Motor Bloğu ve Silindir Kapağı Kusur Kontrolü: Döküm Kusurları İçin Derin Öğrenme Tabanlı Görüş Sistemi

Genel Bakış

Motor blokları ve silindir kapakları, üretim süreçlerinin farklı aşamalarında kusurlar geliştirebilir. Döküm kusurları örneğin kum delikleri, gözeneklilik, büzülme kusurları ve inklüzyonlar döküm sırasında oluşur; buna karşılık i̇şleme ve Taşıma Kusurları darbe izleri ve çizikler gibi kusurlar daha sonraki üretim süreçlerinde ortaya çıkabilir.

Big Bird Industrial’ın görüş tabanlı kontrol çözümü 20 MP endüstriyel kameraları, yüksek parlaklıkta aydınlatmayı, robotik görüntüleme sistemini ve derin öğrenme algoritmalarını bir araya getirir motor blokları ve silindir kapaklarının işlenmiş yüzey kusurlarını ve görünür döküm kusurlarını kontrol etmek için.

Referans alınan sistemin yayımlanmış kontrol çevrim süresi 4,5 dakika , son yapılandırma ve takt, iş parçası ve muayene gereksinimlerine göre özelleştirilebilir.

döküm Kusurları ve İşleme Kusurları Farklı Muayene Sorunlarıdır

Motor blokları ve silindir başlıkları, temelde farklı üretim aşamalarından kaynaklanan kusurlar içerebilir.

Döküm kusurları

Tipik döküm ile ilgili kusurlar şunlardır:

• Kum delikleri
• Gaz Gözenekliliği
• Büzülme kusurları
• İÇERİKLER

Bu kusurlar, metalin doldurulması, katılaşması veya diğer döküm süreçleri sırasında oluşur. Yüzeye açıldıklarında, koyu lekeler, çukurlar, düzensiz çöküntüler veya yüzey dokusu farklı olan alanlar şeklinde görünebilirler.

İşleme ve Taşıma Kusurları

Dökümden sonra motor blokları ve silindir başlıkları, tornalama, taşıma, bağlama ve diğer üretim işlemlerinden geçer.

Bu aşamalardan kaynaklanan tipik kusurlar şunlardır:

• Darbe izleri
• Çatlaklar
• Yüzey Hasarı
• Yerel çukurlar

Bu kusurların görsel görünümü, döküm kusurlarından önemli ölçüde farklı olabilir.

Bu fark, makine görüşü için önemlidir çünkü bu iki kusur grubu farklı görüntüleme ve algoritma stratejileri gerektirebilir.

2. Döküm Kusuru Tespiti Neden Zordur?

Döküm yüzeyleri, son derece homojen işlenmiş yüzeylere kıyasla doğal olarak daha karmaşıktır.

İşlenmiş bir yüzeyin görece tutarlı bir doku ve yansıtma özelliği olabilirken, bir döküm yüzeyi şunları içerebilir:

• Düzensiz doku
• Doğal yüzey değişimi
• Pürüzlülük değişimleri
• Farklı aydınlatma tepkileri
• Malzemeyle ilgili görsel özellikler

Kum delikleri ve gözeneklilik gibi döküm kusurları da şekil ve boyut açısından önemli ölçüde değişebilir.

Bu nedenle, basit bir eşik tabanlı görüş sistemi gerçek bir kusuru normal döküm dokusundan ayırt etmede zorlanabilir.

Bu yüzden atıfta bulunan sistem derin öğrenmeye dayalı makine görüşü .

Sabit gri tonlamalı veya geometrik eşiklere yalnızca güvenmek yerine, eğitilmiş bir model, temsilci OK ve NG örneklerinden görsel özellikler öğrenebilir.

Ancak derin öğrenme, uygun görüntüleme ihtiyacını ortadan kaldırmaz. Aydınlatma, optik çözünürlük, numune kalitesi ve inceleme bölgesinin tanımlanması, sistemin performansı için temel unsurlar olarak kalmaya devam eder.

3. İnceleme Çözümü: Derin Öğrenme + Yüksek Çözünürlüklü Görüş

Atıfta bulunan ekipman, tornalanmış yüzey kusurları ile döküm kusurlarının incelemesini ortak bir inceleme iş akışına entegre eder.

Tornalanmış Yüzey Kusurları

Sistem, aşağıdaki gibi kusurları içeren belirtilen tornalanmış alanları inceleyebilir:

• Darbe izleri
• Çatlaklar
• Yüzey Hasarı

Döküm kusurları

Denetim kapsamı şunları da içerir:

• Kum delikleri
• Gaz Gözenekliliği
• Büzülme kusurları
• İÇERİKLER

Gerçekten tespit edilebilen kusur boyutu ve kabul kriterleri, iş parçası yüzeyine, görüntüleme koşullarına ve müşteri tarafından belirlenen kalite standartlarına bağlıdır.

Derin Öğrenme Denetimi

Sistem, yakalanan görüntülerin analizini yapmak için derin öğrenme algoritmalarını kullanır.

Bu yaklaşım, kusur morfolojisinin basit sabit kurallarla tanımlanmasının zor olduğu durumlarda özellikle yararlıdır.

Örneğin, kum delikleri ve gözeneklilik şu açılardan farklılık gösterebilir:

• Şekil
• Boyut
• Kenar Özellikleri
• Kontrast
• Yüzey dokusu
• Dağıtım

Bu özellikleri tanımlamak için temsilci örnekler kullanılarak bir derin öğrenme modeli eğitilebilir.

4. Donanım Yapılandırması

Atıfta bulunulan sistem, yüksek çözünürlüklü görüntüleme ile robotik konumlandırmayı birlikte kullanır.

Görüş Sistemi

• 20 MP endüstriyel kamera
• Ekstra büyük yüksek parlaklıkta ışık kaynağı

Yüksek çözünürlüklü kamera, ayrıntılı görüntü bilgisi sağlar; büyük aydınlatma sistemi ise muayene alanının tamamında uygun aydınlatma sağlamak amacıyla tasarlanmıştır.

Robotik Görüntüleme

K FANUC robotu otomatikleştirilmiş kamera konumlandırma ve görüntü alma işlemi için kullanılır.

Bu yapılandırma, sistemin karmaşık motor parçalarının birden fazla bölgesini incelemesine olanak tanır; her bir muayene konumu için ayrı sabit bir kamera gerekmez.

Kontrol ve Veri İşlevleri

Sistem şunları entegre eder:

• Kod okuma
• Makine Görü Vizyon Denetimi
• Derin öğrenme algoritmaları
• Muayene izlenebilirliği
• Veri analizi
• Uzaktan veri erişimi

Bu özellik, muayene sonuçlarının bireysel iş parçaları ile ilişkilendirilmesine ve daha sonra kalite analizi amacıyla incelenmesine olanak tanır.

5. Teknik Özellikler

Aşağıdaki teknik özellikler, atıfta bulunulan sistemin kamuya açık ürün bilgilerine dayanmaktadır.

Öğe	Teknik özellik
Başvuru	Ticari taşıtlar, yolcu taşıtları (YENİ ENERJİ TAŞITLARI dahil)
İş parçaları	Yeni enerji güç aktarma sistemi bileşenleri; dizel ve benzinli güç aktarma sistemi bileşenleri
Denetleme kapsamı	İşlenmiş yüzey ve döküm hataları
Döküm kusurları	Kum delikleri, gözeneklilik, çekme hatası, yabancı maddeler
İşleme hataları	Darbe izleri, çizikler ve ilgili yüzey hasarları
Yayınlanan muayene döngüsü	4,5 dakika
Endüstriyel kamera	20 MP
AYDINLATMA	Ekstra büyük yüksek parlaklıkta ışık kaynağı
Robot	Fanuc
Kontrol	Siemens / Advantech endüstriyel bilgisayarı
Denetim Teknolojisi	Makine görüşü + derin öğrenme
Fonksiyonlar	Kod okuma, muayene, izlenebilirlik, veri analizi ve uzaktan erişim

The 4,5 dakikalık çevrim, yayınlanmış bir uygulama değeridir . Gerçek muayene takt süresi, muayene bölgelerinin sayısı, iş parçası geometrisi, robot hareket yolu, görüntü işleme gereksinimleri ve üretim moduna göre değerlendirilmelidir.

6. Ana Seçim Dikkat Edilmesi Gerekenler

6.1 Algoritma geliştirilmeden önce örnek veritabanı oluşturun

Derin öğrenme performansı, örnek kalitesine büyük ölçüde bağlıdır.

Proje, aşağıdaki temsili örnekleri içermelidir:

• Normal ürünler
• Açık NG ürünler
• Farklı kusur türleri
• Farklı kusur boyutları
• Sınır veya sınır çizgisi örnekleri
• Farklı yüzey koşulları

Sınır örnekleri özellikle önemlidir çünkü gerçek üretim kusurları, laboratuvar örnekleri kadar açık olmaz.

6.2 Nicel Kusur Kriterlerinin Tanımlanması

"Küçük gözeneklilik" veya "hafif kum deliği" gibi terimler, mühendislik kriterleri olmadan bir görüş sistemi tarafından yorumlanması zordur.

Kalite spesifikasyonu, geçerli olduğu durumlarda şunları tanımlamalıdır:

• Minimum Kusurlu Boyutu
• Maksimum kabul edilebilir kusur boyutu
• Kusur sayısı
• Hata Yoğunluğu
• Kusur Konumu
• Kusurlar arasındaki kabul edilebilir mesafe

Algoritma, daha sonra net bir şekilde tanımlanmış bir denetim hedefine karşı eğitilebilir ve doğrulanabilir.

6.3 Üretim Planlamasında 4,5 Dakikalık Döngüyü Dikkate Alın

Yayınlanan çevrim süresi, yüksek hızlı hat içi görüş denetimine kıyasla nispeten orta düzeydedir.

Bu, aşağıdaki durumlar için konfigürasyonu uygun hale getirebilir:

• Kritik bileşenlerin tam denetimi
• Parti denetimi
• Satır sonu kalite denetimi
• Örnekleme denetimi

Denetim, daha hızlı bir üretim hattına entegre edilmesi gerekiyorsa, denetim noktaları potansiyel olarak birden fazla paralel istasyon arasında dağıtılabilir.

Gerçek çözüm, tek bir robotize denetim hücresinin her takt gereksinimini karşılayabileceğini varsaymak yerine, çevrim süresi analizi yoluyla belirlenmelidir.

6.4 Veri Erişimini ve Saklanmasını Planlayın

Uzaktan veri sorgulama işlevleri, kalite izlenebilirliği açısından faydalıdır; ancak sistem, fabrikanın gerçek BT ortamına göre tasarlanmalıdır.

Teknik özellikler şunları tanımlamalıdır:

• Veri saklama süresi
• Görüntü depolama kapasitesi
• Kullanıcı İzinleri
• Uzaktan erişim yöntemi
• Yedekleme gereksinimleri
• İş parçası ile sonuç arasındaki ilişki

7. Görüş Denetimi Döküm Kusurlarını Tespit Edebilir mi?

Makine görüşü, denetlenen yüzeyde görsel olarak açık olan döküm kusurlarını tespit edebilir , bunlara kum delikleri, gözeneklilik, büzülmeyle ilgili yüzey kusurları ve inklüzyonlar gibi uygun örnekler dahildir.

Ancak önemli bir sınırlama vardır.

Dökümün tamamıyla içinde gömülü olan ve görünür yüzey belirtisi olmayan bir kusur, yalnızca yüzey görüntüleme kullanılarak güvenilir şekilde tespit edilemez. .

Bu tür iç kusurlar, uygulamaya bağlı olarak diğer tahribatsız muayene yöntemlerini gerektirebilir; örneğin:

• Röntgen Denetimi
• Ultrasonik Test
• Manyetik partikül muayenesi
• Diğer uygulamaya özel tahribatsız muayene yöntemleri

Dolayısıyla, görüş muayenesi, her tür döküm muayenesinin yerine geçen bir yöntem değil; görünür yüzey ve yüzeye yakın yüzeydeki belirtileri incelemek için kullanılan bir yöntem olarak anlaşılmalıdır. , her tür döküm muayenesinin yerine geçen bir yöntem değil.

8. Derin Öğrenme Modeli Performansının Korunması

Bir derin öğrenme modeli, genellikle yalnızca belirli bir süre çalışmış olması nedeniyle doğruluğunu kaybetmez.

Ancak üretim koşulları değiştiğinde muayene performansı da değişebilir.

Örnekler şunlardır:

• Yeni döküm malzemesi veya tedarikçi
• Yeni işlenme işlemi
• Yüzey kaplama değişiklikleri
• Aydınlatma değişiklikleri
• Yeni ürün modelleri
• Yeni kusur türleri
• Kamera değiştirme
• Sabit bileşen veya robot konumu değişiklikleri

Bu nedenle sağlam bir görüş projesi, aşağıdakileri kapsayan bir model bakım mekanizması içermelidir:

1. Yeni kusur örneği toplama
2. Üretim örneği incelemesi
3. Model doğrulaması
4. Model güncelleme
5. Sürüm Kontrolü
6. Değişiklikler sonrası yeniden doğrulama

Bu sorumluluklar ve prosedürler, ekipman kabulü öncesinde teknik anlaşmada en iyi şekilde tanımlanır.

9. Görüş Denetimi ile Temizleme Entegrasyonu

Motor blokları ve silindir başlıkları, nihai denetimden önce temizlenebilir.

Hem temizleme hem de görüş denetimi gerektiren üretim hatları için bu iki süreç, daha kapsamlı bir kalite kontrol iş akışına entegre edilebilir.

Tipik bir sıralama şu olabilir:

İşleme → Temizleme → Kurutma → Görüntü Denetimi → İzlenebilirlik → Montaj

Bu yaklaşım, gereksiz ara işlemler sırasında yeni kirlenme veya darbe hasarı oluşma olasılığını azaltabilir.

Ayrıca denetim sonucunu, bileşenin montajdan hemen önceki durumunu daha iyi yansıtan şekilde elde etmeyi sağlar.

Big Bird Industrial hem endüstriyel hassas temizleme ekipmanlarına hem de makine görüşü denetim kapasitesine sahiptir , bu nedenle her iki işlem de gereken uygulamalar için birleştirilmiş temizleme ve denetim çözümleri mümkündür.

10. Big Bird Industrial’ın Makine Görüşü Denetim Kapasiteleri

Harbin Big Bird Industrial Co., Ltd. (Big Bird Industrial), daha önce Harbin Shimada Big Bird Industrial Co., Ltd. olarak bilinirdi, otomotiv güç aktarma organları ve hassas üretim uygulamaları için entegre endüstriyel temizleme ve makine görüşü çözümleri sunar.

Makine görüşü işi altı özel alana yayılmaktadır:

• Orient See — boyutsal ve geometrik denetim
• Surface See — yüzey kusuru denetimi
• Assembly See — montaj denetimi ve poka-yoke
• İç Görüş — iç delik ve iç duvar kontrolü
• Boya Görüşü — boya yüzeyi kusur kontrolü
• Algoritma ve Yazılım Platformu — makine görüşü algoritmaları ve yazılımı

Motor blokları ve silindir kafaları için Surface See işlenmiş yüzey kusurları ile görünür döküm kusurları için yapılandırılabilir.

İç delik muayenesi gereken durumlarda İç Görüş iç deliklerle ve iç duvar yüzeyleriyle ilgili muayene gereksinimlerini karşılayabilir.

Bu, muayene sisteminin her bölgeye tek bir görüntüleme yöntemi uygulamak yerine, gerçek kusur türüne, muayene konumuna ve üretim sürecine göre yapılandırılmasını sağlar.

SSS

Derin öğrenme modeli bir süre çalıştıktan sonra doğruluğunu kaybeder mi?

Muayene edilen yüzeyde açıkça görülen kusurlar için otomatik görüş sistemi, elle yapılan görsel muayeneyi tamamen yerine getirebilir ya da önemli ölçüde azaltabilir.

Ancak dökümün tamamıyla içinde gizli olan ve yüzeyde hiçbir iz bırakmayan kusurlar yalnızca yüzey görüntülemesiyle tespit edilemez. Bu tür kusurların tespiti için uygun tahribatsız muayene yöntemleri gerekir.

Kum delikleri ve gözeneklilik için makine görüşü, elle yapılan muayeneyi yerine getirebilir mi?

Sadece çalışma süresi nedeniyle değil.

Ürün, süreç, malzeme, aydınlatma veya kusur popülasyonu değiştiğinde performans da değişebilir. Bu nedenle uzun vadeli üretim kararlılığı için sürekli örnek toplama ve model doğrulaması önemlidir.

Yayınlanan muayene döngüsü neden 4,5 dakikadır?

Atıfta bulunulan sistem, robotik konumlandırma ve görüntü işleme kullanarak karmaşık motor bileşeni yüzeyleri boyunca çoklu görüntüleme işlemleri gerçekleştirir.

Yayınlanan 4,5 dakikalık döngü atıfta bulunulan uygulama için uygundur. Daha hızlı bir üretim taktı gerekiyorsa, muayene noktaları paralel istasyonlar arasında bölünebilir veya görüntüleme ve robot yolları optimize edilebilir.

Görüş sistemi bir temizleme makinesiyle bağlanabilir mi?

- Evet, evet.

Big Bird Industrial, hem hassas endüstriyel temizleme ekipmanları hem de makine görüşü denetim sistemleri sağlar. Üretim süreci gerektirdiğinde temizleme ve denetim birleştirilebilir; böylece bileşenler doğrudan temizleme ve kurutmadan otomatik görsel denetime ve izlenebilirliğe geçer.

Sonuç

Döküm ve tornalama kusurları, motor blokları ve silindir başlıkları için iki farklı kalite kontrol zorluğu oluşturur.

Kum delikleri, gözeneklilik, büzülme kusurları ve inklüzyonlar dökümden kaynaklanır; buna karşılık çizikler ve darbe izleri tornalama, taşıma veya üretim transferi sırasında ortaya çıkabilir. Görsel özellikleri büyük ölçüde farklılık gösterebilir; bu da tek bir sabit eşikli denetim stratejisinin güvenilir şekilde uygulanmasını zorlaştırır.

Atıfta bulunulan çözüm, 20 MP endüstriyel kamera, yüksek parlaklıkta aydınlatma, FANUC robotik konumlandırma ve derin öğrenme tabanlı makine görüşü teknolojisini belirtilen işlenmiş yüzeyleri ve görünür döküm kusurlarını denetlemek üzere bir araya getirir.

Ancak üretim uygulamaları için derin öğrenme tabanlı muayenenin etkinliği, yalnızca algoritmaya değil, daha fazlasına bağlıdır. Temsilci örnekler, nicel kabul kriterleri, kararlı görüntüleme koşulları ve tanımlanmış bir model bakım süreci güvenilir bir görüşle muayene sisteminin tüm temel bileşenleridir.

Temizlik, yüzey muayenesi ve izlenebilirliği birleştirmek isteyen üreticiler için Big Bird Industrial bu süreçleri daha kapsamlı bir otomatik kalite kontrol iş akışına entegre edebilir; bununla birlikte SHIMADA şirketin tarihsel marka kimliğinin bir parçası olarak korunur.