Inspekcija defekta motornog bloka i glave cilindra: vizijska analiza defekta odlijevanja

Prikaz

Blokovi motora i glava cilindara mogu imati nedostatke u različitim fazama proizvodnje. Defecti odlijevanja u slučaju da se u procesu odlijevanja ne pojave čvrste greške, neispravnost mašinskog rada i rukovanja u slučaju da se proizvodnja ne završi u skladu sa ovim propisima, može se pojaviti i druga vrsta povreda, kao što su tragovi udara i ogrebotine, tokom naknadnih proizvodnih procesa.

Big Bird Industrialovo rešenje za inspekciju vida kombinuje industrijske kamere od 20 MP, osvetljenje visoke svetlosti, robotizacija i algoritmi dubokog učenja da se provjere i defekti obrađene površine i vidljivi defekti odlijevanja na blokovima motora i glavama cilindara.

Referentni sistem ima objavljen ciklus inspekcije od 4,5 minuta , sa konačnom konfiguracijom i takt prilagodljiv prema zahtjevima za radni komad i inspekciju.

1. da se Defekti odlijevanja i defekti obrade su različiti problemi inspekcije

Blokovi motora i glava cilindara mogu sadržavati nedostatke koji potiču iz fundamentalno različitih faza proizvodnje.

Defecti odlijevanja

Tipični defekti vezani za livenje uključuju:

• Peščane rupe
• Poroznost gasa
• Defekti smanjenja
• Uključivanje

Ovi defekti nastaju tokom punjenja metala, tvrđivanja ili drugih procesa livanja. Kada se izlože površini, mogu se pojaviti kao tamne mrlje, jame, nepravilne padine ili područja sa različitom teksturom površine.

Neispravnost mašinskog rada i rukovanja

Nakon odlijevanja, blokovi motora i glava cilindara podvrgnu se obradi, transportu, začepljenju i drugim proizvodnim operacijama.

Tipični defekti iz ovih faza uključuju:

• Oznake udara
• Sranje
• Oštećenje površine
• Lokalne ugruške

Ovi defekti mogu imati znatno drugačiji vizuelni izgled od defekta odlijevanja.

Ova razlika je važna za mašinsko viđenje jer dvije grupe defekta mogu zahtijevati različite strategije snimanja i algoritama.

2. - Šta? Zašto je teško otkriti defekt u livanju

Površine za livanje su prirodno složenije od visoko jednakih obrađenih površina.

"Specifična" materija za proizvodnju materijala od poluproizvodnje ili od proizvodnje materijala od poluproizvodnje ili od proizvodnje materijala od poluproizvodnje ili od proizvodnje materijala od poluproizvodnje ili od proizvodnje materijala od poluproizvodnje ili od proizvodnje materijala od poluproiz

• Nepravilna tekstura
• Prirodna varijacija površine
• Promene gruboće
• Različite reakcije na osvjetljenje
• Vizuelne osobine povezane sa materijalom

Defecti odlijevanja kao što su rupčiće i poroznost mogu se takođe značajno razlikovati po obliku i veličini.

Jednostavan sistem za vid na pragu može se teško razlikovati od prave greške u normalnoj teksturi odlijevanja.

Iz tog razloga, referentni sistem koristi mašinsko viđenje zasnovano na dubokom učenju .

Umesto da se oslanja samo na fiksne grise ili geometrijske pragove, obučeni model može naučiti vizuelne karakteristike iz reprezentativnih uzoraka OK i NG.

Međutim, duboko učenje ne eliminiše potrebu za odgovarajućim snimanjem. Osvetljenje, optička rezolucija, kvalitet uzorka i definicija inspekcijske regije ostaju ključni za performanse sistema.

3. - Šta? Rešenje za inspekciju: duboko učenje + vizija visoke rezolucije

U skladu sa člankom 6. stavkom 1. ovog Pravilnika, "proizvodnja" znači proizvodnja proizvoda koji se upotrebljava za proizvodnju proizvoda koji se upotrebljavaju u proizvodnji proizvoda koji se upotrebljavaju u proizvodnji proizvoda koji se upotrebljavaju u proizvodnji proizvoda koji se upotrebljavaju u proizvodnji proizvoda koji se upotreb

Defecti na površini

Sistem može da pregleda određena obrađena područja na nedostatke kao što su:

• Oznake udara
• Sranje
• Oštećenje površine

Defecti odlijevanja

Područje inspekcije obuhvata i:

• Peščane rupe
• Poroznost gasa
• Defekti smanjenja
• Uključivanje

Stvarna veličina i kriteriji prihvatanja nedostatka zavise od površine komada, uslova snimanja i standarda kvaliteta definisanih od strane kupca.

Inspekcija dubokog učenja

Sistem koristi algoritme za duboko učenje za analizu snimljenih slika.

Ovaj pristup je posebno koristan kada je morfologija defekta teško opisati pomoću jednostavnih fiksnih pravila.

Na primer, peščane rupe i poroznost mogu se razlikovati u:

• Oblik
• Veličina
• Karakteristike ivica
• Kontrast
• Tekstura površine
• Distribucija

Model dubokog učenja može se obučavati pomoću reprezentativnih uzoraka za identifikaciju ovih karakteristika.

4. - Šta? Konfiguracija hardvera

Referentni sistem koristi snimanje visoke rezolucije zajedno sa robotičkim pozicioniranjem.

Sistem vida

• industrijska kamera od 20 MP
• Izvor svjetlosti sa visokoj svjetlosti

Kamera visoke rezolucije pruža detaljne informacije o slici, dok je veliki sistem osvetljenja dizajniran tako da pruža odgovarajuću osvetljenost u cijeloj inspekcijskoj oblasti.

Robotizacija

A. Šta je to? FANUC robot se koristi za automatizirano pozicioniranje kamera i prikupljanje slika.

Ova konfiguracija omogućava sistemu da pregleda više područja složenih komponenti motora bez potrebe za odvojenim fiksnim kamerama za svaku poziciju pregleda.

Kontrola i funkcije podataka

Sistem uključuje:

• Čitanje koda
• Inspekcija mašinskog vida
• Algoritmi dubokog učenja
• Pratljivost inspekcije
• Analiza podataka
• Daljinski pristup podacima

To omogućava da se rezultati inspekcije povežu sa pojedinačnim dijelovima i kasnije pregledaju za analizu kvaliteta.

5. - Šta? Tehničke specifikacije

Sledeće specifikacije zasnovane su na javno dostupnim informacijama o proizvodu za referentni sistem.

Član	Specifikacija
Primenom	S druge strane, za vozila sa brzinom vezanom iznad 50 km/h
S druge konstrukcije	Svaka vrsta električnih vozila
Obim inspekcije	Uređene površine i defekti odlijevanja
Defecti odlijevanja	Otvori u pesku, poroznost, defekti smanjenja, uključenosti
Neispravnost mašine	Oznake udarca, ogrebotine i srodna površna oštećenja
Objavljeni ciklus inspekcije	4,5 minuta
Industrijska kamera	20 MP
Osvjetljenje	Izvor svjetlosti sa visokoj svjetlosti
Robot	Fanuc
Kontrola	Siemens / Advantech industrijski PC
Tehnologija inspekcije	Mašinska vizija + duboko učenje
Funkcije	Čitanje koda, inspekcija, sledljivost, analiza podataka i daljinski pristup

Cijevi 4,5-minutni ciklus je objavljena vrijednost aplikacije - Šta? Istinski taktički pregled treba proceniti u skladu sa brojem inspekcijskih regiona, geometrijom radnog dela, putanjem robota, zahtevima za obradu slike i načinom proizvodnje.

6. - Šta? Ključna pitanja za odabir

6.1 Izgradnja baze podataka uzorka prije razvoja algoritma

Učinkovitost dubokog učenja u velikoj meri zavisi od kvaliteta uzorka.

Projekat treba da prikupi reprezentativne uzorke koji obuhvataju:

• Normalni proizvodi
• Čisti proizvodi od NG
• Različite vrste mana
• Različite veličine mana
• Granični ili granični uzorci
• Različiti uslovi površine

Granični uzorci su posebno važni jer stvarni proizvodni nedostaci nisu uvijek tako očigledni kao laboratorijski uzorci.

6.2 Definisati kvantitativne kriterije nedostatka

Pojmovi kao što su "mala poroznost" ili "manja rupa u pesku" teško su za sistem za viziju da ih tumači bez inženjerskih kriterijuma.

Specifikacija kvaliteta treba da definiše, prema potrebi:

• Minimalna veličina nedostatka
• Maksimalna prihvatljiva veličina nedostatka
• Broj nedostataka
• Gostičnost defekta
• Lokacija nedostatka
• Prihvatljiva udaljenost između mana

Algoritam se zatim može obučavati i validirati u odnosu na jasno definisan cilj inspekcije.

6.3 Razmislite o ciklusu od 4,5 minuta u planiranju proizvodnje

Objavljeno vreme ciklusa je relativno umereno u poređenju sa brzom inspekcijom linijskog vida.

To može učiniti konfiguraciju pogodnom za:

• Kompletna inspekcija kritičnih komponenti
• Kontrola serija
• Kontrola kvaliteta na kraju linije
• Inspekcija uzorkovanja

Ako je potrebno da se inspekcija integriše u bržu proizvodnu liniju, tačke inspekcije mogu biti potencijalno raspoređene na više paralelnih stanica.

Stvarno rešenje treba utvrditi analizom vremena ciklusa, a ne pretpostavkom da jedna robotizirana inspekcijska ćelija može pokriti sve zahtjeve za takt.

6.4 Planiranje pristupa i zadržavanja podataka

Funkcije daljinskog traženja podataka korisne su za kvalitetu praćenja, ali sistem bi trebalo da bude dizajniran oko stvarnog IT okruženja fabrike.

U tehničkoj specifikaciji treba definisati:

• Period čuvanja podataka
• Kapaciteta za pohranu slika
• Upotreba dozvola
• Metod daljinskog pristupa
• Zahtjevi za rezervne kopije
• Povezanost od komada do rezultata

7. - Šta? Može li inspekcija vida otkriti nedostatke u odlivanju?

Strojna vizija može da otkrije defekti odlijevanja koji su vizuelno izloženi na pregledanoj površini , uključujući odgovarajuće primjere rupotina peska, poroznosti, površnih defekata i uključivanja povezanih sa smanjenjem.

Međutim, postoji važno ograničenje.

Defekt potpuno zakopan unutar odlijevanja sa ne može se pouzdano otkriti nijedna vidljiva oznaka površine samo pomoću površinske slike .

Za takve unutrašnje nedostatke mogu biti potrebne druge nedestruktivne metode ispitivanja, u zavisnosti od primjene, kao što su:

• RTG Inspekcija
• Ultrasonično ispitivanje
• Inspekcija magnetnih čestica
• Ostale metode NRT specifične za primenu

Stoga, vizuelna inspekcija treba shvatiti kao metod za inspekciju vidljive površinske i blizu površinske manifestacije , a ne zamena za svaki oblik inspekcije odlijevanja.

8. - Šta? Održavanje performansi modela dubokog učenja

Model dubokog učenja obično ne postaje netačan samo zato što je u funkciji neko vrijeme.

Međutim, inspekcija može da se promeni kada se promene uslove proizvodnje.

Primjeri uključuju:

• Novi materijal za livenje ili dobavljač
• Novi proces obrade
• Promene površinske obrade
• Promene osvetljenja
• Novi modeli proizvoda
• Novi tipovi mana
• Zamena kamere
• Promene fiksiranja ili položaja robota

Projekat robusne vizije treba da uključuje mehanizam održavanja modela koji obuhvata:

1. Novi uzorak o defektu
2. Preispitivanje uzorka proizvodnje
3. Validacija modela
4. Modela ažuriranja
5. Kontrola verzije
6. Revalidacija nakon promena

Ova odgovornost i procedure najbolje su definisane u tehničkom sporazumu pre prihvatanja opreme.

9. - Šta? Integriranje inspekcije vida sa čišćenjem

Blokovi motora i glava cilindara mogu se očistiti pre konačne inspekcije.

Za proizvodne linije koje zahtevaju čišćenje i vizuelnu inspekciju, ova dva procesa mogu se integrisati u širi tok rada kontrole kvaliteta.

Tipična sekvenca može biti:

Obrada → čišćenje → sušenje → inspekcija vida → sledljivost → montaža

Ovaj pristup može smanjiti mogućnost nove kontaminacije ili oštećenja od udara tokom nepotrebnog međuvladinog rukovanja.

Takođe može učiniti da rezultat inspekcije bude reprezentativniji za stanje komponente neposredno pre montaže.

Big Bird Industrial ima oboje. industrijska oprema za precizno čišćenje i mogućnosti za inspekciju mašinskog vida , omogućavajući kombinirana rješenja za čišćenje i inspekciju za primjene gdje su oba procesa potrebna.

deset. Mogućnosti Big Bird Industrial-a za inspekciju mašinskog vida

Harbin Big Bird Industrial Co., Ltd. (Big Bird Industrial), bivša Harbin Shimada Big Bird Industrial Co., Ltd., pruža integrisana industrijska rešenja za čišćenje i mašinsko viđenje za automobile i precizne proizvodne aplikacije.

Poslovni sektor mašinske vizije obuhvata šest specijalizovanih oblasti:

• Istok dimenzionalna i geometrijska inspekcija
• Površina inspekcija površnih mana
• Skupština inspekcija montaže i poka-joke
• Unutrašnje more inspekcija unutrašnjih rupa i unutrašnjih zidova
• Boja pogledajte inspekcija defekta površine boje
• Algoritam i softverska platforma algoritmi i softver za mašinsko viđenje

Za blokove motora i glavace cilindara, Površina može biti konfigurisan za greške obrade površine i vidljive greške u odlivanju.

Ako je potrebna inspekcija unutrašnje rupe, Unutrašnje more može da odgovori na zahteve inspekcije koje se odnose na unutrašnje rupe i unutrašnje površine zidova.

To omogućava da se sistem inspekcije konfiguriše u skladu sa stvarnom vrstom nedostatka, lokacijom inspekcije i proizvodnim procesom, umjesto primjene jedne metode snimanja na svakom području.

Često se postavljaju pitanja

Može li mašinsko viđenje zamijeniti ručno provjeravanje za rupine i poroznost?

Za nedostatke koji su vidljivo izloženi na pregledanoj površini, automatizovano viđenje može zamijeniti ili značajno smanjiti ručnu vizuelnu inspekciju.

Međutim, defekti koji su potpuno skriveni unutar odlijevanja i bez ikakvih oznaka površine ne mogu se otkriti samo slikom površine. Za takve nedostatke potrebne su odgovarajuće nedestruktivne metode ispitivanja.

Da li će model dubokog učenja postati netačan nakon što se provede neko vrijeme?

Ne samo zbog vremena rada.

Predstaviteljske performanse se mogu mijenjati kada se proizvod, proces, materijal, osvjetljenje ili populacija mana mijenjaju. Kontinuirano uzimanje uzoraka i validacija modela su stoga važni za dugoročnu stabilnost proizvodnje.

Zašto je objavljeni ciklus inspekcije 4,5 minuta?

Referentni sistem vrši više operacija snimanja na složenim površinama motora-komponenta koristeći robotizirano pozicioniranje i obradu slike.

Objavljeno ciklus od 4,5 minuta je pogodan za referenčnu aplikaciju. Ako je potreban brži proizvodni takt, tačke inspekcije mogu se podijeliti između paralelnih stanica ili optimizovati putanje slike i robota.

Može li se sistem vida povezati sa mašinom za čišćenje?

Da.

Big Bird Industrial pruža precizne industrijske opreme za čišćenje i sisteme za inspekciju mašinskog vida. Ako to zahteva proizvodni proces, čišćenje i inspekcija mogu se povezati tako da se komponente direktno prelaze od čišćenja i sušenja do automatizirane vizuelne inspekcije i sledljivosti.

Zaključak

Defekti u livanju i obradi predstavljaju dva različita izazova kontrole kvaliteta za blokove motora i glave cilindara.

Otvori u pesku, poroznost, defekti smanjenja i uključivanja potiču od livanja, dok ogrebotine i tragovi udara mogu se unositi tokom obrade, rukovanja ili prijenosa proizvodnje. Njihove vizuelne karakteristike mogu se značajno razlikovati, što otežava pouzdanu primjenu jedne strategije inspekcije sa fiksnim pragovima.

Referentno rešenje kombinuje industrijska kamera 20 MP, osvetljenje visoke svetlosti, FANUC robotizirano pozicioniranje i mašinsko viđenje dubokog učenja da se provjere i određene obrađene površine i vidljive defekte odlijevanja.

Za proizvodne aplikacije, međutim, efikasnost inspekcije dubokog učenja zavisi od više od samog algoritma. Reprezentativni uzorci, kvantitativni kriteriji prihvatanja, stabilni uslovi snimanja i definisan proces održavanja modela svi su bitni delovi pouzdanog sistema inspekcije vida.

Za proizvođače koji žele da kombinuju čišćenje, inspekciju površina i sledljivost, Big Bird Industrial može da integriše ove procese u širi automatizovani tok rada kontrole kvaliteta, sa Šimada zadržao kao dio istorijskog identiteta brenda kompanije.