Inspektion av motorblock och cylinderhuvuden för defekter: Djupinlärningsbaserad bildanalys för gjutdefekter

Översikt

Motorblock och cylinderhuvuden kan utveckla defekter i olika tillverkningsfaser. Gjutdefekter t.ex. sandhål, porositet, krympdefekter och inneslutningar uppstår under gjutningen, medan bearbetnings- och hanteringsfel t.ex. stötskador och repor kan uppstå under efterföljande produktionsprocesser.

Big Bird Industrials bildinspektionslösning kombinerar industriella kameror med 20 MP-upplösning, högintensiv belysning, robotstyrd bildinsamling och algoritmer för djupinlärning för att inspektera både ytdyktiga bearbetningsdefekter och synliga gjutdefekter på motorblock och cylinderhuvuden.

Det refererade systemet har en offentliggjord inspektionscykel på 4,5 minuter , med den slutliga konfigurationen och takten anpassningsbar enligt arbetsstyckets och inspektionskraven.

1. Gjutfel och bearbetningsfel är olika inspektionsproblem

Motorkåpor och cylinderrader kan innehålla fel som härrör från fundamentalt olika tillverkningsfaser.

Gjutdefekter

Typiska gjutrelaterade fel inkluderar:

• Sandhål
• Gasporositet
• Krymptekniker
• INKLUDERINGAR

Dessa fel bildas under metallfyllning, stelningsprocessen eller andra gjutprocesser. När de exponeras på ytan kan de framstå som mörka fläckar, gropar, oregelbundna fördjupningar eller områden med annan ytextur.

Bearbetnings- och hanteringsfel

Efter gjutningen genomgår motorkåpor och cylinderrader bearbetning, transport, spänning och andra produktionsoperationer.

Typiska fel från dessa faser inkluderar:

• Slagmärken
• Repor
• Ytskada
• Lokala gropar

Dessa fel kan ha ett väsentligt annorlunda visuellt utseende jämfört med gjutfel.

Den här skillnaden är viktig för maskinvision eftersom de två defektgrupperna kan kräva olika bildbehandlings- och algoritmstrategier.

2. Varför detektering av gjutdefekter är svårt

Gjutytor är naturligt mer komplexa än mycket enhetliga bearbetade ytor.

En bearbetad yta kan ha en relativt konsekvent struktur och reflektivitet, medan en gjutyta kan innehålla:

• Oregelbunden struktur
• Naturlig ytv variation
• Förändringar i råhet
• Olika svar på belysning
• Visuella egenskaper som beror på materialet

Gjutdefekter såsom sandhål och porositet kan också variera kraftigt i form och storlek.

Ett enkelt visionssystem baserat på tröskelvärden kan därför ha svårt att skilja ett verkligt fel från normal gjuttextur.

Av detta skäl använder det refererade systemet djupinlärningsbaserad maskinvision .

Istället for att endast förlita sig på fasta gråskale- eller geometriska tröskelvärden kan en tränad modell lära sig visuella egenskaper från representativa OK- och NG-prover.

Djupinlärning eliminerar dock inte behovet av lämplig bildförvärvsteknik. Belysning, optisk upplösning, provkvalitet och definition av inspektionsområde förblir grundläggande för systemets prestanda.

3. Inspektionslösning: Djupinlärning + högupplöst vision

Den refererade utrustningen integrerar inspektion av bearbetningsfel och gjutfel i en gemensam inspektionsarbetsflöde.

Fel på bearbetade ytor

Systemet kan inspektera angivna bearbetade områden efter fel såsom:

• Slagmärken
• Repor
• Ytskada

Gjutdefekter

Inspektionsomfånget inkluderar även:

• Sandhål
• Gasporositet
• Krymptekniker
• INKLUDERINGAR

Den faktiskt upptäckbara defektstorleken och godkännandekriterierna beror på arbetsstyckets yta, avbildningsförhållanden och kunddefinierade kvalitetsstandarder.

Djupinlärningsinspektion

Systemet använder djupinlärningsalgoritmer för att analysera de infångade bilderna.

Detta tillvägagångssätt är särskilt användbart när defektmorfologin är svår att beskriva med enkla fasta regler.

Till exempel kan sandhål och porositet skilja sig åt vad gäller:

• Form
• Storlek
• Kantegenskaper
• Kontrast
• Ytstruktur
• Distribution

En djupinlärningsmodell kan tränas med representativa prov för att identifiera dessa egenskaper.

4. Hårdvarukonfiguration

Det refererade systemet använder högupplöst avbildning tillsammans med robotpositionering.

Visionssystem

• 20 MP industriell kamera
• Extra stor ljuskälla med hög ljusstyrka

Högupplösningskameran ger detaljerad bildinformation, medan det stora belysningssystemet är utformat för att ge lämplig belysning över hela inspektionsområdet.

Robotbaserad bildbehandling

AFANUC-robot används för automatiserad kamerapositionering och bildförvärv.

Denna konfiguration gör att systemet kan undersöka flera områden på komplexa motorkomponenter utan att kräva en separat fast kamera för varje inspektionsposition.

Styr- och datafunktioner

Systemet integrerar:

• Kodläsning
• Maskinvisuell inspektion
• Algoritmer för djupinlärning
• Spårbarhet vid inspektion
• Dataanalys
• Fjärråtkomst till data

Detta möjliggör att inspektionsresultat kopplas till enskilda arbetsstycken och granskas senare för kvalitetsanalys.

5. Tekniska specifikationer

Följande specifikationer baseras på allmänt tillgänglig produktinformation om det refererade systemet.

Objekt	Specifikation
Ansökan	Kommersiella fordon, personbilar, inklusive NEV:er
Arbetsstycken	Komponenter för elkraftdrivna drivlinjer; komponenter för diesel- och bensindrivna drivlinjer
Inspektionsomfattning	Ytdefekter efter bearbetning och gjutdefekter
Gjutdefekter	Sandhål, porositet, krympdefekter, inneslutningar
Defekter efter bearbetning	Påverkansmärken, repor och relaterad ytskada
Offentliggjord inspektionscykel	4,5 minuter
Industriell kamera	20 MP
Belysning	Extra stor ljuskälla med hög ljusstyrka
Robot	FANUC
KONTROLL	Siemens / Advantech industriell dator
Inspektions teknik	Maskinvision + djupinlärning
Funktioner	Kodläsning, inspektion, spårbarhet, dataanalys och fjärråtkomst

Marknaden 4,5-minuterscykel är ett offentliggjort applikationsvärde . Den faktiska inspektionscykeltiden bör utvärderas enligt antalet inspektionsområden, arbetsstyckets geometri, robotens bana, kraven på bildbehandling och produktionsläge.

6. Viktiga överväganden vid val

6.1 Bygg provdatabasen innan algoritmutveckling

Djupinlärningsprestanda beror kraftigt på provkvaliteten.

Projektet bör samla in representativa prover som täcker:

• Normala produkter
• Tydliga felaktiga produkter
• Olika defekttyper
• Olika defektstorlekar
• Gränsfall eller gränsfallsexempel
• Olika yttillstånd

Gränsfall är särskilt viktiga eftersom verkliga produktionsdefekter inte alltid är lika uppenbara som laboratorieexempel.

6.2 Definiera kvantitativa defektkriterier

Termer som "liten porositet" eller "mindre sandhål" är svåra för ett visionssystem att tolka utan tekniska kriterier.

Kvalitetsspecifikationen bör definiera, där tillämpligt:

• Minsta defektstorlek
• Största tillåtna defektstorlek
• Antal defekter
• Defektdensitet
• Defektplacering
• Acceptabelt avstånd mellan defekter

Algoritmen kan sedan tränas och valideras mot ett tydligt definierat inspektionsmål.

6.3 Ta hänsyn till cykeltiden på 4,5 minuter i produktionsplaneringen

Den publicerade cykeltiden är relativt moderat jämfört med höghastighets inline-visioninspektion.

Detta kan göra konfigurationen lämplig för:

• Fullständig inspektion av kritiska komponenter
• Partikontroll
• Kvalitetsinspektion vid produktionslinans slut
• Provinspektion

Om inspektionen måste integreras i en snabbare produktionslinje kan inspektionspunkterna potentiellt fördelas över flera parallella stationer.

Den faktiska lösningen bör fastställas genom analys av cykeltiden snarare än att anta att en enda robotiserad inspektionscell kan hantera varje taktkrav.

6.4 Planera åtkomst till och lagring av data

Fjärrdatafrågefunktioner är användbara för kvalitetsspårbarhet, men systemet bör utformas utifrån fabrikens faktiska IT-miljö.

Den tekniska specifikationen bör definiera:

• Databevaringsperiod
• Bildlagringskapacitet
• Användarbehörigheter
• Metod för fjärråtkomst
• Krav på säkerhetskopiering
• Koppling mellan arbetsstycke och resultat

7. Kan visioninspektion upptäcka gjutningsfel?

Maskinvision kan upptäcka gjutningsfel som är synliga på den inspekterade ytan , inklusive lämpliga exempel på sandhål, porositet, ytfel relaterade till krympning samt inkliklusioner.

Det finns dock en viktig begränsning.

En defekt som är helt inbäddad i gjutningen med ingen synlig ytyttring kan inte pålitligt upptäckas med endast ytbildning .

Sådana interna defekter kan kräva andra icke-destruktiva provningsmetoder, beroende på tillämpningen, till exempel:

• Röntgeninspektion
• Ultraljudstestning
• Magnetpulverinspektion
• Andra tillämpningsspecifika NDT-metoder

Därför bör visuell inspektion förstås som en metod för att undersöka synliga ytor och närliggande ytyttringar , snarare än som ett utbyte för alla former av gjutningsinspektion.

8. Att bibehålla prestandan hos djupinlärningsmodeller

En djupinlärningsmodell blir normalt inte mindre exakt enbart för att den har varit i drift under en viss tid.

Inspektionsprestandan kan dock förändras när produktionsförhållandena ändras.

Exempel inkluderar:

• Nytt gjutmaterial eller leverantör
• Ny bearbetningsprocess
• Ändringar av ytytan
• Belysningsändringar
• Nya produktmodeller
• Nya defekttyper
• Kamerabyte
• Ändringar av fästning eller robotposition

Ett robustt visionprojekt bör därför inkludera en modellunderhållsmechanism som omfattar:

1. Ny defektsamling av prov
2. Granskning av produktionsprov
3. Modellvalidering
4. Modelluppdatering
5. Versionkontroll
6. Återvalidering efter ändringar

Dessa ansvarsområden och förfaranden definieras bäst i det tekniska avtalet innan utrustningen godkäns.

9. Integrering av bildinspektion med rengöring

Motorblock och cylinderhuvuden kan rengöras innan slutlig inspektion.

För produktionslinjer som kräver både rengöring och bildinspektion kan de två processerna integreras i en bredare kvalitetskontrollarbetsflöde.

En typisk sekvens kan vara:

Bearbetning → Rengöring → Torkning → Visuell inspektion → Spårbarhet → Montering

Detta tillvägagångssätt kan minska risken för ny förorening eller skador genom påverkan under onödiga mellanhanteringar.

Det kan också göra inspektionsresultatet mer representativt för komponentens tillstånd omedelbart före monteringen.

Big Bird Industrial har både industriell precisionrengöringsutrustning och maskinvisioninspektionsfunktioner , vilket gör kombinerade rengörings- och inspektionslösningar möjliga för applikationer där båda processerna krävs.

10. Big Bird Industrials maskinvisioninspektionsfunktioner

Harbin Big Bird Industrial Co., Ltd. (Big Bird Industrial), tidigare Harbin Shimada Big Bird Industrial Co., Ltd., levererar integrerade industriella rengörings- och maskinvisionlösningar för automobilkraftöverföring och precisionsframställning.

Verksamheten inom maskinvision omfattar sex specialiserade områden:

• Orient See — dimensionell och geometrisk inspektion
• Surface See — inspektion av ytskador
• Assembly See — monteringsinspektion och poka-yoke
• Inner See — inspektion av inre hål och inre väggar
• Paint See — inspektion av felformade ytor på lackeringen
• Algoritm- och programvaruplattform — algoritmer och programvara för maskinseende

För motorblock och cylinderhuvuden, Surface See kan konfigureras för både defekter på bearbetade ytor och synliga gjutdefekter.

Där inspektion av interna hål krävs, Inner See kan hantera inspektionskrav som involverar interna hål och ytor på insidan av väggar.

Detta gör att inspekteringssystemet kan konfigureras enligt den faktiska defekttypen, inspektionsplatsen och produktionsprocessen, i stället för att tillämpa en enda avbildningsmetod på varje område.

Vanliga frågor

Kan maskinseende ersätta manuell inspektion för sandhål och porositet?

För defekter som är synligt exponerade på den undersökta ytan kan automatiserad bildinspektion ersätta eller kraftigt minska manuell visuell inspektion.

Defekter som är helt dolda inuti gjutningen och inte ger någon ytyttring kan dock inte upptäckas med endast ytbaserad avbildning. Sådana defekter kräver lämpliga metoder för icke-destruktiv provning.

Kommer en modell baserad på djupinlärning att bli mindre exakt efter att ha körts under en viss tid?

Inte enbart på grund av driftstiden.

Prestandan kan förändras när produkten, processen, materialet, belysningen eller felpopulationen förändras. Kontinuerlig provinsamling och modellvalidering är därför viktiga för långsiktig produktionsstabilitet.

Varför är den publicerade inspektionscykeln 4,5 minuter?

Det refererade systemet utför flera avbildningsoperationer på komplexa ytor hos motorkomponenter med hjälp av robotpositionering och bildbehandling.

Den publicerade 4,5-minuterscykeln är lämplig för den refererade applikationen. Om en snabbare produktionstakt krävs kan inspektionspunkter delas upp mellan parallella stationer eller avbildnings- och robotbanor optimeras.

Kan visionssystemet anslutas till en rengöringsmaskin?

Ja.

Big Bird Industrial tillhandahåller både precisionsindustriell rengöringsutrustning och maskinvisioninspektionssystem. Där produktionsprocessen kräver det kan rengöring och inspektion kopplas samman så att komponenter går direkt från rengöring och torkning till automatiserad visuell inspektion och spårbarhet.

Slutsats

Gjut- och bearbetningsfel utgör två olika kvalitetskontrollutmaningar för motorblock och cylinderhuvuden.

Sandhål, porositet, krympfel och inklikningar härrör från gjutningen, medan skavanker och stötskador kan uppstå under bearbetning, hantering eller produktionsoverföring. Deras visuella egenskaper kan skilja sig åt i betydlig grad, vilket gör att en enda fast tröskelbaserad inspektionsstrategi är svår att tillämpa pålitligt.

Den refererade lösningen kombinerar en 20 MP industriell kamera, högintensiv belysning, FANUC-robotpositionering och maskininlärningsbaserad maskinvision för att inspektera både angivna bearbetade ytor och synliga gjutfel.

För produktionsapplikationer beror dock effektiviteten hos inspektion med djupinlärning på mer än själva algoritmen. Representativa prov, kvantitativa godkännandekriterier, stabila bildförhållanden och en definierad modellunderhållsprocess är alla avgörande delar av ett tillförlitligt visioninspektionssystem.

För tillverkare som vill kombinera rengöring, ytinspektion och spårbarhet kan Big Bird Industrial integrera dessa processer i en bredare automatiserad kvalitetskontrollarbetsflöde, med SHIMADA bevarad som en del av företagets historiska varumärkesidentitet.