Углеродное волокно — материал, состоящий из тонких нитей диаметром от 3 до 15 мкм, поэтому для контроля качества волокна нужно высокоточное оборудование, способное определять дефекты на тончайших нитях.

В процессе производства волокна типовыми дефектами считается: обрыв, узел, ворс (пучок), отклонение толщины жгута и полотна на 2 мм и более по ширине или по высоте.

Также на волокне могут появляться посторонние включения: капли смолы аппрета, мусор, насекомые и т.п.

По валу шириной до 3 метров одновременно движется до 400 жгутов на высокой скорости конвейера (до 12 метров в минуту).

Человеческому глазу сложно постоянно удерживать фокус внимания на всех нитях волокна одновременно.

Перед намоткой на бобины волокно распределяется на 2 этажа, где установлены намоточные машины, такое разделение требует дополнительных ресурсов под контроль дефектов.

Для поддержания высокого уровня качества продукции было решено автоматизировать контроль брака с помощью машинного зрения.

Под решение задачи завода Алабуга-Волокно подошла готовая система нашей компании ML Sense, которая способна выявлять брак на высокой скорости конвейера и фиксировать дефекты от 0,01мм.

4. Сервер для установки системы ML Sense.

С высоким объемом оперативной памяти для обработки поступающих данных.

5. Сервер для установки системы ML Sense.

Из-за того, что конвейерная линия тянется на 250м внутри завода, а также на этапе намотки конвейер с волокном разделяется на 2 этажа, то для оповещения инженера ОТК о дефектах, дополнительно были установлены киоски для вывода данных на каждом этаже, а также световая и звуковая сигнальная система.

Для настройки работы системы контроля качества волокна с машинным зрением разрабатывается уникальная "сцена" установки оборудования.

Инженеры Норд Клан изучают конвейерную линию на предприятии и рассчитывают в каких местах и на каком расстоянии должна быть установлена камера контроля дефектов, освещение и дополнительное оборудование.

Для завода Umateх было выбрано 2 точки контроля дефектов, по одной на каждый этаж.

Волокно движется по конвейеру мимо установленных камер, которые с высокой частотой (ок. 4000 кадров в секунду) делают снимки размером 4000 рх на 1рх.

Затем эти "линии" изображений собираются в единое фото, которое анализирует система с машинным зрением ML Sense, развернута на отдельном сервере.

Нейросеть распознает типовые дефекты волокна: ворс, обрыв, узел, изменение толщины, посторонние включения (мусор, насекомые, смола и прочее) и передает обратную связь в интерфейс программы, на сигнальную систему и в MES-систему завода.

Для обучения нейросети мы установили на заводе камеры и обеспечили сбор данных, а после отобрали кадры, на которых были видны дефекты волокна.

Сбор проходил около месяца, но так как на производстве брак не такое частое явление, а для обучений нейросети требуются тысячи изображений, то дополнительные данные мы сгенерировали синтетическим путем, а также сделали фото дефектов волокна в собственной лаборатории.

Разнообразие материалов обеспечили процессом аугментации данных.

В результате мы имеем датасет из 10 000 фотографий волокна, где каждый вид брака размечен в LabelImg и классифицирован для обучения нейросети: это узел, это ворс и т.д.

Линейная камера направлена на нити волокна и делает фото в заданной точке шириной 1 пиксель.

Таких кадров камера делает 40 000 штук в секунду - рабочая частота кадров камеры синхронизирована со скоростью конвейера, чтобы получать данные такими, как они есть в реальности, а не вытянутые фотографии из-за движущегося конвейера.

Далее, для дальнейшего анализа нейросетью, эти кадры собираются в полноценное изображение по "строчкам" шириной 1 пиксель, примерно как линни при игре в тетрис.

Полученный кадр нейросеть сравнивает с имеющимися в своей "памяти" данными и определяет есть ли на изображении дефект и какой именно.

Внедрение системы происходило без остановки технологических процессов завода.

После тестовых запусков и обучения пользователей работе с интерфейсом решение заработало в штатном режиме.

Теперь оператор ОТК может быстро локализовать место возникновения брака:

В результате оператор ОТК оперативно принимает решение по устранению брака: устранить дефект на конвейере или отрезать дефектный участок жгута и запустить намотку на новую катушку.

По итогам внедрения системы ООО «Алабуга-Волокно» запустили единый центр контроля брака, который интегрирован с MES-системой.

Внедренное решение ML Sense в реальном времени собирает информацию о всех дефектах, сохраняет историю и формирует отчеты, обеспечивает автоматическую выгрузку информации в систему MES предприятия.

Выдержана точность выявление брака не менее 97%.

Это позволило повысить выход готовых изделий, соответствующих стандартам качества, уменьшить затраты на брак и количество рекламаций от покупателей, а также снизить репутационные риски компании.