Дефектоскопия на конвейере. Как искусственный интеллект ищет брак и поломки

Машины могут работать круглосуточно, а специалисты по контролю качества нет.

Человеческое зрение — основной инструмент для контроля продукции сборочной линии. Так было, есть и будет еще долгое время. Но люди не быстры, их точность и надежность невысока, их возможности и ресурсы ограничены. На помощь приходит технология машинного зрения. Она помогает делать визуальные проверки и измерения быстрее, точнее и подробнее. Машина не устает и не пропускает проверку детали, даже если детали движутся слишком быстро, чтобы мы могли их увидеть.

Привет! Мы в компании NordClan развиваем направление машинного обучения. В этой статье расскажем, как помогаем предприятиям конвейерного типа решать их задачи с помощью готового решение ML Sense.

Типичная проблема всех металлопрокатных заводов в том, что они сталкиваются с браком на металлах. Причины могут быть различные. Например, нарушение требований транспортировки металла или производственный брак. А может быть, металл просто полежал лишнего на складе, где на него попала вода, а затем образовались белая ржавчина и трещины. В этом случае говорят о дефектах — несоответствии требованиям действующих стандартов. Чтобы металл с несоответствиями не попадал в дальнейшее производство, применяют дефектоскопию.

Дефектоскопия чаще всего производится с помощью ультразвукового дефектоскопа. Устройство выявляет прежде всего внутренние дефекты — трещины, поры, шлаковые включения. Может использоваться для обнаружения поверхностных дефектов, измерять их размеры, определять их тип, размеры, местоположения.

Но есть и другой способ — дефектоскопия поверхностных дефектов с помощью искусственного интеллекта с использованием методов машинного обучения. Способ позволяет распознавать дефекты от 0,1 мм с точностью не менее 98%, не останавливая конвейер.

Применение машинного обучения на примере кейса завода «ТехноСтиль»

В начале года к нам обратилось руководство завода по производству сэндвич-панелей, фасонных элементов и рулонной стали с полимерным покрытием «ТехноСтиль». Им нужно было быстрее и точнее детектировать дефекты на поверхности металла. Во время покраски будущих конструкций, они обнаруживали сквозные прорывы или непроцинковку. Из-за этого приходилось останавливать конвейер и снимать дефектное полотно.

Мы установили на их перемоточный стенд камеры, отслеживающие дефекты с помощью машинного зрения. Они определяют дефекты с точностью до 1 мм. Такие камеры выявляют даже тонкие царапины, которые делают лист непригодным для дальнейшей покраски. А чтобы не допустить ошибок из-за плохого освещения, установили лампы высокой интенсивности. Обработка данных происходит с помощью системы ML Sense, разработанной в компании Nord Clan.

Подробнее о кейсе «ТехноСтиль».
Об особенностях решения ML Sense для металлопроката.

Производители синтетических и натуральных волокон имеют широкий рынок сбыта. Их применяют в медицинской промышленности, текстильном, специальном производстве.

Каждый материал имеет свои преимущества. Например, для изготовления автомобильных шин используется кордовая ткань, сделанная из металлических, полимерных и текстильных нитей. Углеродное волокно используется в автомобилестроении, электроэнергетике, строительстве, авиакосмической и атомной отрасли.

Производство волокна довольно сложное, многоэтапное. Искать дефекты часто приходится специалистам по контролю качества. Поэтому дефектоскопия на производстве волокон с помощью машинного зрения — оптимальное решение.

Применение машинного обучения на примере кейса завода «Юматекст» (Росатом)

В NordClan обратилось руководство завода «Алабуга-Волокно» — предприятие крупнейшего в России производителя углеродного волокна «Юматекс», управляющей компании композитного дивизиона концерна «Росатом». У них была задача по отслеживанию дефектов с помощью системы машинного зрения. Раньше качество волокна отслеживали аппаратчики и контролеры отдела ОТК. Они смотрели на десятки жгутов на линии шириной 3 метра и устраняли дефекты, которые замечали. Они хотели устранить человеческий фактор в дефектоскопии и добиться более высокого качества продукции.

Чтобы решить задачу, использовали систему машинного зрения ML Sense, которая способна определять дефекты на производстве различного типа. Для определения дефектов волокна добавили новые слои нейросети, которые обучили распознавать типовые дефекты нитей.

Итог — на заводе «Алабуга-Волокно» повысили выход готовых изделий, соответствующих стандартам качества, уменьшили затраты на брак и количество рекламаций от покупателей, а также снизили репутационные риски компании.

Подробнее о кейсе «Юматекс».
Об особенностях решения ML Sense для производителей волокон.

На предприятиях горно-перерабатывающей промышленности существует задача определения грансостава. Дефектоскопия сводится к детекции бута (куски природного камня неправильной формы, получаемые при разработке горных пород), повреждений конвейерной ленты, обнаружению посторонних включений в породе (различный мусор).

С помощью машинного обучения в первую очередь решают задачи определения грансостава. Это нужно для того, чтобы перепроверить и улучшить расчеты буровзрывных работ, лучше их планировать и оптимизировать затраты. А также чтобы определить оптимальный гранулометрический состав для достижения максимальной производительности экскаваторов и дробильно-сортировочного комплекса.

Применение машинного обучения на примере кейса завода

Компания NordClan внедряла решение ML Sense на горно-перерабатывающем предприятии, название которого пока под NDA. Единственной альтернативой машинного зрения там был классический просев породы через сито в лаборатории, что трудоемко, долго, дорого, потому что требует остановки и выемки породы с конвейера. Задача была оптимизировать процесс.

В процессе работы обученная модель машинного зрения определяет объем и процент содержания фракций грансостава, контролирует отслеживаемые классы крупности. Также фиксирует наличие посторонних предметов (арматура, бревна и т.п.) или негабаритов на конвейере, контролирует целостность конвейерной ленты. Эта информация подается на пульт специалиста по контролю качества в режиме реального времени. А он на основе расчетов, подготовленной программой, делает необходимые расчеты для оптимизации работы на производстве.

Подробнее об особенностях решения ML Sense для оценки гранулометрического состава.

Итак, резюмируем, какие цели себе ставят руководители компаний при внедрении машинного зрения:

1. Снизить количество ошибок оператора и использование ручного труда. Сократить стоимость технологической операции.

2. Снизить затраты за счет отбраковки в режиме реального времени (в том числе и без участия оператора) и не допустить попадание дефектной продукции на последующие этапы производства и к конечному потребителю.

3. Повысить качество продукции. За счет непрерывного контроля транспортируемого продукта.

4. Обеспечить обнаружение посторонних включений в продукте и удаление загрязненной части продукции с помощью специальных устройств и механизмов.

Короткий ответ — любое конвейерное производство.

В том числе добывающая, обрабатывающая и пищевая промышленность, сельское хозяйство, медицина и фармацевтика.

Остались вопросы? Напишите нам.