Как с помощью нейросетей и машинного зрения на предприятиях анализируют качество жгутов углеродного волокна.
Команда NordClan выполняла проект для крупнейшего в России производителя углеродного волокна «Юматекс», управляющей компании композитного дивизиона концерна «Росатом». Заводы дивизиона поставляют полимерные композиционные материалы в авиакосмическую и атомную отрасли. Продукция из углеродного волокна также используется в автомобилестроении, электроэнергетике, строительстве, судостроении, мостостроении, трубопроводном транспорте, товарах народного потребления.
На предприятии «Алабуга-Волокно» в частности внедрялся проект ML Sense.
ML Sense — цифровая платформа на основе машинного зрения и нейросетей. Применяется для контроля качества продукции на производствах конвейерного типа с помощью искусственного интеллекта.
В статье руководство «Алабуга-Волокно» совместно со специалистами NordClan подробно рассказали, как на заводе отслеживали дефекты до внедрения системы машинного зрения, с какими сложностями столкнулись при настройке ML Sense, и что получили в результате.
Почему решили автоматизировать контроль качества производства углеродного волокна
Углеродное волокно состоит из тончайших нитей диаметром от 6 до 8 мкм. Его получают при помощи термической обработки химических или природных волокон. В процессе могут образовываться дефекты: обрывы, узлы, налипание мусора, отклонение толщины диаметра и другие. Волокно с такими дефектами нельзя использовать для производства углеродной ткани.
Раньше качество волокна отслеживали аппаратчики и контролеры отдела ОТК. Они смотрели на десятки жгутов на линии шириной 3 метра и устраняли дефекты, которые замечали. Но рассмотреть все дефекты при таком объёме человеческому глазу сложно. Это равносильно наблюдению за стадом одинаковых зебр, которые весь день быстро скачут перед глазами. Ведь скорость линии достигает 12 метров в минуту.
Мы хотели устранить человеческий фактор и добиться более высокого качества продукции. Производственные мощности составляют 1400 тонн в год. Поддерживать качество такого объёма вручную очень сложно. Именно поэтому мы решили довериться машинному зрению. Задача стояла добиться не менее 97% выявления дефектов.
Кроме того, мы постоянно внедряем современные технологии в наше производство. Это позволяет нашей площадке входить в десятку мировых лидеров производителей углеродного волокна.
Как внедряли ML Sense
В качестве подрядчика выбрали NordClan. Команда прибыла на площадку, чтобы оценить объём и сложность работы.
На старте проекта нужно было определить точки контроля, на которые планируется установить оборудование. Оценить факторы, которые влияют на работу ML Sense системы, которую мы планировали внедрить: уровень освещения, наличие пыли, вибраций. Важно было учесть нюансы производственного процесса, чтобы установленное оборудование не мешало сотрудникам выполнять свои задачи и одновременно было защищено от случайного повреждения.
Среди задач системы своевременно оповещать ответственных сотрудников о дефектах, чтобы они успели принять меры и устранить дефектный участок волокна.
Поскольку для поиска дефектов на тончайших нитях волокна необходимо специализированное оборудование, а европейские экземпляры стали недоступны из-за санкций, выбор пал на камеры Hikrobot (Китай). Однако в этой ситуации была вероятность, что придется переучивать нейросеть, поскольку алгоритм ML Sense обучен на определенном типе оборудования и чувствителен к правильному расположению камеры и освещения. NordClan воспроизвел весь процесс проверки качества в собственной лаборатории. Испытания показали уровень точности распознавания до 98%.
Второй важный фактор для выявления дефектов с помощью машинного зрения — качество освещения. Для точного распознавания нейросеть должна получать четкие снимки высокой контрастности. В нашем случае — черные нити на ярком белом фоне. Высокоскоростная камера способна делать до тысячи кадров в секунду, обычный светильник при такой скорости будет мерцать и ровный белый фон не получить. Получится эффект съемки экрана старого телевизора на телефон — картинка будет «прыгать». Такое мерцание незаметно для человеческого глаза, но у системы с машинным зрением в таких условиях может снижаться процент точности распознавания.
Кроме того, ширина вала в месте контроля волокна составляет почти 3 метра. Типовое освещение для этой задачи не подходило. Для проекта мы заказали светильник по индивидуальным параметрам: нестандартной длины и со светодиодами высокой интенсивности, которые расположены плотно друг к другу.
Параллельно с процессом подбора оборудования инженеры сделали следующее:
смоделировали виртуальную 3D сцену в SolidWorks на основе замеров оборудования с производства;
рассчитали оптимальное расстояние для установки камер, светильника;
- подготовили чертежи мачты для крепления оборудования, по которым изготовили конструкцию.
Как создавали алгоритм и собирали данные для нейросети
Для проекта использовали предобученную систему с машинным зрением ML Sense, которая способна определять дефекты на производстве различного типа. В ее основе лежит сверхточная нейросеть YOLO_v8, каждый элемент (слой) которой отвечает за распознавание разных параметров: форма, размер, цвет и др. Для определения дефектов волокна компания подрядчик добавила новые слои нейросети, которые обучили распознавать типовые дефекты нитей.
Команда NordClan выполнила работу по обучению нейросети под ключ. Установила на заводе камеры и собрала данные. В результате отобрали кадры, на которых были видны дефекты волокна. Это заняло около месяца. На производстве дефекты встречаются не часто, а для обучений нейросети требуются тысячи изображений. Для ускорения процесса дополнительные данные сгенерировали синтетическим путем. А ещё сделали фото дефектов волокна в собственной лаборатории. Для обучения нейросети увеличили выборку за счет модификации существующих данных (аугментации).
В результате получили датасет из 10 тысяч фотографий, где каждый вид дефектов был размечен в LabelImg и классифицирован для обучения нейросети: узел, ворс и так далее.
Как ML Sense выявляет брак
Линейная камера, направленная на нити волокна, делает фото в заданной точке шириной 1 пиксель. Таких кадров она делает 40 тысяч штук в секунду. Рабочую частоту кадров камеры синхронизировали со скоростью конвейера, чтобы данные не искажались из-за движущегося конвейера. Затем эти кадры собираются в полноценное изображение по «строчкам» шириной 1 пиксель, примерно как строчки при игре в тетрис, чтобы нейросеть могла их анализировать. Полученный кадр нейросеть сравнивает с имеющимися в своей «памяти» данными и определяет, есть ли на изображении дефект.
Что получили в результате
Особенность производства углеродного волокна заключается в том, что полотно жгутов распределяется и наматывается на бобины на разных приёмных местах, расположенных на разных отрезках производственной линии. Чтобы аппаратчик мог быстро понять на какие места приемной машины движется дефект, полотно условно разделили на 3 зоны — красная, зеленая и оранжевая и настроили систему оповещения. Световые индикаторы зон приемной машины показывают, в какую зону намотки попадает готовый жгут. Это позволяет быстро принять меры по устранению дефекта.
Данные о дефекте дублирует голосовое оповещение. Это помогает быстрее передавать аппаратчикам и контролерам ОТК информацию, даже когда они находятся вдалеке от киоска с АРМ. Уведомления записаны мужским и женским голосом — отдельно для каждого этажа, так аппаратчик понимает в какую зону ему подойти.
Теперь аппаратчику не нужно непрерывно отслеживать полотно жгутов. Он может заниматься другими задачами, а система машинного зрения вовремя просигнализирует и привлечет его внимание, если обнаружится дефект.
Каждому дефекту присвоен свой класс — числовой код от 1 до 9, чтобы аппаратчик производственной линии быстро понимал насколько дефект критичен.
Если система машинного зрения обнаружила дефект, она подает сигнал и, в зависимости от вида дефекта, аппаратчик линии может либо устранить дефект, либо вовремя снять бобину с дефектным волокном с линии.
В установленной системе обнаруженные дефекты отображаются в интерфейсе киоска АРМ на посту контроля: на временной шкале отмечены все события возникновения дефекта. По каждому событию можно просмотреть подробный отчет, где указано в какой цветовой зоне находится жгут, на каких нитях обнаружен дефект и какой именно. Система контроля дефектов интегрирована с MES-системой завода.
С какими сложностями столкнулись и как их решали
После первых запусков системы, обнаружили вибрацию на нитях от намоточных машин. Камера фиксировала причудливые узоры, которые нейросеть детектировала как аномалии.
Чтобы система игнорировала подобные события, дополнили готовый алгоритм из библиотеки системы ML Sense. Решение заработало в штатном режиме.
Мы выбрали готовое решение «Норд Клан» — ML Sense, которое соответствовало нашим требованиям по скорости обнаружения дефектов и небольшим срокам внедрения продукта. Это позволило повысить выход готовых изделий, соответствующих стандартам качества, уменьшить затраты на брак и количество рекламаций от покупателей, а также снизить репутационные риски компании.