تشخیص نقص هوش مصنوعی در ریخته گری: سیستم های چشم انداز هوشمند برای کنترل کیفیت

ظرفی از محفظه‌های گیربکس آلومینیومی دایکاست در انتظار بارگیری در نینگبو بود که بازرسی دریافتی مشتری تخلخل را در سه قسمت از همان دنباله عکس‌برداری نشان داد. قطعات ریخته گری بررسی های بصری سمت خط را پشت سر گذاشته بودند زیرا تخلخل زیرسطحی بود. تنها پس از باز شدن حفره ها توسط ماشینکاری CNC قابل مشاهده شد. این الگو - نقص از دست رفته، کشف پایین دست، ادعای مورد مناقشه - گران ترین روال در کیفیت ریخته گری است. تشخیص نقص هوش مصنوعی اکنون آن را مختل کرده است و این موضوع نحوه ارزیابی خریداران را برای تامین کنندگان ریخته گری تغییر می دهد.

چرا تشخیص نقص هوش مصنوعی به کارخانه های ریخته گری می رود؟

سیستم‌های بینایی مبتنی بر هوش مصنوعی نقص‌هایی را که چشم‌های آموزش‌دیده از دست می‌دهند، تشخیص می‌دهند و آن را با سرعت خط انجام می‌دهند. تحقیقات در مورد بازرسی ریخته‌گری از آزمایش‌های مجموعه داده‌های تصویری به معماری‌های تولید محور، از جمله شبکه‌های عصبی پیچیده سلسله مراتبی که یک نقص را بومی‌سازی می‌کنند و نوع آن را طبقه‌بندی می‌کنند، و آشکارسازهای مبتنی بر YOLO در زمان واقعی که روی رایانه‌های صنعتی استاندارد اجرا می‌شوند، حرکت کرده است. نتیجه عملی در مطالعات موردی ثابت است: نرخ‌های تشخیص به وضوح بالاتر از بررسی‌های دستی است، به‌ویژه برای ویژگی‌های ظریفی مانند لحیم کاری اولیه، بسته شدن سرد، و علائم جریان.

محرک اقتصادی واقعی است. دوربین‌های صنعتی، پردازنده‌های گرافیکی تعبیه‌شده و ابزارهای آموزشی متن‌باز بسیار مقرون‌به‌صرفه‌تر از پنج سال پیش هستند، بنابراین یک کارخانه با چندین ماشین می‌تواند یک ایستگاه دوربین را روی یک دستگاه پرس نصب کند و مجموعه‌های داده‌ای را از تولیدات خود بسازد. مدل‌هایی که بر روی قالب‌های ریخته‌گری خود کارخانه آموزش داده شده‌اند، از طبقه‌بندی‌کننده‌های عمومی بهتر عمل می‌کنند، زیرا هر قالب دارای یک امضای حرارتی و پرکننده منحصربه‌فرد است.

کاری که هوش مصنوعی انجام نمی دهد جایگزینی دانش فرآیند است. یک مرحله بازرسی علائم را گزارش می کند. جلوگیری از عیب بستگی به پارامترهای شات، تعادل دمای قالب و طراحی قالب، که اولین خط دفاعی باقی می ماند در برابر مشکلات تکراری مانند لحیم کاری و تخلخل گاز.

دید هوش مصنوعی چه چیزی را تشخیص می دهد که بازرسی دستی از دست می دهد

عیوب ریخته گری آلومینیوم تحت بازرسی متفاوت رفتار می کنند. برخی از آنها قابل مشاهده و طبقه بندی آسان هستند. برخی دیگر داخلی هستند و نیاز به اشعه ایکس یا برش دارند. سیستم‌های هوش مصنوعی در هر دو سطح ارزش افزوده دارند.

جدول 1. انواع عیوب اولیه در ریخته گری آلومینیوم و روش بازرسی که هر کدام را پیدا می کند
نقص	تشکیل	بهترین روش تشخیص	چرا بازرسی دستی مشکل دارد؟
تخلخل گاز	گاز در حین شلیک سریع	اشعه ایکس یا سی تی. خواندن رادیوگرافی به کمک هوش مصنوعی	زیرسطحی، کوچک و به صورت تصادفی توزیع شده است
حفره انقباض	انقباض موضعی در حین انجماد	اشعه ایکس؛ برش مخرب	اغلب در داخل دیوارهای ضخیم متمرکز می شود
سرد ببند	دو جبهه جریان فلزی با هم ترکیب نمی شوند	بصری سطحی؛ تست نفوذ رنگ	به صورت یک خط نازک شبیه به علامت جریان ظاهر می شود
علامت جریان	الگوی پر کردن غیر یکنواخت	نورپردازی مستقیم سطح	به روشنایی ثابت و توجه اپراتور بستگی دارد
لحیم کاری	آلومینیوم به فولاد قالب جوش می شود	بررسی بصری در عکس های اولیه. دوربین سطحی	توجه در طول شیفت های طولانی تولید محو می شود
فلش	عدم تعادل بستن قالب	بررسی ساده هندسه بینایی	ویژگی های لبه تکراری و یکنواخت برای قضاوت هستند

روش عملی برای تفکر در مورد هوش مصنوعی به عنوان یک سیستم درجه بندی شده است: دید سطحی دوبعدی در خط تریم، نقص های سطح بالایی را نشان می دهد. نور ساختار یافته انحراف هندسی را می گیرد. اشعه ایکس با طبقه بندی کننده های کانولوشن از بازرسی داخلی پشتیبانی می کند. و حسگرهای فرآیند یک لایه پیش‌بینی را تغذیه می‌کنند که عکس‌های خطرناک را قبل از جامد شدن فلز نشان می‌دهد.

تخلخل 38%
سرد ببندs 22%
انقباض 18%
علامت جریانs 12%
10% دیگر

توزیع معمولی انواع نقص گزارش شده در داده های کیفیت ریخته گری آلومینیوم. نسبت های واقعی با آلیاژ، طراحی قالب و پنجره فرآیند متفاوت است.

جایی که بازرسی هوش مصنوعی در جریان کار ریخته گری قالب قرار می گیرد

به کارگیری تشخیص نقص هوش مصنوعی به معنای نصب دوربین و انتظار نتایج نیست. ارزش بستگی به محل قرارگیری نقطه بازرسی نسبت به عملیات ارزش افزوده دارد. در یک خط ریخته گری آلومینیومی معمولی برای قطعات خودرو و صنعتی، منطق این است:

نظارت بر شات. سنسورهای سرعت تزریق، فشار و دمای قالب مدلی را تغذیه می‌کنند که خطر تخلخل را برای هر شات قبل از بیرون ریختن قطعه پیش‌بینی می‌کند.
بازرسی سطح تریم لاین یک ایستگاه بینایی قبل از اینکه قطعه به سمت ماشینکاری حرکت کند، بسته های سرد، علائم جریان و فلاش را می گیرد.
بررسی پس از ماشینکاری. پس از اینکه عملیات CNC منافذ داخلی را نشان داد، دوربین ها سوراخ های مهم و سطوح آب بندی را بررسی می کنند.
تست نشت و فشار برای محفظه های حامل مایع، آزمایش آب بندی نهایی با داده های بازرسی قبلی ترکیب می شود.
حلقه بازخورد. سوابق نقص به تعمیر و نگهداری قالب و مهندسی فرآیند باز می گردند تا همان نقص تکرار نشود.

دستور مهمه تشخیص عیب قبل از ماشینکاری از ماشینکاری ضایعات جلوگیری می کند. گرفتن آن قبل از مونتاژ از دوباره کاری جلوگیری می کند. گرفتن آن قبل از حمل و نقل از رابطه محافظت می کند. قطعات با الزامات عملکردی دقیق این را به وضوح نشان می دهند.

Aluminum Die-Cast Battery Housing and Cover for Electric Vehicles

محفظه و پوشش باتری آلومینیومی دایکاست برای وسایل نقلیه الکتریکی این محفظه محافظ استحکام، آب بندی و اتلاف گرما را برای محافظت از بسته های باتری در خودروهای با انرژی جدید ترکیب می کند و بررسی نشت و ابعاد را قبل از مونتاژ بسیار مهم می کند. مشاهده محصول →

محفظه باتری برای وسایل نقلیه با انرژی جدید ولتاژ بالا و گرمای پیوسته را حمل می کند، بنابراین یک ریخته گری متخلخل می تواند پس از ماه ها سرویس باعث نقص عایق شود. به همین دلیل است که یکپارچگی نشت و پایداری ابعادی در هر مرحله و نه تنها در بازرسی نهایی تأیید می شود. همین نظم در مورد محفظه موتور، محفظه گیربکس، بدنه سوپاپ ها و سایر قطعات ریخته گری سازه اعمال می شود.

واقعیت هزینه: بازرسی هوش مصنوعی چه چیزی را ذخیره می کند و چه چیزی را نمی کند

تا زمانی که عیب به دست مشتری نمی رسد، نقطه بازرسی مناسب آن را ارزان می گیرد. سه عدد مرجع اقتصاد را تشکیل می دهند:

بازرسی بصری دستی در یک خط ریخته گری معمولاً 70 تا 85 درصد از عیوب سطح قابل مشاهده را تشخیص می دهد، که بستگی زیادی به طول شیفت و خستگی اپراتور دارد.
بینایی ماشینی مبتنی بر قانون بیشتر این شکاف را می‌بندد، اما با نقص‌هایی دست و پنجه نرم می‌کند که مانند تغییرات سطح قابل قبول به نظر می‌رسند.
طبقه‌بندی‌کننده‌های هوش مصنوعی که روی قالب‌ها و قالب‌های ریخته‌گری کارخانه آموزش دیده‌اند، به طور معمول نرخ تشخیص را برای انواع عیب‌های متمایز بالاتر از ۹۰ درصد گزارش می‌کنند و در هر عکس الگوی یکسانی را نشان می‌دهند.

محدوده نمایندگی از آزمایشات کیفیت ریخته گری منتشر شده. نتایج با نوع نقص، هندسه قطعه و شرایط نور متفاوت است.

سمت هزینه به همان اندازه مشخص است. یک نقص فرار در یک ریخته گری ماشینکاری شده با ارزش می تواند با قیمت کل ایستگاه دوربین برابری کند. بازده واقعی به سه متغیر بستگی دارد: ارزش افزوده شده پس از نقطه بازرسی، نرخ نقص پایه، و اینکه آیا تامین کننده از داده های نقص برای تنظیم پارامترهای فرآیند استفاده می کند یا خیر.

Aluminum Die-Cast Electric Motor Housing and Stator Frame

محفظه موتور الکتریکی دایکاست آلومینیومی و قاب استاتور این قاب استاتور که برای تحمل سوراخ های محکم و اتلاف گرمای پایدار طراحی شده است، از موتورها در کاربردهای صنعتی و خودرو پشتیبانی می کند، بنابراین بازرسی زودهنگام از ضایعات ماشینکاری پرهزینه جلوگیری می کند. مشاهده محصول →

محفظه موتور الکتریکی ارزش خود را در تلورانس های سوراخ تنگ و یک جیب استاتور ماشینکاری شده متمرکز می کند. اگر تخلخل پس از ماشین کاری ظاهر شود، ضایعات شامل زمان ماشینکاری می شود، نه فقط هزینه ریخته گری. قرار دادن بازرسی قبل از آن مرحله، محاسبات را برای خریدار تغییر می دهد.

منحنی بهبود گویا بر اساس الگوهای مطالعه موردی. صرفه جویی واقعی به ترکیب قطعات و کیفیت پایه بستگی دارد.

یک دستورالعمل عملی برای خریداران: از تامین کننده بپرسید که چگونه ویژگی خاصی را که در قسمت شما مهم است - جیب استاتور محفظه موتور، کانال های داخلی یک شیر هیدرولیک، یا صاف بودن پوشش باتری EV- بررسی می کنند.

در یک تامین کننده ریخته گری با هوش مصنوعی به دنبال چه چیزی باشید

ادعاهای کیفیت چاپ آسان و تأیید آنها دشوار است. هنگامی که یک تامین کننده به هوش مصنوعی یا بازرسی پیشرفته اشاره می کند، خریدار می تواند به دنبال شواهد ملموس در چهار زمینه باشد:

گواهینامه سیستم کیفیت. IATF 16949 ستون فقرات مدیریت فرآیند را فراهم می کند: اسناد کنترل شده، ممیزی داخلی و سوابق اقدامات اصلاحی. این کارایی بازرسی را تضمین نمی کند، اما به این معنی است که تامین کننده آنچه را که ارسال می کند اندازه گیری می کند.
طبقه بندی نقص مستند تامین‌کننده‌ای که نقص‌ها را در خطوط خود طبقه‌بندی کرده است - با تصاویر، آمار و فرکانس بر اساس حفره - راحت‌تر از یک عرضه‌کننده که فقط نرخ عبور را ذکر می‌کند، همسو می‌شود.
داده های حلقه بسته آیا بازخورد بازرسی پارامترهای فرآیند را در سلول ریخته گری تغییر می دهد؟ این یک آزمایشگاه بازرسی واکنشی را از تیمی که به طور مداوم پنجره فرآیند را محدود می کند متمایز می کند.
قابلیت ردیابی در یک قالب چند حفره، هر حفره باید قابل ردیابی باشد تا بتوان یک الگوی نقص را به ابزار صحیح اختصاص داد.

این عوامل بیشتر از برند دوربین اهمیت دارند. در نینگبو جیدا لنگرهای کنترل کیفیت در یک مرکز با 130 کارمند در بیلون، نینگبو، با گواهینامه IATF 16949، 28 کارمند فنی، و طراحی قالب داخلی که توسط ماشین‌های ریخته‌گری فشار بالا تا 1600 تن پشتیبانی می‌شود. همان تیمی که قالب را طراحی می‌کند، ریخته‌گری، ماشینکاری و عملیات سطحی را نیز انجام می‌دهد، بنابراین نقصی که در بازرسی نهایی یافت می‌شود را می‌توان به پارامترهای طراحی قالب یا شات در همان مرکز ردیابی کرد.

Machined and Powder-Coated Aluminum Die-Cast Control Valve

شیر کنترل دایکاست آلومینیومی ماشینکاری شده و با روکش پودری این شیر با کانال های داخلی، سطوح آب بندی و پوشش مقاوم در برابر خوردگی، جریان را در سیستم های صنعتی تنظیم می کند. کنترل کامل داخلی از قالب تا پوشش نهایی کیفیت قابل ردیابی را تضمین می کند. مشاهده محصول →

بدنه دریچه کنترل این مزیت را نشان می دهد. کانال‌های داخلی آن بر جریان تأثیر می‌گذارند، وجه‌های آب‌بندی آن بر سفتی نشتی تأثیر می‌گذارند، و نمای بیرونی با پوشش پودری آن باید در برابر خوردگی مقاومت کند. هنگامی که یک تیم قالب، ریخته‌گری، ماشین‌کاری و پوشش را مدیریت می‌کند، داده‌های بازرسی از اولین عکس تا گزارش نهایی متصل می‌مانند - نوعی کنترل کیفیت مبتنی بر هوش مصنوعی برای تقویت طراحی شده است.

سوالات متداول در مورد تشخیص نقص هوش مصنوعی در ریخته گری

آیا تشخیص نقص هوش مصنوعی جایگزین بازرسی اشعه ایکس می شود؟

خیر. اشعه ایکس روش مرجع برای تخلخل داخلی و حفره های انقباض باقی می ماند. هوش مصنوعی تفسیر اشعه ایکس را با کمک به بازرسان کمک می‌کند تا الگوهای نقص را سریع‌تر و مداوم‌تر پیدا کنند، اما نیاز به رادیوگرافی یا قضاوت متالورژیکی را برطرف نمی‌کند.

چه مقدار داده آموزشی برای تشخیص عیوب ریخته گری مورد نیاز است؟

آزمایش‌های تولید معمولاً به چندین هزار تصویر برچسب‌دار در هر کلاس نقص برای دقت بالا در هندسه جدید نیاز دارند. یادگیری انتقالی، تولید نقص مصنوعی و شرایط فرآیند پایدار می تواند این تعداد را کاهش دهد.

آیا بازرسی هوش مصنوعی برای دوره های کوتاه تولید مقرون به صرفه است؟

می تواند کار کند، اما زمانی که تامین کننده قطعات تکراری را طی یک فرآیند کنترل شده تولید می کند، اقتصاد بهبود می یابد. برای دوره های کوتاه، یک مدل مشترک در هندسه های مشابه یا یک سیستم دید مبتنی بر قانون اغلب مقرون به صرفه تر است.

چگونه یک مشتری می تواند تأیید کند که بازرسی هوش مصنوعی تأمین کننده واقعاً کار می کند؟

داده‌های نقص را بر اساس شماره قطعه، از جمله نرخ‌های منفی کاذب، بخواهید و درخواست کنید که قطعات نمونه با عیوب شناخته شده در طول ممیزی از طریق خط اجرا شوند. یک سیستم کار باید هر بار یک نقص بذری را پیدا کند.

سوالی که برای خریدار دایکستینگ وجود دارد دیگر این نیست که آیا هوش مصنوعی جایگزین بازرسان انسانی خواهد شد یا خیر. این است که آیا یک تامین کننده بازرسی را به عنوان یک دروازه ایستا تلقی می کند یا به عنوان یک سیستم متصل که همه قسمت ها را می خواند، داده ها را ثبت می کند و آن را به دای و ماشین برمی گرداند. مدل دوم قطعات خوبی را به طور مداوم ارسال می کند. مدل اول تا روزی که قطعات بدی را ارسال می کند، قطعات با ظاهری زیبا ارسال می کند.