Akıllı çevrimiçi denetim ve kapalı döngü kalite kontrolü: damgalı parçalar için sıfır kusurlu bir üretim hattı oluşturma
Giriş: İnsan Vizyonundan Yapay Zeka Tam Denetimine
Damgalama parçaları kalite denetimi uzun süredir manuel örnekleme, görsel inceleme, dokunma ve kumpas ölçümüne dayanmaktadır. Bununla birlikte, manuel incelemede üç büyük kusur vardır: güçlü öznellik gözden kaçan denetime yol açar, örnekleme şeması tüm parçaları kapsayamaz ve yanıt gecikmesi toplu kusurlara neden olur. Damgalama hızı 800 vuruş / dakikadan fazla arttıkça ve otomotiv ve elektronik endüstrilerinin sıfır kusur arayışı ile akıllı çevrimiçi denetim kaçınılmaz hale geldi.
Bu makale, modern damgalama kalite güvence sisteminin üç ayağını açıklamaktadır: optik görüş ve yapılandırılmış ışık algılama, sensörlere ve kuvvet dalga formlarına dayalı dolaylı izleme ve kapalı döngü geri besleme kontrolü ve SPC 'nin derin entegrasyonu.
I. Damgalı parçaların tipik kusurları ve fiziksel özellikleri
Hata Kategorisi Görünüm / Geometrik Özellik Oluşturma Mekanizması Çevrimiçi Algılanabilir Araçlar
Çatlama / boyun eğme yerel karartma, ışık iletimi, inceltme oranı >% 25 çekme gerilimi metamalzeme sınırı yüksek çözünürlüklü kamera + iletilen ışık / termal görüntüleme
Kırışıklık ve dalgalı, malzeme birikimi için yetersiz boş tutucu kuvveti veya malzemelerin çoklu lazer üçgenleme taraması
Burr aşırı delme kenarı çıkıntılı metal başak zımba aşınması, aşırı boşluk kenarı arka ışık projeksiyonu + alt piksel
İçbükey ve dışbükey yaralanma noktası veya şerit yüzey girintisi yabancı cisim veya kalıp kusuru çok açılı parlak alan + karanlık alan kombinasyonu
Pozisyon Sapmasının, Bükülme Açısı Sapmasının ve Geri Dönme, Besleme Hatasının 2D / 3D Görsel Ölçümü
Birkaç delik / gözenekli delme Eksik veya fazla delik Yumruk kırılması veya arıza İletilen ışık + fotoelektrik dizi
Yapay zeka görsel denetimi: temel teknolojiler ve mühendislik kurulumu
2.1 Görüntüleme sistemi tasarımı
Damgalı parçaların on-line muayenesine yönelik görüntüleme sistemi, yüksek hızlı hareket, yüksek metal yansıtıcılığı ve çevresel yağ kirliliği gibi zorluklarla karşı karşıyadır. Tipik konfigürasyonlar şunları içerir:
Çizgi dizi kamera: büyük boyutlu levhalar için uygun, hareket yönünde sürekli tarama ile.
Alan kamerası + flaş: fotoğraf çekmek ve parçaları statik bir durumda yakalamak için pres kaydırıcısındaki ölü noktayı tetikleyin.
Telekentrik mercek: Hassas boyutsal ölçüm için perspektif hatalarını ortadan kaldırır.
Çoklu spektral aydınlatma: Kırmızı halka ışığı yüzey dalgalanmalarını vurgular, mavi koaksiyel ışık yansımaları ortadan kaldırır.
Karmaşık üç boyutlu damgalama parçaları için tek bir kamera onları tamamen kapatamaz. Farklı açılardan çekim yapmak ve alanı kalibrasyon plakası aracılığıyla senkronize etmek için 4 ila 8 kamera düzenlemek gerekir.
2.2 Derin öğrenme modellerinin eğitimi ve uygulaması
Geleneksel görüntü işleme (eşik segmentasyonu, kenar algılama) yalnızca basit kusurları belirleyebilir. Kırışıklık ve boyun eğdirme gibi doku kusurları için, kıvrımlı sinir ağları kullanılmalıdır. Tipik süreç:
Veri toplama ve etiketleme: Damgalama parçalarının on binlerce görüntüsünü toplayın ve kalite kontrol uzmanları tarafından kusur türünü ve yerini tek tek etiketleyin.
Model eğitimi: Transfer öğrenimi yoluyla yakınsamayı hızlandırmak için YOLOv8, EfficientNet veya Swin Transformers gibi gelişmiş mimarileri benimseyin.
Model optimizasyonu: Tek bir görüntünün algılama süresini 10 ms 'ye sıkıştırmak için TensorRT veya OpenVINO çıkarım motorunu kullanın.
Dağıtım ve artımlı öğrenme: Kenar bilgi işlem cihazları (NVIDIA Jetson gibi), modeli düzenli olarak güncellemek için buluta yeni yanlış pozitifler veya yanlış pozitifler yüklerken gerçek zamanlı olarak çıkarım yapar.
Büyük ölçekli bir damgalama tesisi bir AI görme inceleme sistemi kurduktan sonra, 0,1 mm ² 'nin üzerindeki kusurların tespit oranı% 99,97' ye, yanlış alarm oranı sadece% 0,3 'e ulaştı ve aynı anda dört kusuru tespit edebildi: çatlama, çizilme, çarpma ve kırışıklık.
2.3 Çevrimiçi boyut ölçümü
Düzlem boyutu (delik konumu, anahat), arka aydınlatma ve telesentrik lens ile piksel altı kenarı ile çıkarılabilir ve doğruluk ±0.02 mm 'ye ulaşabilir. Bununla birlikte, kavisli kısmın üç boyutlu açısı ve düşüşü için bir lazer profilleyici veya yapılandırılmış bir hafif 3D sensör kullanılmalıdır. İkincisi, saçak desenini yansıtarak ve fazı çözerek tüm parça yüzeyinin nokta bulutu modelini 0,5 saniyede elde edebilir ve bir renk farkı haritası oluşturmak için bunu CAD modeli ile karşılaştırabilir.
III. Sensörlere ve damgalama eğrilerine dayalı dolaylı izleme
3.1 Basınç eğrisi izleme (tonaj izleme)
Her pres, her pres darbesi için kuvvet-zaman eğrisini kaydetmek için kaydırıcı üzerinde bir piezoelektrik kuvvet sensörü ile donatılmıştır. Normal damgalama sırasında, eğri karakteristik zirveler sergiler (delme penetrasyonu, çizim şekillendirme vb.). Eğri alanı veya tepe, istatistiksel kontrol aralığının dışındayken, şunları gösterir:
Boşluk boşluğu büyür (kuvvet azalır) veya kalıp girişimi (kuvvet dalgalanması)
Malzeme özelliklerindeki dalgalanmalar (kuvvet zirvesinin sağa kaymasına neden olan akma dayanımının artması)
Atık boşaltılmaz (ikincil kesme ek zirveler oluşturur)
Gelişmiş tonaj izleme sistemi, her kalıbın standart şablonunu kendi kendine öğrenebilen ve EWMA kontrol tablosuna dayalı olarak endişe verici bir öğrenme işleviyle donatılmıştır.
3.2 Kalıp akustik emisyonu ve titreşim algılama
Akustik emisyon sensörleri, malzeme çatlaması, kaplama soyulması ve mikroçatlak yayılımı tarafından üretilen yüksek frekanslı elastik dalgalara karşı çok hassastır. Örneğin, zımba mikroçatlakları meydana geldiğinde, belirli bir frekans bandında (100-300kHz) enerji zirveleri meydana gelir. Anomalinin kaynağı, kalıbın kilit noktalarına yerleştirilmiş birden fazla AE sensörü aracılığıyla bulunabilir.
Titreşim sensörleri, gevşek kalıpları veya yatak arızalarını yansıtmak için düşük frekans aralığına (0-1 kHz) odaklanır.
3.3 Sıcaklık ve yağlama durumu izleme
Kızılötesi bir kamera veya nokta sıcaklık sensörü, kalıbın kritik bölgelerindeki sıcaklığı izler. Sıcaklıktaki anormal bir artış, aşırı sürtünmeyi veya tıkanmış soğutma kanallarını gösterebilir. Bir yağlama sistemi akış ölçer ile birleştirildiğinde, nozulun tıkalı olup olmadığını belirleyin.
İstatistiksel süreç kontrolü (SPC) ve süreç kapasitesi geliştirme
Çevrimiçi algılama, SPC aracılığıyla yönetim eylemlerine dönüştürülmesi gereken büyük veriler üretir. Anahtar adımlar:
Çapak yüksekliği, bükülme açısı ve inceltme oranı gibi temel kalite özelliklerini (CTQ) tanımlayın.
Gerçek zamanlı bilgi işlem yeteneği indeksi (Cpk): ne zaman Cpk
Anormal model tanıma: Kontrol şemasının ayrımcılık kurallarını kullanın (örneğin 8 ayrımcılık kriteri: bir nokta kontrol sınırını aşıyor, 7 ardışık nokta yükseliyor vb.).
SPC aracılığıyla şirketler "rastgele dalgalanmalar" ve "özel nedenli dalgalanmalar" arasında ayrım yapabilir ve böylece kapatılıp ayarlanmayacağına karar verebilir.
Beşincisi, kapalı döngü geri bildirim kontrolü: algılamadan otomatik ayarlamaya
Akıllı kalite sisteminin en üst seviyesi kapalı döngü kontrolüdür: çevrimiçi algılama cihazı, kalite sapmasını pres PLC 'ye veya kalıp servo regülatörüne gerçek zamanlı olarak gönderir ve işlem parametrelerini otomatik olarak düzeltir.
Uygulama örneği 1: Kavisli kısmın geri tepme açısının gerçek zamanlı lazer taraması, kontrolör sapmayı hesapladıktan sonra kalıbın altındaki kama pedini otomatik olarak ayarlar, bükülme derinliğini değiştirir ve geri tepmeyi telafi eder ve ±0.2 içindeki açı sapmasını kontrol eder.
Uygulama örneği 2: Çizgi kuvveti eğrisi, delme kuvvetinin aşağı yönlü eğilimini algılar, sistem zımba aşınmasını belirler, taşlama bakım istasyonuna otomatik olarak bir değiştirme emri gönderir ve parçanın çapak kusurlarının ortaya çıkmasını beklemek yerine bir sonraki kalıp değiştirme döngüsünde uygular.
VI. Uygulama zorlukları ve en iyi uygulamalar
6.1 Veri senkronizasyonu ve gecikme
Çevrimiçi algılama, damgalama döngüsü içinde (genellikle 0,1 ila 0,5 saniye) tamamlanmalıdır. Yüksek hızlı veri iletimi (10GbE endüstriyel kamera arayüzü) ve kenar bilişim ile gerçek zamanlı işleme gereklidir ve bulut yalnızca uzun süreli depolama ve model eğitimi için kullanılır.
6.2 Çevresel uyum
Damgalama atölyesinde yağ sisi, demir dolgusu ve titreşim vardır. Kameranın koruyucu bir kapak ve pozitif hava temizleme ile donatılması ve sensörün IP67 koruma seviyesine ihtiyacı vardır.
6.3 En İyi Uygulama Önerileri
Aşamalı uygulama: en kritik kusurların (çatlama, delik eksikliği) görsel muayenesi önce gerçekleştirilir ve ardından kademeli olarak boyut ve yüzey kusurlarına genişletilir.
Bir kusur görüntü veri tabanı oluşturun: modelin sürekli optimizasyonu için bir alarm her tetiklendiğinde görüntüleri ve ilgili sensör verilerini otomatik olarak kaydedin.
Manuel yeniden denetimin düzenli olarak karşılaştırılması: Sistem çalışmasının ilk aşamasında, kaçırılan denetim oranını doğrulamak için sistem tarafından değerlendirilen kalifiye parçaların rastgele denetimini yapacak şekilde personelin düzenlenmesi gerekir.
Sonuç: Sıfır kusurlu hedefler için son savunma hattı
Damgalı parçalarda sıfır kusur elde etmek yalnızca son denetime dayanamaz. Kalite kontrolü her damgalama döngüsüne dahil edilmelidir. AI vizyonu, kuvvet eğrisi izleme ve SPC kapalı döngüsünün birleşimi, "her parçanın tespit edildiğini, her anormalliğin izlendiğini ve her sapmanın düzeltildiğini" bir gerçeklik haline getiriyor. Gelecekte, kenar AI bilgi işlem gücünün artması ve sensör maliyetlerinin düşmesiyle, kapsamlı çevrimiçi denetim, damgalama üretim hatlarının standart konfigürasyonu haline gelecek ve hala manuel örneklemeye güvenen şirketler, kaliteye duyarlı otomotiv, medikal ve havacılık pazarlarında güven kazanamayacaklar.
BQUQ profesyonel bir metal damgalama üreticisidir, lütfen bize çizimler gönderin ve şirketimiz size 12 saat içinde teklif verecektir.
