelava → Očiščevanje → Sušenje → Vizualni pregled → Sledljivost → Sestava

Ta pristop zmanjša možnost nove kontaminacije ali poškodb zaradi udarcev med nepotrebnim posrednim rokovanjem.

Prav tako naredi rezultat pregleda bolj predstaviten za stanje komponente takoj pred sestavo.

Big Bird Industrial ima obe oprema za industrijsko natančno čiščenje in zmogljivosti strojnega vida za pregled , kar omogoča kombinirane rešitve za čiščenje in pregled v aplikacijah, kjer sta oba procesa potrebna.

10. Strojne zmogljivosti za pregled podjetja Big Bird Industrial

Harbin Big Bird Industrial Co., Ltd. (Big Bird Industrial), prej Harbin Shimada Big Bird Industrial Co., Ltd., ponuja integrirane industrijske rešitve za čiščenje in strojni vid za avtomobilsko pogonsko sklopko in natančno proizvodnjo.

Njihova dejavnost strojnega vida zajema šest specializiranih področij:

• Orient See — dimenzionalni in geometrijski pregled
• Surface See — pregled površinskih napak
• Assembly See — pregled sestave in poka-yoke
• Inner See — pregled notranjih lukenj in notranjih sten
• Paint See — pregled napak barvne površine
• Algoritem in programska platforma — algoritmi in programska oprema za strojni vid

Za motorne bloke in glave cilindrov Surface See se lahko konfigurira tako za napake obdelanih površin kot za vidne litinske napake.

Kjer je potreben pregled notranjih lukenj, Inner See lahko izpolnjuje zahteve za pregled notranjih lukenj in površin notranjih sten.

To omogoča konfiguracijo sistema za pregled glede na dejanski tip napake, lokacijo pregleda in proizvodni proces namesto uporabe ene same metode slikanja za vsa območja.

Pogosta vprašanja

Ali lahko strojno videnje nadomesti ročni pregled za peskane lukenje in poroznost?

Za napake, ki so vidno izpostavljene na pregledani površini, lahko avtomatizirano videnje nadomesti ali znatno zmanjša ročni vizualni pregled.

Napake, ki so popolnoma skrite znotraj litine in nimajo nobene površinske indikacije, pa ne morejo biti zaznane le z površinskim slikanjem. Za takšne napake so potrebne ustrezne metode nedestruktivnega preverjanja.

Ali se bo model globokega učenja po določenem času delovanja izgubil natančnost?

Ne zgolj zaradi časa delovanja.

Zmene zmogljivosti so možne ob spremembi izdelka, procesa, materiala, osvetlitve ali populacije napak. Zato sta za dolgoročno stabilnost proizvodnje pomembni neprekinjena zbiranje vzorcev in preverjanje veljavnosti modela.

Zakaj je objavljen čas pregleda 4,5 minute?

Navedeni sistem izvaja več operacij zajemanja slik na zapletenih površinah motorjevih komponent z uporabo robotske pozicioniranja in obdelave slik.

Objavljen čas pregleda 4,5 minute je primeren za navedeno uporabo. Če je potreben hitrejši proizvodni takt, se točke pregleda lahko razdelijo med vzporedne postaje ali pa se optimizirata zajemanje slik in poti robota.

Ali se lahko vizualni sistem poveže z očistilno napravo?

Da.

Big Bird Industrial ponuja tako precizno industrijsko opremo za čiščenje kot tudi sisteme za vizualni pregled z računalniškim vidom. Kjer to zahteva proizvodni proces, se čiščenje in pregled lahko povežeta, tako da se komponente neposredno po čiščenju in sušenju preslikajo v avtomatizirani vizualni pregled in sledljivost.

Zaključek

Litje in obdelava napak predstavljata dve različni izziva za nadzor kakovosti motorjev in cilindričnih glav.

Peskovne luknje, poroznost, skrčitvene napake in vključki izvirajo iz litja, medtem ko praski in udarni znaki se lahko pojavijo med obdelavo, rokovanjem ali prenašanjem v proizvodnji. Njihove vizualne značilnosti se lahko bistveno razlikujejo, kar otežuje uporabo enotne, fiksne meje za pregled.

Omenjena rešitev združuje industrijsko kamero z ločljivostjo 20 MP, osvetlitev visoke svetlosti, robotsko pozicioniranje FANUC ter strojno vidno tehnologijo na podlagi globokega učenja za pregled obeh določenih obdelanih površin in vidnih napak litja.

Vendar pa pri proizvodnih aplikacijah učinkovitost pregleda na podlagi globokega učenja ni odvisna le od samega algoritma. Predstavni vzorci, kvantitativni merila za sprejem, stabilni pogoji zajemanja slik in določen postopek vzdrževanja modela so vse bistvene sestavine zanesljivega sistema za vizualni pregled.

Za proizvajalce, ki želijo združiti čiščenje, pregled površine in sledljivost, Big Bird Industrial lahko te procese integrira v širši avtomatiziran sistem za nadzor kakovosti z SHIMADA ohranjeno kot del zgodovinske blagovne identitete podjetja.